UNIVERSITAS INDONESIA SIMULASI PENGENALAN CHORD TERISOLASI BERBASISKAN SPEAKER DEPENDENT DENGAN METODE HIDDEN MARKOV MODEL SKRIPSI

UNIVERSITAS INDONESIA

SIMULASI PENGENALAN CHORD TERISOLASI BERBASISKAN SPEAKER DEPENDENT DENGAN METODE HIDDEN MARKOV MODEL

SKRIPSI Diajukan untuk melengkapi sebagian persyaratan menjadi sarjana teknik

DAVIT WASTY SIJABAT 0405037065

FAKULTAS TEKNIK PROGRAM SARJANA TEKNIK ELEKTRO DEPOK DESEMBER 2009

HALAMAN PERNYATAAN ORISINALITAS

Skripsi ini adalah hasil karya saya sendiri, dan semua sumber baik yang dikutip maupun dirujuk telah saya nyatakan dengan benar.

Nama

: Davit Wasty Sijabat

NPM

: 0405037065

Tanda Tangan

:

Tanggal

: Desember 2009

ii Universitas Indonesia Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

HALAMAN PENGESAHAN

Skripsi ini diajukan oleh Nama NPM Program Studi Judul Skripsi

: : Davit Wasty Sijabat : 0405037065 : Teknik Elektro : Simulasi Pengenalan Chord Terisolasi Berbasiskan Speaker Dependent dengan Metode Hidden Markov Model

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana Teknik pada Program Studi Teknik Elektro Fakultas Teknik Universitas Indonesia

DEWAN PENGUJI Pembimbing

: Prof. Dr. Ir. Dadang Gunawan M.Eng

(...................................)

Penguji

: Dr. Ir. Arman Djohan Diponegoro

(...................................)

Penguji

: Filbert Hilman Juwono, S.T, M.T

( ..................................)

Ditetapkan di

: Depok

Tanggal

: Desember 2009

iii Universitas Indonesia Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

KATA PENGANTAR Puji syukur penulis panjatkan kepada Allah Yang Maha Kuasa, karena atas berkat dan rahmat-Nya, penulis dapat menyelesaikan skripsi ini. Penulisan skripsi ini dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Sarjana Teknik Jurusan Teknik Elektro pada Fakultas Teknik Universitas Indonesia. Penulis menyadari bahwa, tanpa bantuan dan bimbingan dari berbagai pihak, dari masa perkuliahan sampai pada penyusunan skripsi ini, sangatlah sulit bagi penulis untuk menyelesaikan skripsi ini. Oleh karena itu, penulis mengucapkan terima kasih kepada: 1. Prof. Dr. Ir. Dadang Gunawan M.Eng selaku pembimbing yang telah menyediakan waktu, tenaga, dan pikiran untuk mengarahkan penulis dalam penyusunan skripsi ini; 2. Orang tua dan keluarga penulis yang telah memberikan bantuan dukungan material dan moral; 3. Indrabayu, mahasiswa program S3 atas saran-sarannya dalam memperbaiki simulasi skripsi ini; 4. Teman-teman elektro 2005, secara khusus Rizky yang telah banyak membantu penulis dalam menyelesaikan skripsi ini. Akhir kata, penulis berharap Tuhan Yang Maha Esa berkenan membalas segala kebaikan semua pihak yang telah membantu. Semoga skripsi ini membawa manfaat bagi pengembangan ilmu.

Depok, Desember 2009

Penulis

iv Universitas Indonesia Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

ABSTRAK Nama Program Studi Judul

: Davit Wasty Sijabat : Teknik Elektro : Simulasi Pengenalan Chord Terisolasi Berbasiskan Speaker Dependent dengan Metode Hidden Markov Model

Dalam proses pengarsipan musik dijital, dilakukan penyimpanan sejumlah informasi nada yang terkandung di dalamnya, contohnya chord. Chord merupakan salah satu atribut penting dalam musik yang nantinya akan mempengaruhi harmoni dan melodi suatu musik. Oleh karena itu, dalam menganalisis keseluruhan struktur harmoni dari sebuah bagian musik sering dimulai dengan melabelkan setiap chord pada bagian musik tersebut. Skripsi ini mensimulasikan pengenalan chord terisolasi dengan metode HMM. Prosesnya meliputi pelatihan dan pengenalan. Tahap pelatihan antara lain melabelkan chord, membuat codebook, dan memodelkan HMM. Proses pengenalan chord mengacu pada nilai yang mendekati probabilitas database yang telah dibuat. Berdasarkan hasil variasi beberapa bobot codebook dan repetisi, maka akurasi sistem paling optimal bernilai 98,33%, yaitu kombinasi bobot codebook 128 dan repetisi 20. Kata kunci : chord, label, codebook, database, repetisi, probabilitas, HMM.

v Universitas Indonesia Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

ABSTRACT Name Study Program Title

: Davit Wasty Sijabat : Electrical Engineering : Simulation of Isolated Chord Recognition Based on Speaker Dependent with Hidden Markov Model

Setting databases of digital music - there are much information of tones saved, for example chords. Chord is one of the most important part of music that build the harmonic structure and its melody. Hence, analyzing the overall harmonic structure of musical piece often starts with labelling every chord at the part of music being analyzed. This minithesis had simulated isolated chord recognition with HMM method. There are two main processes : training and recognition. Training consists of labelling every chord, making codebook, and modelling HMM parameters. The recognition value reference on the probability value that approach database had been made. Based on the simulation with variation combined both codebook and repetion, thus the optimum value of this system is 98,33% that both combination codebook 128 and repetion 20. Keywords : chord, label, codebook, database, repetion, probability, HMM.

vi Universitas Indonesia Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini: Nama

:

Davit Wasty Sijabat

NPM

:

0405037065

Program studi :

S1 Reguler Teknik Elektro

Fakultas

:

Teknik

Jenis karya

:

Skripsi

demi

pengembangan

kepada Universitas

ilmu

pengetahuan,

Indonesia

Hak

menyetujui untuk memberikan

Bebas

Royalti

Noneksklusif (Non-

exclusive Royalty-Free Right) atas skripsi saya yang berjudul : “Simulasi Pengenalan Chord Terisolasi Berbasiskan Speaker Dependent dengan Metode Hidden Markov Model” beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Noneksklusif ini Universitas Indonesia berhak menyimpan, mengalih-mediakan, mengelola

dalam

bentuk

pangkalan

data

mempublikasikan tugas akhir saya selama

(database),

merawat,

dan

tetap mencantumkan nama saya

sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Depok Pada tanggal : Desember 2009 Yang menyatakan

(………….)

vii Universitas Indonesia Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

DAFTAR ISI

HALAMAN JUDUL ....................................................................................... i HALAMAN PERNYATAAN ORISINALITAS .............................................. ii HALAMAN PENGESAHAN .......................................................................... iii KATA PENGANTAR ..................................................................................... iv ABSTRAK ...................................................................................................... v ABSTRACT .................................................................................................... vi HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS ......................................................... vii DAFTAR ISI ................................................................................................... viii DAFTAR TABEL ........................................................................................... x DAFTAR GAMBAR ....................................................................................... xi DAFTAR SINGKATAN .................................................................................. xii BAB 1 PENDAHULUAN ................................................................................ 1 1.1 Latar Belakang ................................................................................. 1 1.2 Tujuan Penelitian.............................................................................. 2 1.3 Batasan Masalah ............................................................................... 2 1.4 Metode Penelitian ............................................................................. 3 1.5 Sistematika Penulisan ....................................................................... 3 BAB 2 MUSIK DAN DASAR-DASAR PENGOLAHAN SINYAL SUARA . 5 2.1 Dasar Teori Musik ............................................................................ 5 2.1.1 Tangga Nada Kromatik ............................................................ 5 2.1.2 Tangga Nada Mayor ................................................................ 6 2.1.3 Interval .................................................................................... 7 2.1.4 Pasangan Chord ....................................................................... 9 2.2 Speech Recognition .......................................................................... 11 2.2.1 Tipe-tipe Speech Recognition................................................... 11 2.2.1.1 Isolated Speech Recognition ......................................... 12 2.2.1.2 Continuous Speech Recognition ................................... 12 viii Universitas Indonesia Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

2.2.1.3 Speaker Dependent....................................................... 12 2.2.1.4 Speaker Independent .................................................... 13 2.3 Proses-Proses Dalam Sistem Pengenalan Suara Chord...................... 13 2.3.1 Sampling.................................................................................. 14 2.3.2 Ekstraksi Fitur ......................................................................... 14 2.3.2.1 Frame Blocking............................................................ 16 2.3.2.2 Windowing ...................................................................16 2.3.2.3 Discrete dan Fast Fourier Trasform ............................. 17 2.3.2.4 Mel Frequency Warping ............................................... 18 2.3.2.5 Cepstrum...................................................................... 18 2.3.3 Kuantisasi Vektor .................................................................... 19 2.4 Hidden Markov Model ...................................................................... 22 BAB 3 DISAIN SIMULASI ............................................................................. 26 3.1 Pembuatan Database dan Proses Pembelajaran................................. 26 3.1.1 Tahap Pelabelan ....................................................................... 27 3.1.2 Pembuatan Codebook .............................................................. 29 3.1.3 Pembentukan Model HMM dan Proses Pembelajaran .............. 31 3.2 Proses Pengenalan ............................................................................ 33 BAB 4 HASIL SIMULASI dan ANALISIS .................................................... 36 4.1 Hasil Simulasi .................................................................................. 36 4.1.1 Hasil Uji Coba Chord C Mayor................................................ 37 4.1.2 Hasil Uji Coba Chord D Minor ................................................ 38 4.1.3 Hasil Uji Coba Chord E Minor ................................................ 38 4.1.4 Hasil Uji Coba Chord F Mayor ................................................ 39 4.1.5 Hasil Uji Coba Chord G Mayor ............................................... 40 4.1.6 Hasil Uji Coba Chord A Minor ................................................ 41 4.2 Pengolahan Hasil Percobaan ............................................................. 41 4.3 Analisis ............................................................................................ 42 4.3.1 Analisis Sistem Pengenalan Sinyal Masukan Chord ................. 43 4.3.2 Analisis Unjuk Kerja Sistem Berdasarkan Variabel Codebook .45 4.3.3 Analisis Unjuk Kerja Sistem Berdasarkan Variabel Repetisi ....47 BAB 5 KESIMPULAN .................................................................................... 50 REFERENSI ....................................................................................................51 ix Universitas Indonesia Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

DAFTAR TABEL

Tabel 2.1

Tangga nada kromatik dalam musik ............................................ 6

Tabel 2.2

Interval pada musik .................................................................... 8

Tabel 2.3

Tingkat dan Interval pada musik ................................................. 9

Tabel 2.4

Penggolongan Triad .................................................................... 11

Tabel 4.1

Nama chord dan file chord uji coba ............................................ 36

Tabel 4.2

Hasil uji coba chord C mayor ..................................................... 37

Tabel 4.3

Hasil uji coba chord D minor ...................................................... 38

Tabel 4.4

Hasil uji coba chord E minor ...................................................... 39

Tabel 4.5

Hasil uji coba chord F mayor ...................................................... 39

Tabel 4.6

Hasil uji coba chord G mayor ..................................................... 40

Tabel 4.7

Hasil uji coba chord A minor ...................................................... 41

Tabel 4.8

Persentase pengenalan masing-masing label chord ..................... 42

Tabel 4.9

Hasil akurasi keseluruhan sistem ................................................ 42

x Universitas Indonesia Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

DAFTAR GAMBAR

Gambar 2.1

Contoh cara penulisan interval .................................................... 7

Gambar 2.2

Visualisasi tangga nada mayor dalam paranada ........................... 7

Gambar 2.3

Prosesor MFCC .......................................................................... 15

Gambar 2.4

Contoh codeword pada ruang dua dimensi .................................. 20

Gambar 2.5

Model Markov (a) ergodic, (b) left-right ..................................... 22

Gambar 3.1

Diagram alir pembuatan database ............................................... 27

Gambar 3.2

Tahap pemberian label chord ...................................................... 28

Gambar 3.3

Tahap pembuatan codebook ........................................................ 30

Gambar 3.4

Tahap pembentukan model HMM............................................... 32

Gambar 3.5

Diagram alir proses pengenalan chord terisolasi ......................... 34

Gambar 3.6

Tampilan proses pengenalan chord terisolasi .............................. 35

xi Universitas Indonesia Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

DAFTAR SINGKATAN

MIR

Music Information Retrieval

HMM

Hidden Markov Model

LPC

Linear Prediction Coding

MFCC

Mel Frequency Cepstrum Coefficient

DFT

Discrete Fourier Transform

FFT

Fast Fourier Transform

DCT

Discrete Cosine Transform

VQ

Vector Quantization

GLA

General Lloyd Algorithm

LBG

Linde, Buzo, Gray

LoP

Log of Probability

xii Universitas Indonesia Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

BAB 1 PEDAHULUA

1.1 Latar Belakang Perkembangan jumlah ketersediaan musik dijital mengalami peningkatan. Hal ini dapat dipengaruhi oleh banyaknya jumlah peminat musik dan bagaimana teknologi yang semakin maju dalam menyediakan permintaan tersebut. Berdasarkan karakter musik, maka musik merupakan suatu seni yang dapat dinikmati oleh berbagai orang dengan berbagai budaya. Misalnya saja, musik daerah di Indonesia dinikmati oleh orang Eropa, atau bahkan musik Barat yang banyak digemari oleh orang-orang di Indonesia. Kemudian, perkembangan teknologi memungkinkan setiap orang dapat menikmati dan mengakses musik dimanapun dan kapanpun. Oleh karena itu, perkembangan musik dijital mendapat perhatian khusus dalam bisnis musik saat ini. Music Information Retrieval (MIR) merupakan suatu disiplin ilmu yang sangat dibutuhkan karena penggunaannya yang luas di bidang musik. Salah satu aplikasi yang dapat diterapkan adalah dalam bidang pengarsipan musik tersebut dan pengelompokannya sesuai dengan genre masing-masing lagu yang diarsipkan. Banyak lagu-lagu sekarang mudah dilakukan pembajakan, sehingga penting sekali dilakukan pengarsipan musik dimana dilakukan penyimpanan informasi nada yang ada di dalamnya [1]. Pengarsipan musik dijital dan pengelompokan genre tentunya dapat dilakukan dengan pengetahuan yang cukup baik akan musik dan jenis-jenisnya. Dalam musik dikenal suatu istilah kunci, yang merupakan representasi dari distribusi pitch, not-not, dan pola nada yang dibentuk di dalamnya, serta disertai pula dengan tanda kres (#) maupun mol (b) yang menandakan perubahan nada tersebut. Kunci dan chord merupakan atribut penting dalam musik, yang nantinya akan mempengaruhi harmoni dan melodi suatu musik. Progresifitas chord juga dipengaruhi oleh kunci musik tersebut dan pola yang berlaku di dalamnya. Oleh 1 Universitas Indonesia

Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

2 karena itu, dalam menganalisis keselurahan struktur harmoni dari sepotong lagu sering dimulai dengan melabelkan setiap chord pada setiap ketukan (beat) atau diukur berdasarkan kuncinya [2]. Pengenalan chord secara otomatis akan sangat menolong dalam menganalisis musik. Barisan chord yang dapat dikenali secara otomatis, nantinya akan dapat memperlihatkan sinyal-sinyal musik tersebut, dan bahkan dapat diaplikasikan dalam identifikasi jenis musik, segmentasi musik, menemukan kesamaan musik, ringkasan audio, dan klasifikasi mood dari musik tersebut [2]. Dalam proses pengolahan dan pengenalan sinyal suara (Speech/Voice Recognition), berbagai metode telah banyak diterapkan. Beberapa metode diantaranya adalah Fuzzy Logic, "eural "etwork, dan Hidden Markov Model (HMM). Penggunaan metode HMM lebih kompleks dibandingkan metode pengenalan dengan Fuzzy Logic, dan "eural "etwork, tetapi menghasilkan pengenalan yang lebih optimum. Oleh karena itu, dalam skripsi ini akan dilakukan proses pengenalan chord terisolasi dengan penerapan Speech Recognition (Speech to Text) melalui metode HMM.

1.2 Tujuan Penulisan Tujuan penulisan skripsi ini adalah merancang sistem perangkat lunak untuk pengenalan chord terisolasi dengan menggunakan metode HMM. Selain itu, skripsi ini juga bertujuan untuk membandingkan akurasi (unjuk kerja) perangkat lunak sistem pengenalan chord terisolasi terhadap variasi jumlah repetisi serta bobot codebook.

1.3 Batasan Masalah Sistem yang dipakai dalam perangkat lunak ini adalah non-real time. Data suara yang diambil berasal dari instrumen gitar akustik. Jenis pukulan gitar dalam memainkan chord dilakukan dengan lembut, keras, cepat, dan biasa. Data akan terlebih dahulu direkam dan diolah dengan suatu perangkat lunak pengolah Universitas Indonesia


3 gelombang suara yang kemudian diproses untuk menjadi label dalam identifikasi (terisolasi). Pada penelitian ini, chord yang diidentifikasi terbatas pada chord C triad (mayor dan minor), sehingga akan terdapat 6 chord yang akan menjadi 6 label. Setiap label akan terdiri dari 50 database suara dalam format “.wav” dan 10 sampel uji yang diambil secara tidak langsung dalam format dijital dengan variasi jumlah repetisi, serta variasi codebook 32, 64, dan 128.

1.4 Metode Penelitian Metode-metode yang digunakan dalam penulisan skripsi ini antara lain : 1. Studi kepustakaan. Mempelajari dasar teori musik seperti tangga nada kromatik, nada mayor, minor, dan pasangan chord, serta proses pengenalan suara dengan HMM dari berbagai buku, jurnal, dan artikel terkait lainnya. 2. Pengumpulan data Mengumpulkan data-data yang diperlukan, dalam hal ini sampel suara chord dari sebuah instrumen gitar akustik yang direkam sendiri. 3. Simulasi perangkat lunak Pada tahap ini dilakukan pengujian sistem pengenalan chord terisolasi dengan sebuah perangkat lunak dan membandingkan akurasi (unjuk kerja) pengenalan dengan berbagai variasi bobot repetisi, serta codebook.

1.5 Sistematika Penulisan Sistematika penulisan skripsi ini adalah sebagai berikut. BAB 1 PEDAHULUA Bab ini berisi latar belakang, tujuan penulisan, batasan masalah, dan sistematika penulisan untuk memberikan gambaran umum mengenai skripsi BAB 2 MUSIK dan DASAR-DASAR PEGOLAHA SIYAL SUARA Bab ini menjelaskan dasar teori musik secara umum dan chord secara Universitas Indonesia


4 khusus, dasar-dasar speech recognition, Hidden Markov Model, dan teori-teori lainnya yang mendukung simulasi. BAB 3 DISAI SIMULASI Pada bab ini dijelaskan alur disain perangkat lunak berupa digram alir pembentukan database dan proses pengenalan chord, tampilan simulasi, dan cara penggunaannya. BAB 4 HASIL SIMULASI dan AALISIS Bab ini membahas hasil uji coba berdasarkan variasi parameter tertentu dan melakukan analisis terhadap hasil simulasi. BAB 5 KESIMPULA Pada bagian ini akan disimpulkan hal-hal yang telah diperoleh dari keseluruhan penelitian.

Universitas Indonesia


BAB 2 MUSIK DA DASAR-DASAR PEGOLAHA SIYAL SUARA

2.1 Dasar Teori Musik Musik adalah sekumpulan nada yang memiliki kepaduan dan harmonisasi yang terikat dalam satu irama dan tempo yang beraturan. Musik memiliki abjad yang disebut sebagai tangga nada (scale). Setiap nada identik dengan huruf yang nantinya membentuk suatu chord. Kemudian chord tersebut bersama-sama membentuk frasa (kalimat musik). Sekumpulan frasa (kalimat musik) yang baik akan membentuk lagu yang dapat dinyanyikan. Oleh karena itu, chord merupakan sebuah kosakata. Kosakata saja tidak cukup, melainkan harus dapat membentuk suatu kata yang bermakna ketika diucapkan dan akhirnya membentuk kalimat yang baik, yang dapat dimengerti oleh orang lain [1]. Dalam seni musik dan musikologi dikenal istilah tangga nada. Tangga nada merupakan suatu kumpulan nada-nada yang harmonis dengan aturan tertentu yang mendasarinya.

2.1.1 Tangga ada Kromatik Kumpulan dari semua nada dalam musik disebut sebagai tangga nada kromatik. Kromatik merupakan sebuah kata yang berasal dari bahasa Yunani, chroma, yang artinya warna. Dalam hal ini tangga nada kromatik berarti “nada setiap warna”. Sama seperti spektrum warna dengan frekuensi yang berbeda-beda, demikian halnya dengan nada. Karena nada selalu berulang untuk tiap oktaf yang ada, maka istilah “tangga nada kromatik” sering dipakai untuk kedua belas nada dari tiap oktaf [1]. Perbedaan antara dua buah nada (pitch) yang berdekataan disebut sebagai semitone. Meskipun ada 12 nada dalam satu oktaf, tetapi hanya 7 huruf pertama dari abjad yang dipakai untuk memberi nama pada nada, yaitu dari A sampai G. 5 Universitas Indonesia


6 Kelima nada lain dalam satu oktaf tersebut diberi nama dengan memberikan tanda kres (#) atau mol (b) setelah notasi nada. Tabel 2.1 menunjukkan frekuensi kedua belas nada antara nada A pada 440 Hz dengan nada A satu oktaf di atasnya. Tabel 2.1. Tangga nada kromatik dalam musik [1]

Karena dalam tangga nada kromatik ada 12 nada, maka dapat dibuat berbagai tangga nada dengan membuat suatu kombinasi dari nada-nada tersebut.

2.1.2 Tangga ada Mayor Tangga nada mayor adalah tangga nada yang sangat umum dipakai untuk musik Barat (western). Saat dimainkan secara berurutan, tangga nada mayor ini dikenal dengan istilah do-re-mi-fa-so-la-si-do. Jarak antara dua buah nada yang berdekatan disebut semitone, dan dua buah semitone disebut dengan tone. Tangga nada ini disusun berdasarkan suatu aturan khusus, yaitu kombinasi interval semitone antara nada-nada yang ada. Aturannya adalah sebagai berikut [1]:

2 (tone) - 2 (tone) - 1 (semitone) - 2 (tone) - 2 (tone) - 2 (tone) - 1 (semitone)

atau ada juga yang menggunakan interval seperti pada Gambar 2.1 berikut. Universitas Indonesia


7

Gambar 2.1 Contoh cara penulisan interval [1]

Dalam paranada dapat ditunjukkan seperti pada Gambar 2.2 berikut.

Gambar 2.2 Visualisasi tangga nada mayor dalam paranada[1]

2.1.3 Interval Interval adalah jarak antara dua buah nada. Ada banyak ukuran interval yang dipakai untuk membuat tangga nada. Dalam penjelasan sebelumnya, interval yang dipakai untuk membentuk tangga nada adalah 2-2-1-2-2-2-1 (semitone). Tangga nada dalam nada kromatik tidak hanya tangga nada mayor. Ada banyak jenis tangga nada lainnya. Semuanya dibuat berdasarkan aturan terhadap interval. Ukuran variasi interval tidak hanya memberikan perbedaan suara, tetapi juga kesan dan 'rasa' yang ditangkap oleh pendengar. Untuk ukuran interval tertentu, campuran nada dapat dirasakan begitu cocok (consonant), namun dapat juga kedengaran kurang cocok (dissonant). Kombinasi consonant dan dissonant sangat diperlukan dalam musik. Musik yang hanya berisi consonant akan terdengar lembut dan dan lunak. Pemberian dissonant akan memberikan 'tekstur' pada musik[1]. Berikut ini diberikan ukuran interval (dalam semitone) dan namanya, serta penjelasan singkat dalam Tabel 2.2. Untuk kemudahan istilah, maka bagian ini disajikan dalam bahasa Inggris.



8 Tabel 2.2 Interval pada musik[1]

Nama dan ukuran tiap interval tersebut sangat penting, khususnya ketika membuat sebuah chord. Chord dibuat dengan mengombinasikan interval yang ada dan memainkan tiga atau lebih nada secara serentak. Ada banyak jenis chord, dan masing-masing dibuat berdasarkan formula yang unik dari pengombinasian interval nada. Tiap interval diukur dari nada awal (nada dasar) dari tipe chord yang disusun. Misalnya, dalam membuat chord C, maka nada C dihitung sebagai nada awal (nada dasar) dalam perhitungan interval. Interval dari tipe chord yang disusun dari nada dasar dikenal sebagai tingkat (degree). Penamaan ini mirip dengan nama interval, hanya tingkat ini lebih sering dipakai karena penulisannya yang singkat. Pada Tabel 2.3 akan diberikan daftar penamaan tingkat dan ekivalennya dengan interval dan ukuran interval (dalam semitone). Untuk tetap menjaga kemudahan istilah, tetap disajikan dalam bahasa Inggris.



9

Tabel 2.3 Tingkat dan Interval pada Musik[1]

Tingkat dan interval ini sangat penting dalam penyusunan sebuah chord. Misalnya saja, dalam membuat chord mayor, dibutuhkan nada dari tingkat 1, 3, dan 5. Jadi, saat menyusun chord C mayor, nada yang dimainkan adalah C, E, dan G (tingkat 1,3, dan 5 dari tangga nada C mayor).

2.1.4 Pasangan Chord Dalam mengiringi sebuah lagu, maka jenis chord yang dimainkan juga tergantung pada nada dasar lagu tersebut. Selain itu, untuk menentukan pasangan chord yang dipakai untuk mengiringi lagu juga memiliki aturan tersendiri. Untuk memudahkan pencarian formulanya, ada baiknya dimulai dengan menganalisis dari sistem tangga nada C mayor. Tangga nada C mayor adalah : C – D – E – F – G – A – B – C . Masingmasing dari tangga nada C mayor ini dicari triad-nya, sehingga pasangan chord C mayor adalah [1]:



10 Triad

:C–E–G

Tingkat : 1 – 3 – 5 chord : C mayor

Triad

: D– F –A

Tingkat : 1 – b3 – 5 chord : D minor

Triad

:E–G–B

Tingkat : 1 – b3 – 5 chord : E minor

Triad

: F–A–C

Tingkat : 1 – 3 – 5 chord : F mayor

Triad

:G–B–D

Tingkat : 1 – 3 – 5 chord : G mayor

Triad

:A–C–E

Tingkat : 1 – b3 – 5 chord : A minor

Triad

:B–D–F

Tingkat : 1 – b3 – b5 chord : B diminished

Berdasarkan penurunan di atas, terdapat 3 buah triad mayor, yaitu pada tingkat 1, 4, dan 5 relatif terhadap tangga nada C mayor. Hal ini berarti, bila Universitas Indonesia


11 mengiringi sebuah lagu dari nada C mayor, pasangan chord lainnya adalah F mayor dan G mayor (biasanya cukup ditulis F dan G saja). Selain itu, didapati pula 3 buah chord minor, yaitu pada tingkat 2, 3, dan 6 relatif terhadap tangga nada C mayor. Ini juga berarti, pasangan chord lainnya yang mengiringi chord C mayor adalah D minor (Dm), E minor (Em), dan A minor (Am). Terakhir, terdapat suatu chord diminished, yaitu B diminis (Bdim). Penggolongan chord triad sering dituliskan dalam Tabel 2.4 berikut : Tabel 2.4 Penggolongan Triad[1]

2.2 Speech Recognition Speech to text atau konversi dari bentuk suara menjadi betuk teks merupakan aplikasi dari speech recognition. Pada dasarnya, speech recognition dilakukan dengan membandingkan pola karakteristik tertentu dari sinyal suara yang masuk (yang akan dikenali) dengan pola karaktersitik yang akan menjadi referensi atau acuan untuk mengenali suara yang masuk tersebut [3].

2.2.1 Tipe-tipe Speech Recognition Berdasarkan pengucapannya, maka speech recognition dapat dibagi menjadi dua jenis, yaitu isolated speech recognition (diskrit) dan continuous speech recognition (kontinu) [3].



12 2.2.1.1 Isolated Speech Recognition Pada tipe ini pengucapan kata oleh seseorang dilakukan secara terpisah atau terputus-putus per kata. Misalnya, ketika mengucapkan dua kata, seseorang harus memberikan jeda waktu antara kata pertama dan kata kedua. Jadi, pada tipe ini lebih jelas awal dan akhir suatu kata. Pada isolated speech recognition, faktorfaktor bahasa kurang berpengaruh. Faktor yang memberikan pengaruh cukup besar pada tipe ini adalah karakteristik alat-alat vokal pembicara disamping faktor derau yang menyertai pengucapan suatu kata.

2.2.1.2 Continuous Speech Recognition Kata-kata dalam suatu kalimat diucapkan seperti layaknya orang berbicara. Tidak harus ada jeda antar kata seperti isolated speech recognition. Tingkat kompleksitasnya tinggi. Tingkat kompleksitas pada tipe ini menjadi lebih tinggi dan dalam aplikasi juga menjaid lebih rumit karena : 1. Penentuan awal dan akhir dari suatu kata jauh lebih sulit dibandingkan dengan jika kata-kata diucapkan secara terpisah. 2. Dalam suatu kalimat, arti kata sangat ditentukan oleh konteks kalimat tersebut. 3. Karaktersitik bahasa memberikan pengaruh yang sangat berarti. 4. Logat atau dialek dari pembicara juga memberikan pengaruh yang sangat besar berkaitan dengan karakteristik bahasa yang digunakan.

Berdasarkan ketergantungan terhadap pembicara dan pengucapannya atau pola susunan katanya, terdiri dari speaker dependent dan speaker independent.

2.2.1.3 Speaker Dependent Pada speaker dependent, sistem dibuat hanya untuk mengenali suara atau kata dari orang tertentu atau mengenali speaker tunggal. Suara dari orang tertentu akan disimpan sebagai referensi yang menjadi acuan dalam proses pengenalan. Sistem ini sangat cocok untuk mengenali orang yang berbicara dari suatu sinyal Universitas Indonesia


13 suara. Selain itu, sistem ini biasanya lebih murah, lebih akurat, dan lebih mudah dibuat. Namun, sistem ini tidak fleksibel jika dibandingankan dengan jenis speaker independent karena sulit beradaptasi dengan karakteristik pembicara baru. Pada

sistem

speaker

dependent,

identifikasi

dilakukan

dengan

membandingkan kesamaan antara hasil ekstraksi fitur dari sinyal masukan dengan acuan sinyal suara yang ada.

2.2.1.4 Speaker Independent Pada speaker independent, sistem dibuat untuk mengenali suara atau kata dari banyak orang. Referensi yang digunakan adalah kata, phrase, atau kalimat yang berlaku umum untuk semua pembicara. Referensi yang digunakan diperoleh dari hasil pelatihan sistem yang berasal dari beberapa orang yang mewakili sinyal suara dari semua orang secara umum. Sistem ini lebih kompleks dibandingkan speaker dependent dan akurasinya lebih rendah, tetapi lebih fleksibel. Pada tahap pengenalan, sinyal suara masukan dikuantisasi vektor dengan menggunakan bobot codebook dari setiap pembicara yang menjadi acuan dalam pengenalan sinyal suara masukan.

2.3 Proses-Proses Dalam Sistem Pengenalan Suara Chord Dalam menganalisis urutan chord dari potongan musik yang dimainkan menggunakan suatu media komputerisasi dilakukan beberapa proses. Sinyal masukan akustik analog diubah menjadi sinyal dijital melalui proses sampling. Setelah itu, informasi yang terkandung di dalam sinyal masukan diekstraksi dan diubah ke dalam data-data vektor. Data vektor ini kemudian dikuantisasi dengan teknik VQ untuk melihat persebarannya pada cluster. Vektor pada cluster ini akan menentukan letak centroid yang kemudian dikumpulkan di dalam suatu codeword/codevector. Kumpulan beberapa codeword disebut codebook [4]. Nilainilai codeword inilah yang digunakan untuk menentukan parameter-parameter HMM. Proses lengkapnya akan dijelaskan pada bagian berikut ini. Universitas Indonesia


14 2.3.1 Sampling Sampling adalah suatu proses untuk membagi-bagi suatu sinyal kontinu dalam interval waktu yang telah ditentukan. Sampling ini dilakukan dengan mengubah sinyal analog menjadi sinyal dijital dalam fungsi waktu. Pengubahan bentuk sinyal ini bertujuan untuk mempermudah memroses sinyal masukan yang berupa analog karena sinyal analog memiliki kepekaan terhadap noise yang rendah, sehingga sulit untuk memproses sinyal tersebut.

Parameter-parameter yang menentukan hasil sampling adalah panjang interval yang digunakan. Frekuensi sampling yang digunakan mengikuti aturan

Nyquist, yaitu besarnya nilai frekuensi sampling harus dua kali frekuensi tertinggi dari sinyal masukan, yang dinyatakan dengan [5]: ( 2.1 )

dimana : adalah frekuensi sampling adalah frekuensi tertinggi sinyal masukan

2.3.2 Ekstraksi Fitur Ekstraksi fitur atau feature extraction merupakan proses dimana tiap-tiap

sampel sinyal akan diubah menjadi vektor-vektor data. Terdapat beberapa metode yang dapat digunakan untuk proses ini, antara lain Linear Prediction Coding (LPC) dan Mel Frequency Cepstrum Coefficient (MFCC) [6]. Metode yang akan digunakan pada proses ekstraksi dalam pengenalan suara ini adalah dengan menggunakan MFCC. Mel Frequency Cepstral Coefficient (MFCC) memiliki beberapa keunggulan dibandingkan dengan metode lainnya, antara lain [5]:

1. Mampu menangkap informasi-informasi penting yang terkandung dalam sinyal suara. 2. Menghasilkan data seminimal mungkin, tanpa menghilangkan menghilangkan informasiinformasi penting yang ada.

3. Mengadaptasi organ pendengaran manusia dalam melakukan persepsi Universitas Indonesia


15 terhadap sinyal suara. 4. Menghasilkan pendekatan yang lebih baik terhadap sistem pendengaran manusia karena menggunakan fungsi logaritmik dalam perhitungannya.

MFCC di sini bertujuan untuk menghasilkan cepstrum yang akan digunakan dalam membentuk codeword. Blok diagram dari MFCC ditunjukkan pada Gambar 2.3 berikut.

Spectrum Windowing

Frame Blocking

Signal

FFT

Frame

Mel Spectrum

Mel Cepstrum Cepstrum

Mel Frequency Wrapping

Gambar 2.3 Prosesor MFCC

Proses MFCC diawali dengan membagi sinyal (suara) menjadi beberapa frame melalui proses frame blocking. Setelah itu dilakukan windowing pada setiap frame. Windowing bertujuan untuk meminimalisasi diskontinuitas

sinyal dan

distorsi spektral. Kemudian dari setiap frame dicari spektrum amplitudonya dengan terlebih dahulu mengubah masing-masing frame dari domain waktu ke domain frekuensi dengan menggunakan Fast Fourier Transform (FFT). Selanjutnya dilakukan proses mel-frequency wrapping untuk memperoleh sinyal spektrum dalam mel-scale dari hasil FFT. Langkah terakhir adalah mengubah hasil log mel spectrum ke dalam domain waktu dan menghasilkan MFCC sebagai hasil akhir. Urutan dan cara kerja MFCC dapat dijelaskan sebagai berikut [7].



16 2.3.2.1 Frame Blocking Proses frame blocking dilakukan dengan membagi sinyal suara menjadi sejumlah N-frame berdasarkan persamaan : N = fs x t

(2.2)

dimana : N = jumlah frame fs = frekuensi sampling t = durasi sampel

2.3.2.2 Windowing penyimpangan pada sinyal yang Windowing dilakukan untuk memperkecil penyimpangan diskontinu di awal dan di akhir masing-masing frame. Sinyal suara yang

dipotong-potong menjadi beberapa frame akan menyebabkan efek diskontinuitas sehingga menyebabkan kesalahan data pada proses transformasi Fourier.

Windowing diperlukan untuk mengurangi efek diskontinuitas dari potonganpotongan sinyal. Ada banyak jenis window, misalnya Hamming, Hanning, dan Gaussian.

Masing-masing window memiliki karakteristik tersendiri. Dalam penelitian ini digunakan metode Hamming Window. Metode ini dapat menghasilkan sidelobe level yang tidak terlalu tinggi (kurang lebih -43 dB) dan noise yang dihasilkan tidak terlalu besar. Berikut ini adalah persamaannya : (2.3 )

dimana : N = lebar filter n = 0,1,...,(N-1)/2 , untuk N ganjil n = 0,1,...,(N/2)-1 , untuk N genap Hasil dari proses windowing ini adalah berupa suatu sinyal dengan persamaan : ( 2.4 )



17 2.3.2.3 Discrete Fourier Transform dan Fast Fourier Transform Tujuan utama dari transformasi Fourier ini adalah untuk mengubah sinyal dari domain waktu menjadi spektrum pada domain frekuensi. Dalam pemrosesan suara, proses tersebut sangatlah menguntungkan karena sinyal pada domain frekuensi dapat diproses lebih mudah dibandingkan dengan sinyal pada domain waktu. Hal ini dikarenakan pada domain frekuensi, kuat lemahnya suara tidak

terlalu berpengaruh. Discrete Fourier Transform (DFT) adalah suatu metode yang digunakan untuk mengubah domain suatu gelombang dari domain waktu ke domain frekuensi. Transformasi diskrit merupakan transformasi dimana masukan dan keluaran bernilai diskrit yang digunakan untuk manipulasi di komputer. Rumus DFT untuk mengubah N data dari domain waktu ke domain frekuensi adalah

sebagai berikut [8]: ( 2.5) k = 0,1,2,...,N-1

dimana : = transformasi Fourier X(nT) = sinyal masukan T = interval waktu antar nilai diskrit K = angka harmonik dari komponen transformasi

Fast Fourier Transform (FFT) merupakan algoritma yang lebih cepat dari Discrete Fourier Transform (DFT). FFT dapat mereduksi jumlah perhitungan untuk setiap N data yang sama pada perhitungan DFT sehingga perhitungan yang ada menjadi lebih cepat, khususnya ketika nilai N yang digunakan cukup besar dengan mempergunakan persamaan :

( 2.6 ) dengan k = 0,1,...,N-1

Faktor dari e-j2π/N dapat dituliskan sebagai

, Universitas Indonesia


18 -j2π/N = e

( 2.7)

sehingga persamaan akan menjadi :

( 2.8 ) dengan k = 0, 1, ... , N-1 ;

dimana : = sinyal hasil DFT = sinyal masukan = twidle factors 2

Perhitungan DFT memerlukan operasi sebanyak M , sedangkan FFT dapat memenuhi hal yang sama dengan operasi sebanyak M log2 M. Dengan demikian FFT merupakan fast algorithm untuk mengimplementasikan DFT.

2.3.2.4 Mel Frequency Wrapping Persepsi manusia terhadap frekuensi dari sinyal suara tidak mengikuti

skala linear. Frekuensi yang sebenarnya (dalam Hz) pada sebuah sinyal akan diukur manusia secara subyektif dengan menggunakan mel scale. Skala melfrekuensi adalah pemetaan frekuensi secara secara linear untuk frekuensi dibawah 1 kHz dan logaritmik untuk frekuensi diatas 1 kHz. Sebagai titik referensi, pitch dari

1kHz, 40 dB diatas perceptual hearing threshold, threshold, didefinisikan sebagai 1000 mels. Oleh karena itu, dapat digunakan formula pada persamaan persamaan 2.9 berikut untuk

menghitung mels untuk frekuensi yang diberikan dalam Hz. mel ( f ) = 2595 * log10 (1 + f / 700)

(2.9)

2.3.2.5 Cepstrum Langkah terakhir dalam feature extraction yaitu mengubah kembali log

mel spectrum ke dalam domain waktu. Hasilnya disebut mel frequency cepstrum coeffecient (MFCC). Representatif spectral dari speech spectrum memberikan representatif yang baik untuk local spectral properties dari sinyal suara untuk

analisa frame yang diberikan. Karena mel spectrum coeffecient (dan Universitas Indonesia


19 logaritmiknya) adalah angka real, kita dapat mengubahnya ke time domain menggunakan Discrete Cosine Transform (DCT). Oleh karena itu, mel power spectrum coefficient tersebut merupakan hasil dari langkah terakhir yang ~ ~ dinotasikan dengan S k , dimana k = 1, 2, ... , K. Jadi, MFCC, cn dapat dihitung dengan persamaan 2.10 berikut. K   1 π  ~ c~n = ∑ (log S k ) cos n k −   2 K  k =1  

( 2.10)

dengan k = 1, 2, ... , K dimana : K = jumlah koefisien yang diharapkan

2.3.3 Kuantisasi Vektor Dalam proses mengidentifikasi suara, setiap sinyal akustik harus dapat direpresentasikan secara unik dan dengan cara yang efisien. Dengan kuantisasi vektor sinyal suara dapat direpresentasikan secara unik dan efisien. Pada proses kuantisasi vektor, data dikompresi sedemikian rupa secara signifikan, tetapi masih menunjukkan representasi yang akurat. Tanpa melakukan teknik kuantisasi vektor fitur-fitur suara, maka sistem akan membutuhkan komputasi yang amat kompleks [9]. Kuantisasi vektor merupakan teknik kuantisasi klasik dimana dilakukan pemodelan dari fungsi kepadatan probabilitas dengan distribusi vektor. Kuantisasi vektor memetakan vektor dengan dimensi k pada ruang vektor Rk menjadi suatu bentuk vektor berhingga Y = {yi : i = 1, 2, …, n}. Vektor yi disebut sebagai vektor kode. Vektor-vektor ini merupakan vektor-vektor data yang diperoleh dari hasil ekstraksi yang disebut dengan codeword. Kumpulan dari codeword ini disebut dengan codebook. Salah satu tujuan dari kuantisasi vektor adalah menghasilkan sebuah codebook yang terdiri dari vektor-vektor dalam jumlah relatif sedikit dibandingkan dengan jumlah vektor data. Gambar 2.4 menggambarkan vektor pada suatu ruang dengan garis Universitas Indonesia


20 horizontal menunjukkan nilai real dan garis vertikal menunjukkan nilai imajiner dari vektor. Setiap cluster dari vektor menunjukkan centroid-nya, dan setiap codeword berada pada daerah voroinoi-nya masing-masing. Vektor masukan ditandai dengan x sedangkan centroid ditandai dengan bulatan berwarna merah.

Representasi centroid ditentukan berdasarkan jarak Euclidian terdekat dari vektor masukan. Jarak suatu vektor ke centroid terdekat disebut dengan distorsi. Jarak Euclidian didefinisikan dengan persamaan 2.11 berikut [9]. ( 2.11 )

dimana : xj = komponen ke-j dari vektor masukan yij = adalah komponen ke-j dari codeword yi

Gambar 2.4 Contoh codeword pada ruang dua dimensi[5]

Dalam pembentukan codebook untuk iterasi guna memperbaiki kuantisasi

vektor digunakan General Lloyd Algorithm (GLA) atau disebut algoritma LBG (Linde,Buzo,Gray). Algoritma LBG tersebut dapat diimplementasikan dengan Universitas Indonesia


21 prosedur rekursif sebagai berikut :

1. Mendisain vektor codebook yang merupakan centroid dari keseluruhan vektor training. 2. Melipatgandakan ukuran dari codebook dengan membagi masing-masing codebook Cn menurut aturan : ( 2.11 ) ( 2.12 ) dimana n bervariasi dari satu sampai dengan current size codebook dan epsilon adalah parameter splitting. (epsi = 0,01)

3. 9earest 9eighbour Search Mengelompokkan training vektor yang mengumpul pada blok tertentu. Selanjutnya menentukan centroid dalam current codebook yang terdekat dan memberikan tanda vektor yaitu cell yang diasosiasikan dengan centroid-

centroid yang terdekat. 4. Centroid Update Menentukan centroid baru yang merupakan codeword yang baru pada masing-masing cell dengan menggunakan training vektor pada cell tersebut. 5. Iterasi 1 Mengulang langkah 3 dan 4 sampai jarak rata-rata dibawah present treshold. 6. Iterasi 2 Mengulang langkah 2, 3, dan 4 sampai codebook berukuran M.

Peran kuantisasi vektor dalam proses Hidden Markov Model (HMM) adalah untuk mempersiapkan simbol diskrit dari indeks yang terbatas. Masingmasing sinyal masukan akan dikuantisasi oleh cluster referensi. Masing-masing

masukan yang terkuantisasi dianggap sebagai observasi. Selain itu, kuantisasi vektor berperan dalam meminimalkan distorsi rata-rata setelah ukuran codebook ditentukan. Pada proses pengenalan, total distorsi yang paling kecil antara

codeword dari database dan codebook dari masukan merupakan hasil identifikasi. Universitas Indonesia


22 2.4 Hidden Markov Model Hidden Markov Model (HMM) adalah suatu teknik untuk membentuk model statistik berdasarkan prinsip probabilitas. Model tersebut digunakan untuk meramalkan suatu keluaran berdasarkan data-data yang telah dimasukkan dan training yang telah dilakukan. Model statistik ini merupakan suatu sistem yang diasumsikan sebagai proses Markov dengan parameter- parameter yang belum diketahui dan parameter-parameter yang tersembunyi tersebut harus ditentukan dari parameter yang dapat diamati (observable). Parameter model yang diambil kemudian dapat digunakan untuk keperluan analisis selanjutnya, misalnya untuk aplikasi pengenalan gelombang suara. Bentuk umum dari rantai Markov adalah bentuk ergodic seperti yang dapat dilihat pada Gambar 2.5(a). Namun dapat juga dimodelkan dengan model left- right Markov seperti pada Gambar 2.5(b).

(a)

(b)

Gambar 2.5 Model Markov (a) ergodic (b) left-right[4]

HMM memiliki 3 (tiga) parameter utama yang harus dicari nilainya terlebih dahulu. Ketiga parameter tersebut adalah sebagai berikut. 1.

Parameter A disebut sebagai probabilitas transisi, merupakan probabilitas kedudukan suatu state terhadap semua state yang ada, termasuk kedudukan terhadap state itu sendiri. Parameter A pada HMM dinyatakan dalam sebuah matriks dengan ukuran MxM dimana M adalah jumlah state yang ada. Jika terdiri dari 5 (lima) state, maka setiap state memiliki 5 (lima) hubungan transisi. Oleh karena itu, parameter A dapat dituliskan dalam bentuk matriks seperti pada persamaan 2.13 berikut [7]:



23

(2.13)

2.

Parameter B disebut sebagai probabilitas state, merupakan probabilitas kemunculan suatu state dalam deretan seluruh state yang ada. Parameter B dalam HMM dituliskan dalam bentuk matriks kolom dengan ukuran Mx1, dimana M merupakan jumlah seluruh state yang ada. Misalnya, terdapat n

buah state dalam suatu kondisi, maka matriks B yang terbentuk ditunjukkan oleh persamaan 2.14 berikut [7]:

B=

3.

(2.14)

disebut sebagai probabilitas awal, yaitu probabilitas

Parameter

kemunculan suatu state di awal. Sama halnya dengan parameter B,

parameter

juga dituliskan dalam bentuk matriks kolom dengan ukuran

Mx1 dimana M adalah jumlah state-nya. Parameter

yang dihasilkan

akan ditunjukkan seperti pada persamaan 2.15 berikut [7]:

(2.15)

Elemen π, A, dan B merupakan parameter-parameter Markov dalam HMM yang tidak diketahui atau tersembunyi (hidden). Ketiga parameter tersebut digabungkan menjadi sebuah parameter HMM dan dapat dituliskan dalam bentuk

fungsi λ = ( A, B, π ) . Jika diberikan suatu model P(O|λ) dengan probabilitas urutan Universitas Indonesia


24 observasi O = O1, O2, ... , OT, maka untuk mengetahui nilai probabilitas observasinya diperlukan suatu urutan state yang tetap, misalkan Q = q1 q2 ... qT

( 2.16 )

di mana : q1 = initial-state. Probabilitas urutan observasi O untuk urutan state persamaan (2.17) adalah : ( 2.17 ) Sehingga diperoleh P(O|Q, λ) = bq1(O1) . bq2(O2) ... bqT(OT)

( 2.18 )

Probabilitas dari urutan state Q maka dapat ditulis sebagai berikut ( 2.19 ) Probabilitas gabungan O dan Q yang merupakan probabilitas saat O dan Q muncul bersamaan adalah hasil perkalian dari keduanya atau dapat ditulis sebagai berikut : P(O, Q| λ) = P(O| Q, λ) P(Q, λ) Probabilitas

observasi

O

diperoleh

( 2.20 ) dengan

menjumlahkan

probabilitas

gabungan dari semua kemungkinan urutan state q, yaitu : λ) =

( 2.21 )

atau dapat juga dituliskan sebagai berikut : λ)=

( 2.22 )

Jika terdapat keadaan dimana :

State 1 : waveform segment 1 (w1) State 2 : waveform segment 2 (w2) State 3 : waveform segment 3 (w3) State 4 : waveform segment 4 (w4) State 5 : waveform segment 5 (w5) maka probabilitas dari observasi HMM berdasarkan persamaan (2.22) adalah

sebagai berikut.



25 P(Suara 1 = w1, w2, w2, w1, w1) = P(Suara 2 = w1, w2, w1, w3, w1) =

P(Suara x = w4, w5, w4, w5, w4) = Proses yang terjadi adalah :

1. Gelombang yang telah terbagi menjadi gelombang-gelombang kecil pada frame blocking akan dikenali melalui codebook yang dimiliki. Pada proses pencocokan dengan codebook akan dihitung jarak dari tiap gelombang

dengan centroid-centroid. Jarak terdekat akan menentukan urutan kode observasi. 2. Gelombang yang telah dikenali berdasarkan codebook akan membentuk suatu state. Dari state ini akan dicari nilai masing-masing parameter HMM-nya, yang perhitungannya dicocokkan dengan nilai pada database parameter HMM.

Dari contoh di atas, dapat diketahui bahwa suara 1 terbentuk dari gelombang w1, gelombang w2, gelombang w2, gelombang w1, dan gelombang w1. Tiap suara dibentuk oleh susunan gelombang yang berbeda-beda. Susunansusunan gelombang tersebut memiliki probabilitas transisi yang bergantung terhadap perubahan gelombangnya.



BAB 3 DISAI SIMULASI

Sistem yang akan dirancang menerapkan prinsip aplikasi speech to text. Sinyal suara masukan yang diambil berasal dari satu alat musik, yaitu gitar akustik, sehingga sistem ini pun menerapkan tipe speaker dependent. Chord direkam secara terpisah dalam format “.wav”, sehingga tipe ini memenuhi kriteria isolated word recognition pada pengenalan chord terisolasi. Chord direkam dengan menggunakan software pengolah suara Adobe Audition 1 dan sistem pengenalan chord terisolasi menggunakan software Matlab R2008. Keluaran sistem adalah berupa teks chord yang dikenali. Sistem pengenalan chord terisolasi ini menggunakan file-file simulasi yang berasal dari KTH-Royal University, Swedia [10] dan telah dimodifikasi sebelumnya oleh Angela[3]. Dalam perancangan sistem pengenalan chord ini, terdapat dua proses utama yang harus dilakukan, yaitu proses pelatihan (pembuatan database) dan proses pengenalan suara.

3.1 Pembuatan Database dan Proses Pembelajaran Simulasi ini akan mengonversi sinyal suara chord terisolasi menjadi bentuk teks untuk aplikasi speaker dependent. Untuk mengambil setiap chord, maka dilakukan perekaman untuk 6 label chord dengan nada dasar C, yaitu C mayor, F mayor, G mayor, A minor, D minor, dan E minor. Masing-masing terdiri dari 50 file chord dalam format “.wav”. Pada proses ini, sinyal suara chord yang merupakan sinyal masukan sistem akan mengalami tiga proses utama, yakni tahap pembuatan label masing-masing chord, tahap pembuatan codebook, dan tahap pembentukan parameter-parameter HMM. Gambar 3.1 menunjukkan diagram alir proses pembuatan database sistem pengenalan chord terisolasi.

26 Universitas Indonesia


27 Mulai

Masukkan file suara chord (.wav)

Labelisasi

Pembuatan Codebook

Pembentukan Model HMM

Database Label

Database Codebook

Database HMM

Database

Selesai Gambar 3.1 Diagram alir proses pembuatan database

3.1.1 Tahap Pelabelan Fungsi ini dijalankan dengan perintah make_labels(rep). Fungsi ini membuat sebuah database dari suara-suara yang telah direkam sebelumnya. Filefile sampel suara tersebut akan mengalami proses sampling dengan frekuensi sampling sebesar 8 kHz. Pada proses pembuatan label, tiap-tiap sampel suara chord akan didaftarkan pada suatu label yang diberi nama sesuai dengan nama chord yang dimaksud, misalnya chord C mayor diberi label Cmaj, D minor diberi Universitas Indonesia


28 label Dmin, E minor diberi label Emin, F mayor diberi label Fmaj, G mayor diberi label Gmaj, dan A minor diberi label Amin, sehingga jumlah label sama dengan jumlah chord. Pemberian nama label ini disesuaikan dengan konteks yang umum dipakai dalam penulisan chord. Nama label inilah yang pada akhirnya akan menjadi keluaran pada simulasi pengenalan chord. Proses pelabelan ini dilakukan pada file labelisasi.m dengan tampilan program berupa Guide User Interface (GUI) seperti ditunjukkan pada Gambar 3.2.

Gambar 3.2 Tahap pemberian label chord (contoh : labelisasi untuk repetisi 20)

Berdasarkan tampilan program pada Gambar 3.2, terdapat tiga masukan pada proses pembuatan label-label chord, yaitu indeks label, jumlah training, dan nama label.

1. Indeks label, menunjukkan urutan label yang akan diproses dalam deretan semua chord dan akan disimpan dalam database. Setiap nilai label ini akan tersimpan dalam format “(label + indeks label).mat”. 2. Jumlah training, menunjukkan banyaknya pengulangan atau repetisi (rep) sampel yang akan diproses pada pembuatan database. Jumlahnya disesuaikan dengan keinginan pengguna, tetapi maksimum sebanyak jumlah data-data chord yang telah direkam sebelumnya. 3. Nama label, menunjukkan nama chord yang akan diproses. Nama label ini Universitas Indonesia


29 disesuaikan dengan nama chord yang telah disimpan. Nama label inilah yang nantinya akan menjadi keluaran dalam proses pengenalan chord.

Contoh pemakaiannya sebagai berikut. Indeks label adalah 1, jumlah training adalah 10, dan nama label adalah Cmaj. Berdasarkan masukan tersebut, maka file suara chord C mayor yang tersedia sebanyak 50 data, dari “Cmaj1 – Cmaj50”, akan dilakukan proses repetisi masing-masing sebanyak 10 kali. Label C mayor yang akan terbentuk bernama “Label1.mat”. Demikian seterusnya dilakukan pelabelan sampai semua chord diberi labelnya masing-masing.

3.1.2 Pembuatan Codebook Setelah selesai memberi label pada setiap chord, maka tahap selanjutnya adalah pembuatan atau pemetaan codebook. Proses pemetaan codebook ini dilakukan dengan menggabungkan keseluruhan label yang telah diproses sebelumnya dan melakukan kuantisasi vektor-vektor data seperti yang telah dijelaskan dalam Bab 2. Setelah itu, hasil pemetaan keseluruhan label ini disimpan dalam bentuk file “codebook.mat”. Proses ini diawali dengan menggabungkan keseluruhan label yang akan diproses, kemudian melakukan ekstraksi fitur pada sampel-sampel suara chord (dijelaskan pada Bab 2). Pada bagian ekstraksi fitur akan dihasilkan vektor-vektor data hasil transformasi FFT. Satu bagian sampel mewakili satu sample point, yang merupakan satu vektor data. Setelah itu, vektor-vektor data tersebut dipetakan ke dalam suatu ruang vektor dua dimensi berupa grafik dengan teknik kuantisasi vektor. Dengan teknik kuantisasi vektor ini, setiap vektor dipetakan dari ruang vektor yang besar menjadi daerah yang terbatas. Daerah yang terbatas ini disebut sebagai cluster. Setiap cluster akan direpresentasikan oleh sebuah titik centroid (titik pusat massa) yang disebut sebagai codeword. Kumpulan seluruh codeword ini disebut sebagai codebook. Hasil pemetaan vektor berdasarkan nilai codebook akan disimpan sebagai database codebook yang akan digunakan dalam proses pengenalan chord terisolasi. Universitas Indonesia


30 Program

pemetaan

codebook

ini

dijalankan

dengan

fungsi

VQ_training(speech,ukuran codebook,iterasi) pada file “codebook.m”. Tampilan program pembuatan codebook berbentuk GUI adalah pada Gambar 3.3 berikut.

Gambar 3.3 Tahap pembuatan codebook (contoh : bobot codebook 64, repetisi 20)

Pada Gambar 3.3 terdapat empat masukan untuk proses pemetaan codebook, yaitu : 1. Nama file, merupakan nama file codebook yang diinginkan pemakai dan akan tersimpan dalam format “.MAT”. 2. Ukuran codebook, merupakan ukuran codebook yang akan dijadikan sebagai database. Pada program ini tersedia 32, 64, 128, 256, 512, dan 1024. 3. Iterasi, merupakan banyaknya pengulangan dalam menentukan titik centroid yang presisi. Berdasarkan penelitian sebelumnya [9], ukuran iterasi yang semakin besar akan membuat letak centroid semakin presisi, tetapi akan membuat proses pemetaan codebook berjalan semakin lama. Universitas Indonesia


31 Oleh karena itu, pada program ini disarankan memakai 10 kali iterasi dengan harapan untuk memperoleh hasil yang centroid yang optimum dan proses tidak berjalan lambat. 4. Jumlah label, merupakan banyaknya jumlah label yang telah diproses sebelumnya untuk digabungkan menjadi satu pemetaan codebook.

Tampilan keluaran program ini berupa grafik pemetaan codebook dan file matriks dengan format “.mat”. Gambar grafik seperti pada Gambar 3.3 merupakan hasil pemetaan keseluruhan label chord yang telah diproses sebelumnya. Grafik tersebut juga merepresentasikan keseluruhan sampel yang menjadi vektor-vektor data yang diwakili dalam satu posisi codeword yang dicari. File matriks ini berupa matriks code yang berisi posisi codeword untuk masing-masing label chord dan matriks name yang merupakan nama chord untuk setiap labelnya.

3.1.3 Pembentukan Model HMM dan Proses Pembelajaran. Tahap berikutnya adalah pembentukan parameter-parameter HMM yang akan digunakan dalam proses pengenalan. Tujuan dari metode HMM adalah sebagai metode pelatihan atau pembelajaran dari setiap vektor-vektor data yang ada, dengan mencari nilai probabilitasnya, sehingga nilai probabilitas hasil pembelajaran menjadi semacam acuan dalam mengenali data chord yang akan diuji. Untuk memperoleh berbagai parameter HMM tersebut, diperlukan suatu nilai masukan yang dikenal sebagai state dalam HMM. Keluaran dari proses pembuatan codebook adalah nilai-nilai (posisi) centroid. Nilai ini kemudian diterapkan sebagai state bagi proses pembelajaran dengan metode HMM. Nilainilai (posisi) centroid ini akan membentuk suatu urutan (indeks) yang mewakili urutan penggalan masing-masing sampel. Urutan centroid ini jugalah yang merupakan urutan state dalam pembentukan parameter HMM. Selanjutnya, dilakukan proses pembelajaran HMM yaitu dengan perhitungan log of probability (LoP) untuk 10 iterasi pada tiap-tiap label chord. Universitas Indonesia


32 Program pembentukan parameter-parameter HMM ini dijalankan dengan fungsi make_HMM(file_hmm, file codebook, iterasi) pada file “hmm.m”. Tampilan program HMM berupa GUI adalah seperti Gambar 3.4 berikut.

Gambar 3.4 Tahap pembentukan model HMM (contoh : codebook 64, repetisi 20)

Pada Gambar 3.4 terdapat tiga masukan dalam program pembentukan parameter HMM, yaitu : 1. File HMM, merupakan nama file HMM yang akan disimpan sesuai keinginan pengguna. 2. File VQ-codebook, merupakan nama file pemetaan codebook sesuai dengan database codebook yang sudah dilatih sebelumnya. 3. Iterasi, diisi dengan jumlah iterasi yang diinginkan. Disarankan menggunakan iterasi 10 kali.

Setelah program dijalankan, maka akan ditampilkan grafik yang merepresentasikan nilai probabilitas setiap state berupa LoP terhadap nilai iterasinya. Nilai-nilai LoP ini akan disimpan dalam bentuk matriks dengan nama Universitas Indonesia


33 sesuai dengan nama file HMM. Nilai LoP ini akan menjadi database sebagai acuan perbandingan (nilai yang paling mendekati database) pada proses pengenalan chord.

3.2 Proses Pengenalan Proses pengenalan merupakan bagian terakhir yang akan dicapai. Proses ini merupakan bagian terpenting dari keselurahan sistem simulasi. Pada bagian ini terdapat langkah-langkah yang dilakukan seperti yang terdapat pada proses pembentukan database sebelumnya, tetapi tidak lagi sebagai proses pembelajaran. Gambar 3.5 berikut menunjukkan diagram alir proses pengenalan chord tersebut. File suara chord baru yang akan diidentifikasi (dalam format “.wav”) dibaca sebagai masukan oleh sistem. File masukan ini kemudian diekstraksi menjadi sampel dan dilanjutkan dengan mengonversi potongan-potongan sampel tersebut ke dalam domain frekuensi dengan transformasi FFT. Hasil transformasi tersebut akan menghasilkan vektor-vektor data. Vektor-vektor data tersebut kemudian dipetakan pada codebook yang sama dengan database codebook yang telah dilatih sebelumnya. Dari pemetaan tersebut akan terdapat perbandingan vektor-vektor data masukan dengan centroid codebook database yang telah presisi. Akibatnya, dalam proses ini akan ditentukan letak centroid dari vektorvektor data yang lebih dekat dengan centroid pada database. Setelah nilai dan posisi centroid dari sampel diketahui, maka dapat ditentukan kombinasi urutan centroid sebagai urutan state yang nantinya akan digunakan dalam menentukan parameter-parameter HMM. Dari nilai-nilai parameter HMM yang diperoleh, maka dalam sistem ini dapat ditentukan nilai log of probability (LoP) dari sampel terhadap label-label chord pada database. Banyaknya nilai LoP yang diperoleh akan sama dengan banyaknya jumlah label-label chord pada database. Penentuan pengenalan chord sebagai keluaran sistem ditentukan berdasarkan nilai LoP yang paling tinggi yaitu yang paling mewakili karakteristik sampel. Universitas Indonesia


34 Mulai

Masukkan file suara chord (.wav)

Ekstraksi Fitur Database

Pembuatan Codebook Database Codebook Pembentukan Model HMM Database HMM Menghitung nilai Log Of Probability

Mengambil nilai Log Of Probability maksimum Database Label Mengidentifikasi chord

Selesai Gambar 3.5 Diagram alir proses pengenalan chord terisolasi



35 Tampilan program pengenalan chord dalam bentuk GUI dapat dilihat pada Gambar 3.6 berikut.

Gambar 3.6 Tampilan proses pengenalan chord terisolasi

Pada program tersebut terdapat tiga masukan, yaitu : 1. File HMM. Diisi sesuai dengan nama file HMM database yang telah dilatih sebelumnya. 2. File codebook. Diisi sesuai dengan nama file codebook database sebelumnya. 3. File chord uji. Diisi dengan nama file chord masukan yang akan diuji coba (“.wav”).

Untuk menjalankan simulasi pengenalan chord, tekan tombol proses. Keluaran akan muncul pada layar. Keluaran ini berupa nama chord yang merupakan hasil akhir dari sistem pengenalan chord terisolasi dengan metode HMM.



BAB 4 HASIL SIMULASI DA A ALISIS

4.1 Hasil Simulasi Simulasi pada penelitian ini adalah mengenali chord gitar akustik terisolasi secara offline (non real time), yang terbatas pada nada C mayor triad. Oleh karena itu, pada percobaan akan ada enam label chord yang dimulai dari nada dasar C, yaitu C mayor, D minor, E minor, F mayor, G mayor, dan A minor. Pemilihan enam label saja pada penelitian ini disebabkan karena nada dasar C mayor nada dasar yang umum dan sering dipakai dalam sebuah musik, serta untuk melihat tingkat akurasi pengenalan chord dengan nada dasar C. Banyaknya file chord yang akan diuji berjumlah 10 untuk masing-masing label chord tersebut. Berikut ini disajikan nama chord, nama label chord, serta file yang akan diuji coba dalam simulasi pada Tabel 4.1. Tabel 4.1 Nama chord dan file chord uji coba Nama

Label File uji coba (.wav)

chord

chord

1.

C mayor

Cmaj

Cmaj41 – Cmaj50

2.

D minor

Dmin

Dmin41 – Dmin50

3.

E minor

Emin

Emin41 – Emin50

4.

F mayor

Fmaj

Fmaj41 – Fmaj50

5.

G mayor

Gmaj

Gmaj41 – Gmaj50

6.

A minor

Amin

Amin41 – Amin50

Nomor

Pada penelitian ini, pengujian dilakukan dengan memvariasikan parameter jumlah repetisi dan bobot codebook. Keseluruhan pengujian tersebut meliputi : 1. Uji coba sampel dengan jumlah repetisi 10 dan ukuran codebook 32. 36 Universitas Indonesia


37 2. Uji coba sampel dengan jumlah repetisi 10 dan ukuran codebook 64. 3. Uji coba sampel dengan jumlah repetisi 10 dan ukuran codebook 128. 4. Uji coba sampel dengan jumlah repetisi 20 dan ukuran codebook 32. 5. Uji coba sampel dengan jumlah repetisi 20 dan ukuran codebook 64. 6. Uji coba sampel dengan jumlah repetisi 20 dan ukuran codebook 128.

Setelah melakukan pengujian terhadap enam variasi tersebut, diperoleh hasil uji coba yang ditampilkan dalam Tabel 4.1 sampai Tabel 4.9. Pada setiap tabel akan diberikan tanda merah yang menunjukkan bahwa sistem salah mengenali chord dan tanda hitam yang menunjukkan bahwa sistem benar mengenali chord.

4.1.1 Hasil Uji Coba Chord C Mayor Pada Tabel 4.2 dapat dilihat seluruh hasil uji coba program dengan untuk chord C mayor. Tabel 4.2 Hasil uji coba chord C mayor Jumlah repetisi Bobot codebook

10 32

File pengujian

20

64

128

32

Hasil identifikasi

(.wav)

64

128

Hasil identifikasi

Cmaj41

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj42

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj43

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj44

Gmaj

Cmaj

Cmaj

Gmaj

Cmaj

Cmaj

Cmaj45

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj46

Emin

Cmaj

Cmaj

Fmaj

Cmaj

Cmaj

Cmaj47

Gmaj

Gmaj

Cmaj

Cmaj

Gmaj

Cmaj

Cmaj48

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj



38 Cmaj49

Cmaj

Cmaj

Gmaj

Cmaj

Cmaj

Cmaj

Cmaj50

Cmaj

Cmaj

Cmaj

Amin

Cmaj

Cmaj

4.1.2 Hasil Uji Coba Chord D Minor Pada Tabel 4.3 dapat dilihat seluruh hasil uji coba program dengan untuk chord D minor. Tabel 4.3 Hasil uji coba chord D minor Jumlah repetisi Bobot codebook File pengujian (.wav)

10 32

20

64

128

32

Hasil identifikasi

64

128

Hasil identifikasi

Dmin41

Dmin

Dmin

Dmin

Dmin

Dmin

Dmin

Dmin42

Dmin

Dmin

Dmin

Cmaj

Dmin

Dmin

Dmin43

Gmaj

Gmaj

Dmin

Gmaj

Fmaj

Dmin

Dmin44

Dmin

Dmin

Dmin

Dmin

Dmin

Dmin

Dmin45

Dmin

Dmin

Dmin

Dmin

Dmin

Dmin

Dmin46

Amin

Gmaj

Emin

Dmin

Dmin

Dmin

Dmin47

Dmin

Dmin

Dmin

Cmaj

Dmin

Dmin

Dmin48

Dmin

Dmin

Dmin

Dmin

Dmin

Dmin

Dmin49

Dmin

Dmin

Dmin

Fmaj

Dmin

Dmin

Dmin50

Dmin

Dmin

Dmin

Dmin

Dmin

Dmin

4.1.3 Hasil Uji Coba Chord E Minor Pada Tabel 4.4 dapat dilihat seluruh hasil uji coba program dengan untuk chord E minor.



39 Tabel 4.4 Hasil uji coba chord E minor Jumlah repetisi Bobot codebook

10 32

File pengujian

20

64

128

32

Hasil identifikasi

(.wav)

64

128

Hasil identifikasi

Emin41

Amin

Emin

Emin

Emin

Emin

Emin

Emin42

Amin

Emin

Emin

Emin

Emin

Emin

Emin43

Amin

Amin

Amin

Emin

Emin

Emin

Emin44

Amin

Emin

Emin

Emin

Emin

Emin

Emin45

Emin

Emin

Emin

Emin

Emin

Emin

Emin46

Amin

Emin

Emin

Emin

Emin

Emin

Emin47

Emin

Emin

Emin

Emin

Emin

Emin

Emin48

Amin

Amin

Amin

Emin

Emin

Emin

Emin49

Emin

Emin

Emin

Emin

Emin

Emin

Emin50

Cmaj

Emin

Emin

Emin

Emin

Emin

4.1.4 Hasil Uji Coba Chord F Mayor Pada Tabel 4.5 dapat dilihat seluruh hasil uji coba program dengan untuk chord F mayor. Tabel 4.5 Hasil uji coba chord F mayor Jumlah repetisi Bobot codebook

10 32

File pengujian

20

64

128

32

Hasil identifikasi

(.wav)

64

128

Hasil identifikasi

Fmaj41

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj42

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj43

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj



40 Fmaj44

Gmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj45

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj46

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj47

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj48

Gmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj49

Gmaj

Gmaj

Cmaj

Fmaj

Fmaj

Fmaj

Fmaj50

Emin

Fmaj

Fmaj

Fmaj

Fmaj

Fmaj

4.1.5 Hasil Uji Coba Chord G Mayor Pada Tabel 4.6 dapat dilihat seluruh hasil uji coba program dengan untuk chord G mayor. Tabel 4.6 Hasil uji coba chord G mayor Jumlah repetisi Bobot codebook

10 32

File pengujian

20

64

128

32

Hasil identifikasi

(.wav)

64

128

Hasil identifikasi

Gmaj41

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Gmaj42

Gmaj

Gmaj

Gmaj

Fmaj

Gmaj

Gmaj

Gmaj43

Gmaj

Gmaj

Gmaj

Gmaj

Gmaj

Gmaj

Gmaj44

Gmaj

Gmaj

Gmaj

Gmaj

Gmaj

Gmaj

Gmaj45

Dmin

Dmin

Dmin

Gmaj

Gmaj

Gmaj

Gmaj46

Gmaj

Cmaj

Gmaj

Gmaj

Gmaj

Gmaj

Gmaj47

Gmaj

Gmaj

Gmaj

Emin

Gmaj

Gmaj

Gmaj48

Gmaj

Gmaj

Gmaj

Gmaj

Dmin

Gmaj

Gmaj49

Gmaj

Gmaj

Gmaj

Dmin

Gmaj

Gmaj

Gmaj50

Gmaj

Gmaj

Gmaj

Gmaj

Dmin

Gmaj



41 4.1.6 Hasil Uji Coba Chord A Minor Pada Tabel 4.7 dapat dilihat seluruh hasil uji coba program dengan untuk chord A minor. Tabel 4.7 Hasil uji coba chord A minor Jumlah repetisi Bobot codebook

10 32

File pengujian

20

64

128

32

Hasil identifikasi

(.wav)

64

128

Hasil identifikasi

Amin41

Amin

Amin

Amin

Amin

Amin

Amin

Amin42

Amin

Amin

Amin

Amin

Amin

Amin

Amin43

Cmaj

Cmaj

Cmaj

Cmaj

Cmaj

Amin

Amin44

Amin

Amin

Amin

Gmaj

Amin

Amin

Amin45

Amin

Amin

Amin

Amin

Amin

Amin

Amin46

Amin

Amin

Amin

Amin

Amin

Amin

Amin47

Amin

Amin

Amin

Amin

Amin

Amin

Amin48

Amin

Amin

Amin

Amin

Amin

Amin

Amin49

Emin

Emin

Emin

Amin

Amin

Amin

Amin50

Amin

Amin

Amin

Amin

Amin

Amin

4.2 Pengolahan Hasil Percobaan Setelah seluruh hasil uji coba diperoleh, maka persentase pengenalan masing-masing label chord dapat diperoleh dengan membagi jumlah chord yang teridentifikasi benar terhadap jumlah chord yang diuji coba. Hasil pengenalan masing-masing label chord terisolasi untuk semua variasi disajikan dalam Tabel 4.8 berikut



42 Tabel 4.8 Persentase pengenalan masing-masing label chord Jumlah repetisi Bobot codebook Label chord

10 32

64

20 128

32

% Akurasi pengenalan chord

64

128

% Akurasi pengenalan chord

Cmaj

70%

90%

90%

70%

90%

100%

Dmin

80%

80%

90%

60%

90%

100%

Emin

30%

80%

70%

100%

100%

100%

Fmaj

60%

90%

90%

100%

100%

100%

Gmaj

80%

70%

80%

60%

70%

90%

Amin

80%

80%

80%

80%

90%

100%

Pasangan chord dengan nada C mayor adalah 6 label chord tersebut. Berdasarkan hasil yang diperoleh dari masing-masing label chord pada Tabel 4.8 di atas, maka rata-rata akurasi sistem pengenalan chord dengan nada dasar C dapat diperoleh dengan menjumlahkan total akurasi enam label tersebut kemudian membagi enam. Rata-rata akurasi pengenalan pasangan chord terisolasi untuk nada dasar C ditunjukkan pada Tabel 4.9 berikut. Tabel 4.9 Hasil akurasi keseluruhan sistem Jumlah repetisi

10

20

Bobot codebook

% Akurasi sistem

32

66,67%

64

81,67%

128

83,33%

32

78,33%

64

90,00%

128

98,33%

4.3 Analisis Secara umum, analisis yang dilakukan dalam penelitian ini mencakup tiga hal, yakni analisis sistem pengenalan sinyal masukan chord, analisis unjuk kerja berdasarkan variabel repetisi, dan analisis unjuk kerja berdasarkan variabel Universitas Indonesia


43 codebook.

4.3.1 Analisis Sistem Pengenalan Sinyal Masukan Chord Sistem pengenalan sinyal masukan chord pada skripsi ini terdiri dari enam jenis suara chord yang berbeda termasuk durasinya, sehingga bentuk gelombang bahkan hasil ekstraksi suara masing-masing chord akan memiliki karakteristik yang berbeda-beda. Pada tahap pengenalan, sistem akan membandingkan jenis gelombang suara yang dikenali dengan dengan gelombang suara yang tersimpan di dalam database. Berdasarkan hasil percobaan terhadap beberapa variasi data yang telah dilakukan, maka sistem pengenalan chord terisolasi ini memiliki dua kondisi, yaitu : 1. Sistem mengidentifikasi masukan dengan benar. Kondisi ini terjadi saat hasil pengenalan sesuai dengan masukan yang diberikan. Pada hasil akhir ditandai dengan nilai Log of Probability (LoP) tertinggi label chord, serta merupakan jenis gelombang yang sesuai dengan masukan. 2. Sistem salah mengidentifikasi masukan. Kondisi ini terjadi jika hasil pengenalan sistem berbeda dengan masukan yang diberikan. Label chord dengan LoP tertinggi bukan merupakan jenis gelombang yang sesuai dengan masukan. Pada kondisi ini, sistem tetap akan membandingkan suara masukan dengan database. Sistem akan tetap menjadikan nilai LoP tertinggi sebagai pengenalannya, meskipun berbeda dengan masukan yang diberikan.

Secara umum, faktor-faktor yang mempengaruhi sistem pengenalan chord terisolasi ini antara lain kualitas perangkat keras yang digunakan dalam merekam, tuning instrumen gitar, variasi strum (pukulan), dan kondisi lingkungan sekitar saat perekaman. Berikut ini adalah penjelasan masing-masing faktor tersebut.



44 1. Kualitas perangkat keras. Pada percobaan, mikropon dan soundcard yang digunakan cukup memenuhi standard, tetapi speaker yang digunakan tidak terlalu mendukung, sehingga suara yang dihasilkan tidak sebaik suara yang direkam. Hal ini menjadi salah satu faktor yang menjadi kekurangan sistem ini. 2. Kondisi lingkungan juga sangat berpengaruh pada unjuk kerja sistem baik saat repetisi maupun saat pengenalan. Kondisi lingkungan berkaitan erat dengan derau. Pengaruh derau tersebut tergantung pada keras bunyi atau jauhnya jarak pada saat merekam suara chord tersebut. Pengaruh derau pun berbeda-beda untuk setiap kondisi lingkungan, misalnya antara lingkungan yang memiliki pendingin ruangan dengan yang tidak, maupun antara ruangan yang cukup sepi dengan yang agak ramai. Dalam hal ini, sistem dirancang pada kondisi derau yang seminimal mungkin dari lingkungan sekitar untuk meminimalkan kesalahan pada pengenalan. 3. Tuning alat musik. Idealnya, sebelum memainkan gitar, harus dilakukan tuning nada pada setiap senar untuk memperoleh nada yang presisi untuk tiap senar gitar. Tuning dapat dilakukan dengan alat tuning khusus, maupun dengan mencocokkannya dengan suara piano/keyboard. Pada penelitian ini, tuning dilakukan secara manual tanpa bantuan alat tuning untuk mencocokkan, sehingga pengaruh persepsi pendengaran dalam melakukan tuning akan sangat mempengaruhi tingkat presisi dari tuning setiap senar setiap kali merekam. 4. Variasi strum (pukulan) gitar. Variasi yang diberikan adalah cepat, lembut, biasa, keras. Empat variasi ini akan dikumpulkan menjadi satu bagian dalam database untuk masing-masing label chord. Jumlah data masingmasing variasi yang disimpan dalam database akan mempengaruhi proses pengenalan.

Melalui informasi yang diperoleh dari Tabel 4.9, terlihat bahwa tingkat akurasi sistem cukup baik, yaitu 66,67% sampai 98,33%. Berdasarkan hasil Universitas Indonesia


45 percobaan seluruh variasi tersebut, maka tingkat akurasi atau unjuk kerja sistem dalam mengenali chord terisolasi sangat dipengaruhi oleh bobot codebook dan jumlah repetisi (repetisi) yang diberikan dalam simulasi. Berdasarkan Tabel 4.9 tersebut, dengan menaikkan bobot codebook dan jumlah repetisi, maka kesalahan dalam pengenalan yang disebabkan oleh faktor-faktor tersebut menjadi semakin kecil.

4.3.2 Analisis Unjuk Kerja Sistem Berdasarkan Variabel Codebook Berdasarkan Tabel 4.9 di atas, dengan jumlah repetisi yang tetap, peningkatan bobot codebook mengakibatkan peningkatan akurasi. Peningkatan akurasi pengenalan sistem disebabkan oleh semakin bertambahnya jumlah codeword atau codevector seiring dengan bertambahnya bobot codebook yang diberikan. Dengan codeword yang semakin besar, rentang kuantisasi vektor data akan semakin teliti, sehingga pemetaan vektor-vektor data dapat dilakukan dengan jarak distorsi (jarak antara sebuah vektor data dengan codeword terdekat) yang lebih kecil pada akhir iterasi. Berikut ini adalah contoh hasil perhitungan nilai LoP pada chord A minor dengan repetisi tetap 20 dan codebook ditingkatkan dari 64 menjadi 128.

chord uji : Amin43 codebook : 64 Label Log of Probability -------------------------1 -114.729915 4 -115.320109 2 -151.268146 3 -153.505107 5 -165.297982 6 -284.654786 chord yang dikenali :

Cmaj

chord uji : Amin43 codebook : 128 Universitas Indonesia


46 Amin43: Label Log of Probability -------------------------4 -139.897716 1 -165.404392 2 -197.956064 5 -228.353840 3 -297.455640 6 -324.881300 chord yang dikenali :

Amin

Berdasarkan hasil perhitungan nilai LoP tersebut dapat dilihat bahwa ketika bobot codebook 64, nilai LoP chord C mayor (label 1) sangat dekat nilainya dengan chord A minor (label 4). Hal ini menandakan bahwa pada bobot codebook 64 dan repetisi 20 bentuk kuantisasi vektor gelombang suara kedua chord tersebut terlihat mirip, sehingga proses komputasi mengidentifikasi sebagai C mayor. Berdasarkan pasangan chord, chord A minor dan C mayor saling memiliki nada yang sama, yaitu nada C dan E, sehingga hal tersebut memungkinkan terjadinya kemiripan pada percobaan ini [11]. Namun, ketika bobot codebook dinaikkan menjadi 128, nilai LoP chord A minor jauh lebih besar dibandingkan dengan C mayor. Hal ini berarti dengan menaikkan bobot codebook, vektor-vektor data yang telah dikuantisasi pada database menjadi lebih representatif terhadap gelombang yang dikenali. Selain hal tersebut, dalam penelitian ini dan melalui hasil percobaan yang diperoleh, peningkatan ukuran codebook dalam sistem pengenalan, akan membutuhkan jumlah bit yang lebih banyak dalam merepresentasikan vektorvektor data. Hal tersebut mengakibatkan sistem memerlukan kapasitas memori yang lebih besar untuk menyimpan hasil pengkodean setiap vektor data. Meningkatnya kapasitas memori yang dibutuhkan disebabkan tiap vektor data dikodekan dengan jumlah bit yang semakin besar [9]. Selain itu, peningkatan jumlah bit ini juga mempengaruhi durasi proses pembuatan database. Durasi pelatihan database akan meningkat seiring dengan meningkatnya bobot codebook. Pemilihan peningkatan bobot codebook akan membuat vektor-vektor data semakin representatif. Hal tersebut juga merupakan pilihan yang lebih baik dibandingkan dengan peningkatan jumlah iterasi karena waktu komputasi Universitas Indonesia


47 pembuatan codebook lebih sedikit dibandingkan peningkatan jumlah iterasi.

4.3.3 Analisis Unjuk Kerja Sistem Berdasarkan Variabel Repetisi Perubahan jumlah repetisi berpengaruh signifikan terhadap tingkat akurasi, baik masing-masing label, maupun keseluruhan sistem. Berdasarkan Tabel 4.9 sistem mengalami kenaikan akurasi 16,67 % (66,67% - 83,33%) untuk 10 kali repetisi dan kenaikan akurasi 20% (78,33% - 98,33%) untuk 20 kali repetisi. Peningkatan akurasi sitem yang signifikan disebabkan karena peningkatan jumlah repetisi akan membuat jumlah data dari gelombang suara yang dilatih menjadi semakin banyak. Hal ini mengakibatkan isi database yang belum representatif oleh repetisi sebelumnya menjadi tercakup dalam repetisi yang lebih banyak. Berdasarkan Tabel 4.8, dengan jumlah repetisi 10, chord C mayor mengalami peningkatan akurasi dari 70% (codebook 32) menjadi 90% (codebook 64) dan mengalami saturasi 90% pada codebook 128. Namun, dengan meningkatkan jumlah repetisi, maka dengan bobot codebook yang sama, akurasi chord C mayor menjadi 100 % pada codebook 128. Berdasarkan hasil percobaan pengenalan chord E minor dengan jumlah repetisi 10 pada Tabel 4.8 juga diperoleh bahwa dengan ukuran codebook 128 tidak terjadi peningkatan, tetapi penurunan dari codebook 64. Hal ini karena dengan codebook 64 untuk repetisi 10 sistem mengalami saturasi atau over trained, sehingga unjuk kerja sistem menurun dari 80% menjadi 70%. Begitu juga halnya dengan chord G mayor yang mengalami penurunan akurasi pada codebook 64 dan repetisi 10. Namun, dengan ukuran codebook yang ditingkatkan, unjuk kerja mengalami peningkatan dengan jumlah repetisi yang sama dan mencapai 80% untuk codebook 128. Pada percobaan dengan repetisi dinaikkan menjadi 20, hasil percobaan pada Tabel 4.8 menunjukkan sistem mengalami peningkatan akurasi dengan jumlah codebook yang ditingkatkan, sehingga akurasi beberapa label chord mencapai 100%. Fenomena-fenomena tersebut disebabkan oleh semakin banyaknya nilai dari variasi sinyal suara ketika jumlah repetisi ditingkatkan, sehingga mengakibatkan Universitas Indonesia


48 semakin banyaknya nilai-nilai koefisien yang akan diekstrak dari sinyal suara. Dengan bobot codebook yang rendah, maka kuantisasi vektor dari titik-titik yang banyak ini menjadi tidak tepat karena distorsinya menjadi besar. Sebaliknya, ketika bobot codebook ditingkatkan, maka kesalahan distorsi pada kuantisasi vektor menjadi lebih kecil, sehingga kesalahan pada pengenalan chord menjadi minimal. Peningkatan

tingkat

akurasi

disebabkan

gelombang

suara

yang

sebelumnya tidak teridentifikasi kemudian dapat diidentifikasi pada tahap penambahan repetisi. Penambahan jumlah repetisi menyebabkan masing-masing label akan memiliki sejumlah data baru dalam proses pelatihan terhadap keseluruhan gelombang yang berbeda dengan kondisi sebelumnya yang juga akan mempengaruhi proses pembentukan codebook dan model HMM, sehingga perhitungan untuk mendapatkan nilai probabilitas (LoP) juga ikut berubah. Berikut ini adalah contoh perbandingan hasil percobaan chord A minor dengan adanya perubahan LoP ketika jumlah variabel repetisi ditingkatkan dari 10 menjadi 20.

chord uji : Amin46 Repetisi : 10 codebook : 64 Label Log of Probability -------------------------4 -107.161768 6 -130.917308 1 -194.503877 2 -205.083313 3 -228.832683 5 -238.774041 chord yang dikenali :

Amin

chord uji : Amin46 Repetisi : 20 codebook : 64



49 Label Log of Probability -------------------------4 -87.078501 6 -114.220018 5 -125.881196 2 -184.192866 1 -198.148902 3 -203.126013 chord yang dikenali :

Amin

Dari contoh perbandingan di atas terlihat adanya peningkatan nilai LoP pada pengenalan chord A minor dari 10 kali repetisi menjadi 20 kali repetisi dengan codebook tetap 64. Peningkatan nilai LoP tersebut akan meningkatkan nilai akurasi sistem secara keseluruhan. Nilai Hasil percobaan seluruhnya pada simulasi ini terdapat dalam bagian Lampiran. Berdasarkan hasil percobaan pada Tabel 4.8 dan Tabel 4.9, maka hasil percobaan yang paling optimum untuk keseluruhan sistem adalah uji coba dengan kombinasi variasi bobot codebook 128 dan repetisi 20 yang menghasilkan akurasi sistem sebesar 98,33%.



BAB 5 KESIMPULA

Berdasarkan hasil uji coba simulasi perangkat lunak pada sistem pengenalan chord dengan metode HMM yang telah dilakukan, maka dapat diambil beberapa kesimpulan, yaitu : 1. Tingkat akurasi sistem dipengaruhi oleh jumlah repetisi dan bobot codebook yang diberikan saat proses pembuatan database (pelatihan). 2. Semakin besar jumlah repetisi yang diberikan, maka semakin bertambah tingkat akurasi sistem. 3. Semakin besar bobot codebook yang diberikan, maka semakin bertambah pula akurasi sistem. 4. Penambahan bobot codebook dan repetisi pada pelatihan membuat waktu proses pembuatan database juga bertambah. 5. Nilai akurasi sistem pengenalan chord terisolasi yang dicapai adalah 66,67% sampai 98,33%. 6. Berdasarkan hasil percobaan yang dilakukan, akurasi sistem paling optimal adalah kombinasi variasi codebook 128 dengan repetisi 20, yang menghasilkan tingkat akurasi 98,33%.

50 Universitas Indonesia


REFERENSI

[1] Herdian, Iwan. (2007). Analisis Audio MIDI dengan Menggunakan MIDI Toolbox pada Matlab Visualisasi Melodi, Kontur Melodi, Melodic Similarity dan Sequence. Seminar, Universitas Indonesia, Depok. [2] Lee, Kyogu dan Malcom Slanley. (2008). Acoustic Chord Transcription and Key Extraction from Audio Using Key Dependent HMMs Trained on Synthesized Audio. New York : IEEE. [3] Anggundari, Angela. (2001). Modifikasi Speech Recognition pada Ericsson T18s Voice Dialing dengan Metode Hidden Markov Models Diskrit untuk Aplikasi Speaker Dependent dan Speaker Independent. Skripsi, Fakultas Teknik, Universitas Indonesia, Depok. [4] Data-compression.com.(n.d.). 10 November 2009. Diakses dari : http://www.data-compression.com/vq.shtml [5] Hartaman, M. Rizky. (2009). Rancang Bangun Sistem Pengenalan Penyakit Jantung dengan Metode Hidden Markov Model. Skripsi, Fakultas Teknik, Universitas Indonesia, Depok. [6] Uchat, Nirav S., (2006). Hidden Markov Model and Speech Recognition. Lecturer Handout. [7] Alfarisi, Lutfie Salman. (2007). Speech Recognition dengan Hidden Markov Model menggunakan DSP Starter Kit TMS320C6713. Skripsi, Fakultas Teknik, Universitas Indonesia, Depok. [8] Ifeachor, Emmanuel C., Barrie W. Jervis. (2002). Digital Signal Processing:Practical Approach. New Jersey : Prentice Hall. [9] W., Fawwaz Al Maki. (2000). The Comparison of Vector Quantization Algorithms in Fish Species Acoustics Voice Recognition Using Hidden Markov Model. Skripsi, Fakultas Teknik, Universitas Indonesia, Depok. [10] Kovacevic, Mauricio Aracena. (2000). Matlab 5.3 [ discrete HMM toolkit ]. Sweden : KTH- Royal Institute of Technology. Diakses dari : 51 Universitas Indonesia


52 http://www.s3.kth.se/signal/local/www/edu/projeckt/students/00/yellow/softw are.html , Oktober 2009. [11] Lee,Kyogu dan Malcom Slanley. (2007). A Unified System for ChordTranscription and Key Extraction Using Hidden Markov Models. Austrian Computer Society (OCG).



Jumlah Repetisi (training) = 20 Bobot Codebook = 128 Durasi operasi HMM = 11,8 s Akurasi sistem = 98,33%

Cmaj41: Label Log of Probability -------------------------1 -133.781383 6 -201.115786 4 -211.619820 3 -273.523764 2 -278.611514 5 -302.984683


chord yang dikenali :


Cmaj

Cmaj42: Label Log of Probability -------------------------1 -115.389806 3 -178.116664 4 -249.690174 6 -253.660567 2 -300.476848 5 -340.065964 chord yang dikenali :


Cmaj chord yang dikenali :


Cmaj

Cmaj

Cmaj


Cmaj





Cmaj


Fmaj41: Label Log of Probability -------------------------2 -116.439131 3 -200.873405 1 -206.634369 5 -238.375262 4 -248.053262 6 -257.852165



Cmaj

Fmaj




Fmaj





Fmaj

Fmaj





Fmaj

Fmaj45: Label Log of Probability -------------------------2 -132.212094 4 -235.210183 5 -238.965022 3 -288.564093 6 -288.751447 1 -343.561800 chord yang dikenali :

Gmaj41: Label Log of Probability -------------------------1 -131.216558 3 -147.516405 2 -229.867930 4 -232.439781 6 -236.657513 5 -276.462006

Fmaj chord yang dikenali :


Gmaj42: Label Log of Probability -------------------------3 -125.572807 2 -163.354833 5 -190.660876 1 -208.873738 6 -245.439201 4 -253.346704 chord yang dikenali :

Gmaj




Cmaj

Fmaj


Fmaj

Gmaj




Gmaj


Amin41: Label Log of Probability -------------------------4 -147.592463 2 -174.440263 1 -214.609002 5 -217.558245 6 -226.169342 3 -230.593409



Gmaj

Amin





Gmaj

Amin





Gmaj

Amin





Gmaj

Amin





Gmaj

Amin





Gmaj


Amin


Dmin43: Label Log of Probability -------------------------5 -136.350638 2 -169.985823 3 -171.105786 1 -182.602089 4 -215.066077 6 -224.336368



Amin

Dmin





Amin

Dmin




chord yang dikenali : Dmin Dmin46: Label Log of Probability -------------------------5 -131.214464 6 -202.796418 3 -215.596700 4 -219.812644 2 -223.247575 1 -226.498159

Amin


chord yang dikenali : chord yang dikenali :

Dmin41: Label Log of Probability -------------------------5 -106.339019 6 -238.663645 2 -240.628088 4 -298.553628 3 -318.971323 1 -326.330002 chord yang dikenali :

Dmin


Dmin

Amin Dmin47: Label Log of Probability -------------------------5 -132.752301 2 -186.349946 4 -195.674784 1 -210.406296 3 -227.974487 6 -238.273462 chord yang dikenali :

Dmin


Dmin


Dmin


Emin45: Label Log of Probability -------------------------6 -117.245170 5 -168.813477 4 -176.141452 3 -249.938977 2 -317.209438 1 -348.711753



Dmin

Emin





Dmin


Emin47: Label Log of Probability -------------------------6 -120.555244 5 -238.139537 3 -244.646418 2 -290.033748 4 -301.633452 1 -338.244598 chord yang dikenali :




Emin

Emin




Emin

Emin


Emin

Emin


Emin

Emin


Emin

Jumlah Repetisi (training) = 20 Bobot Codebook = 64 Durasi operasi HMM = 7,2 s Akurasi sistem = 90,00% Cmaj41 - Cmaj50 Label Log of Probability -------------------------1 -92.186784 4 -148.059513 5 -149.297300 6 -157.004170 2 -229.911864 3 -231.676390 chord yang dikenali :

Cmaj

Label Log of Probability -------------------------1 -96.422853 3 -140.132821 5 -178.254761 4 -193.063610 2 -193.860061 6 -236.745049 chord yang dikenali :

Cmaj


Cmaj



Gmaj


Cmaj


Cmaj


Cmaj

Fmaj41 - Fmaj50 chord yang dikenali :

Cmaj


Cmaj



Fmaj


Cmaj


Fmaj

Label Log of Probability -------------------------2 -117.821077 5 -140.891142 3 -170.240506 4 -218.058681 1 -221.017263 6 -232.355002




Fmaj


Fmaj


Fmaj


Fmaj


Fmaj


Fmaj


Fmaj

Fmaj

Gmaj41 – Gmaj50 Label Log of Probability -------------------------1 -98.837964 3 -110.378381 4 -125.721056 5 -153.843176 2 -156.827788 6 -218.726200 chord yang dikenali :

Cmaj


Gmaj


Gmaj


Gmaj


Gmaj



Gmaj





Gmaj

Amin





Dmin

Amin





Gmaj

Amin





Dmin

Amin41 – Amin50 Label Log of Probability -------------------------4 -108.623058 2 -157.459167 3 -162.799894 6 -174.796608 1 -193.060886 5 -236.950439 chord yang dikenali :

Amin


Amin


Amin


Amin


Amin


Cmaj


Amin

Dmin41 – Dmin50 Label Log of Probability -------------------------5 -84.085746 2 -116.436082 6 -200.628423 3 -222.052936 4 -246.962494 1 -271.215189 chord yang dikenali :

Dmin


Dmin



Dmin


Dmin


Dmin

Fmaj Emin41 – Emin50



Dmin chord yang dikenali :





Emin




Emin

Emin




Emin





Emin

Emin





Emin

Emin





Emin


Emin

Jumlah Repetisi (training) = 20 Bobot Codebook = 32 Durasi operasi HMM = 5,2 s Akurasi sistem = 78,33%

Cmaj41 – Cmaj50 Label Log of Probability -------------------------1 -79.897930 6 -90.330643 2 -91.951991 4 -103.348210 5 -103.934440 3 -126.137788 chord yang dikenali :

Cmaj


Cmaj


Cmaj


Cmaj



Cmaj


Cmaj


Cmaj


Amin

Gmaj



Fmaj

Fmaj41 – Fmaj50 Label Log of Probability -------------------------2 -78.241509 3 -109.208982 5 -115.290380 4 -118.980813 1 -129.190665 6 -136.359352 chord yang dikenali :

Fmaj



Fmaj





Fmaj


Fmaj


Fmaj


Fmaj


Fmaj


Fmaj


Fmaj

Fmaj


Cmaj


Fmaj


Gmaj


Gmaj


Gmaj



Gmaj



Emin chord yang dikenali :



Gmaj chord yang dikenali :



Gmaj

Amin41 – Amin50 Label Log of Probability -------------------------4 -104.073425 6 -114.940966 3 -117.596205 1 -132.798864 2 -152.738124 5 -188.467009 Amin


Amin


Amin



Amin

Dmin


Gmaj

Amin


Amin


Amin


Cmaj


Amin


Dmin


Cmaj



Dmin


Fmaj


Dmin

Gmaj Emin41 – Emin50








Emin




Emin

Emin




Emin





Emin

Emin





Emin

Emin





Emin


Emin

Training = 10 Codebook = 32 Durasi HMM = 2,99 s Akurasi sistem = 66,67% Cmaj41 – Cmaj50 Label Log of Probability -------------------------1 -89.735448 4 -91.356970 6 -148.575396 5 -197.902508 3 -226.490737 2 -241.066237 chord yang dikenali :

Cmaj


Cmaj


Cmaj


Cmaj



Gmaj


Cmaj


Cmaj


Cmaj

Gmaj



Emin

Fmaj41 – Fmaj50 Label Log of Probability -------------------------2 -94.067076 4 -107.594391 3 -118.589262 6 -128.547115 1 -130.334487 5 -190.634527 chord yang dikenali :

Fmaj



Fmaj





Fmaj


Gmaj


Fmaj


Fmaj


Fmaj


Gmaj


Gmaj

Emin


Cmaj


Gmaj


Gmaj


Gmaj


Dmin



Gmaj









Gmaj

Amin41 – Amin50 Label Log of Probability -------------------------4 -76.309218 6 -109.512212 1 -167.237086 3 -170.002368 5 -173.707227 2 -188.631951 Amin


Amin


Amin



Amin

Gmaj


Amin

Amin


Amin


Emin


Cmaj


Amin


Dmin


Dmin


Dmin


Dmin


Amin



Dmin


Dmin


Dmin

Gmaj



Dmin

Emin41 - Emin50 Label Log of Probability -------------------------4 -90.247967 6 -90.782277 3 -154.740251 2 -163.029224 1 -184.294339 5 -198.923302 chord yang dikenali :

Amin


Amin


Amin



Amin





Emin

Amin





Amin

Emin





Emin


Cmaj

Training = 10 Codebook = 64 Durasi HMM = 4,01 s Akurasi sistem = 81,67%

Cmaj41 – Cmaj50 Label Log of Probability -------------------------1 -103.141969 4 -161.257131 6 -177.020247 2 -248.352075 3 -249.052117 5 -301.593944 chord yang dikenali :

Cmaj


Cmaj


Cmaj


Cmaj



Gmaj


Cmaj


Cmaj


Cmaj

Cmaj



Cmaj

Fmaj41 - Fmaj50 Label Log of Probability -------------------------2 -92.315610 3 -156.791599 4 -207.791160 1 -256.698879 6 -264.396195 5 -269.452828 chord yang dikenali :

Fmaj



Fmaj





Fmaj


Fmaj


Fmaj


Fmaj


Fmaj


Fmaj


Gmaj

Fmaj

Gmaj41 - Gmaj50 Label Log of Probability -------------------------1 -117.733530 3 -141.344872 2 -201.814627 6 -216.001264 4 -223.467008 5 -237.818997 chord yang dikenali :

Cmaj


Gmaj


Gmaj


Gmaj


Dmin



Cmaj





Gmaj

Amin





Gmaj

Amin





Gmaj

Amin





Gmaj

Amin41 - Amin50 Label Log of Probability -------------------------4 -114.500775 5 -195.919912 6 -205.458494 3 -209.194488 2 -217.038014 1 -231.822016 chord yang dikenali :

Amin


Amin


Amin


Amin


Emin


Cmaj


Amin

Dmin41 - Dmin50 Label Log of Probability -------------------------5 -87.352081 2 -146.085256 6 -264.307615 3 -318.688137 4 -322.680795 1 -340.958508 chord yang dikenali :

Dmin


Dmin


Dmin


Dmin


Gmaj



Dmin


Dmin


Dmin

Gmaj



Dmin

Emin41 - Emin50 Label Log of Probability -------------------------6 -102.723660 4 -179.818335 3 -182.555807 2 -227.311932 1 -227.986131 5 -249.575279 chord yang dikenali :

Emin


Emin


Amin



Emin





Emin

Amin





Emin

Emin





Emin


Emin

Training = 10 Codebook = 128 Durasi HMM = 6,21 s Akurasi sistem = 83,33%

Cmaj41 - Cmaj50 Label Log of Probability -------------------------1 -107.396982 2 -293.040527 3 -296.982818 4 -318.415927 6 -348.392481 5 -371.968814 chord yang dikenali :

Cmaj


Cmaj


Cmaj


Cmaj



Cmaj


Cmaj


Gmaj


Cmaj

Cmaj



Cmaj

Fmaj41 - Fmaj50 Label Log of Probability -------------------------2 -113.998288 4 -229.323737 3 -255.781553 1 -315.600603 5 -316.519149 6 -322.442360 chord yang dikenali :

Fmaj



Fmaj





Fmaj


Fmaj


Fmaj


Fmaj


Fmaj


Fmaj


Cmaj

Fmaj

Gmaj41 - Gmaj50 Label Log of Probability -------------------------1 -171.367445 3 -236.272051 2 -263.907643 4 -267.398120 5 -312.052129 6 -342.029949 chord yang dikenali :

Cmaj


Gmaj


Gmaj


Gmaj


Dmin



Gmaj





Gmaj

Amin





Gmaj

Amin





Gmaj

Amin





Gmaj

Amin41 - Amin50 Label Log of Probability -------------------------4 -122.998173 5 -233.541308 2 -247.265277 1 -268.655475 6 -292.349469 3 -311.719052 chord yang dikenali :

Amin


Amin


Amin


Amin


Emin


Cmaj


Amin


Dmin


Dmin


Dmin


Dmin


Emin



Dmin


Dmin


Dmin

Dmin



Dmin

Emin41 – Emin50 Label Log of Probability -------------------------6 -143.667193 4 -263.950908 3 -274.596103 2 -313.016694 1 -313.349835 5 -337.051458 chord yang dikenali :

Emin


Cmaj


Amin



Emin





Emin

Amin





Emin

Emin





Emin


Emin

UNIVERSITAS INDONESIA SIMULASI PENGENALAN CHORD TERISOLASI BERBASISKAN SPEAKER DEPENDENT DENGAN METODE HIDDEN MARKOV MODEL SKRIPSI

Recommend Documents