PENGENALAN NADA BELIRA MENGGUNAKAN ROW MEAN DST

Transkripsi

1 TUGAS AKHIR PENGENALAN NADA BELIRA MENGGUNAKAN ROW MEAN DST Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik pada Program Studi Teknik Elektro Jurusan Teknik Elektro Fakultas Sains dan Teknologi Universitas Sanata Dharma Oleh : EDUARDO SATRIO PRATAMA NIM : PROGRAM STUDI TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2017 i

2 FINAL PROJECT BELLYRA TONE RECOGNITION USING ROW MEAN DST In a partial fulfilment of the requirements for the degree of Sarjana Teknik in Electrical Engineering Study Program Department of Electrical Engineering Faculty of Science and Technology, Sanata Dharma University By : EDUARDO SATRIO PRATAMA NIM : ELECTRICAL ENGINEERING STUDY PROGRAM DEPARTMENT OF ELECTRICAL ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2017 ii

3 iii

4 iv

5 PERNYATAAN KEASLIAN KARYA Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah. Yogyakarta, 8 Juni 2017 Eduardo Satrio Pratama v

6 HALAMAN PERSEMBAHAN DAN MOTTO HIDUP Motto : Pursue for excellence, success will chase you -Ranchoddas Shamaldas Chancad- Skripsi ini kupersembahkan kepada Tuhan Yesus Kristus pembimbingku yang setia Bapak, Mama, saudara/saudari, dan seluruh keluarga tercinta Teman-teman TE 13 tersayang Semua orang yang telah memberikan bantuan, dukungan, dan doa vi

7 LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ILMIAH UNTUK KEPENTINGAN AKADEMIS Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma : Nama : Eduardo Satrio Pratama Nomor Mahasiswa : Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul : PENGENALAN NADA BELIRA MENGGUNAKAN ROW MEAN DST beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis. Demikian pernyataan ini yang saya buat dengan sebenarnya. Yogyakarta, 8 Juni 2017 (Eduardo Satrio Pratama) vii

8 INTISARI Musik merupakan sebuah fenomena yang sangat unik yang bisa dihasilkan oleh beberapa alat musik. Belira adalah salah satu alat musik yang digunakan untuk memainkan nada-nada melodi, yakni nada-nada lagu yang dimainkan oleh pemain drum band sehingga pendengar bisa mengetahui lagu apa yang sedang dimainkan. Tinggi rendahnya nada ditentukan oleh frekuensi dasar gelombang bunyi. Semakin tinggi frekuensi dasar gelombang bunyi, semakin tinggi nada yang dihasilkan. Indera pendengaran manusia tidak dapat mengetahui secara pasti nada apa yang didengar olehnya, terkecuali pemusik profesional. Hal ini sangat penting khususnya bagi pemusik pemula yang ingin mengetahui nada-nada yang dihasilkan oleh alat musik yang dimainkannya. Tujuan dari penelitian ini adalah menghasilkan perangkat lunak pengenalan nada belira menggunakan metode row mean DST. Sistem pengenalan nada belira dioperasikan menggunakan komputer. Pembuatan program pengenalan nada belira dilakukan menggunakan Matlab. Sistem akan bekerja apabila user memberikan perintah melalui komputer. Sistem akan mengolah perintah yang diterima kemudian menyajikannya sebagai sumber informasi dalam bentuk teks. Pengambilan data dan pengujian dilakukan secara tidak real-time dan real-time dengan mengubah-ubah nilai frame blocking yang digunakan yaitu 4096, 1024, 256, dan 64. Analisa dan penyimpulan hasil pengujian dilakukan dengan mengamati pengaruh panjang DST (64, 32, 16, 8, 4) terhadap tingkat pengenalan nada dan mencari nilai DST terkecil yang menghasilkan tingkat pengenalan nada terbaik. Sistem pengenalan nada belira dapat berjalan sesuai dengan perancangan. Sistem dapat menampilkan plot hasil perekaman nada, nilai jarak Euclidean terkecil, dan teks hasil pengenalan nada. Dalam pengujian yang dilakukan secara real-time, sistem dapat menghasilkan tingkat pengenalan 100% melalui panjang DST minimal 16 titik. Kata kunci : belira, row mean DST (Discrete Sine Transform), fungsi jarak Euclidean, pengenalan nada. viii

9 ABSTRACT Music is a very unique phenomenon that can be produced by some musical instruments. Bellyra is one of the musical instruments used to play melodic tones, namely the tone of the song played by the drum band players so that listeners can know what song is being played. High and low of tones determined by the basic frequencies of sound waves. Higher basic frequency of sound waves, will produce higher tone. Human s hearing sense can not recognize well which tone that is heard by them, except professional ones. This is very important especially for beginner musicians who want to know the tones produced by the musical instrument that they play. The purpose of this research is to produce bellyra tone recognition software using row mean DST method. Bellyra tone recognition system is operated by computer. Creation of bellyra tone recognition program is done using Matlab. The system will work if the user gives commands via computer. The system will process the received command and then present it as a source of information as text. Data collection and testing are performed in not real-time and realtime condition by varying the frame blocking values used are 4096, 1024, 256, and 64. The analysis and conclusion of the test results is done by observing the effect of DST length (64, 32, 16, 8, 4) on tone recognition rate and find the smallest DST value that produces the best tone recognition rate. Bellyra tone recognition system can work according to the design. The system can display the plot of the tone recording, the smallest euclidean distance value, and the tone recognition text. In tests performed in real-time, the system can generate 100% recognition rate through DST length of at least 16 dots. Keywords : bellyra, row mean DST (Discrete Sine Transform), Euclidean distance function, tone recognition. ix

10 KATA PENGANTAR Puji dan syukur kepada Tuhan Yesus Kristus karena atas berkat dan penyertaannya, tugas akhir ini dapat diselesaikan dengan baik. Tugas akhir ini merupakan salah satu syarat bagi mahasiswa Jurusan Teknik Elektro untuk memperoleh gelar Sarjana Teknik di Universitas Sanata Dharma Yogyakarta. Tugas akhir ini dapat diselesaikan dengan baik atas bantuan, gagasan, dan dukungan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada : 1. Sudi Mungkasi, Ph.D., selaku Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma. 2. Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elektro Universitas Sanata Dharma. 3. Dr. Linggo Sumarno, selaku dosen pembimbing tugas akhir yang selalu sabar membantu dan membimbing dalam menyelesaikan tugas akhir ini. 4. Wiwien Widyastuti, S.T., M.T. dan Dr. Damar Widjaja, selaku dosen penguji yang telah memberikan bimbingan, saran, dan merevisi tugas akhir ini. 5. Ir. Theresia Prima Ari Setiyani, M.T., selaku dosen pembimbing akademik yang telah mendampingi dan membimbing penulis selama menempuh pendidikan di Universitas Sanata Dharma. 6. Bapak dan Ibu dosen yang telah mengajarkan banyak ilmu yang bermanfaat selama menempuh pendidikan di Universitas Sanata Dharma. 7. Bapak, Mama, dan adik-adik serta seluruh keluarga yang selalu mendoakan, mendukung, dan membantu segala sesuatunya mulai dari awal hingga akhir studi di jenjang perkuliahan. 8. Segenap staf sekretariat dan laboran Teknik Elektro yang secara tidak langsung telah memberikan bantuan dan dukungan dalam kelancaran penyelesaian tugas akhir ini. 9. Teman-teman kelompok skripsi, Almedio, Andre, Zemmy, Dirga, Oyen, Odip, Valdi, Sandy yang selalu membantu dan mendukung dalam menyelesaikan tugas akhir ini. 10. Seluruh teman-teman Teknik Elektro 2013 yang telah membantu, menemani, dan mendukung selama menempuh pendidikan di Universitas Sanata Dharma. x

11 11. Semua pihak yang tidak bisa disebutkan satu persatu yang telah memberikan bantuan dan dukungan dalam menyelesaikan tugas akhir ini. Penulis menyadari bahwa dalam penyusunan skripsi ini masih mengalami kesulitan dan tidak lepas dari kesalahan. Oleh karena itu, penulis mengharapkan masukan, kritik, dan saran yang membangun agar skripsi ini menjadi lebih baik dan dapat bermanfaat sebagaimana mestinya. Yogyakarta, 8 Juni 2017 Penulis, Eduardo Satrio Pratama xi

12 DAFTAR ISI HALAMAN JUDUL... i HALAMAN PERSETUJUAN... iii HALAMAN PENGESAHAN... iv PERNYATAAN KEASLIAN KARYA... v HALAMAN PERSEMBAHAN DAN MOTTO HIDUP... vi LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS... vii INTISARI... viii ABSTRACT... ix KATA PENGANTAR... x DAFTAR ISI... xii DAFTAR GAMBAR... xv DAFTAR TABEL... xvii BAB I PENDAHULUAN Latar Belakang Tujuan dan Manfaat Batasan Masalah Metodologi Penelitian... 2 BAB II DASAR TEORI Belira Sampling Normalisasi Pemotongan Sinyal Frame Blocking Row Mean DST (Discrete Sine Transform) Discrete Sine Transform (DST) Rerata Baris Pengenalan Pola Template Matching Fungsi Jarak Euclidean xii

13 BAB III PERANCANGAN Sistem Pengenalan Nada Belira Belira Mikrofon Proses Perekaman Proses Pengenalan Nada Keluaran Perancangan Nada Referensi Nada Uji Tampilan GUI Matlab Perancangan Alur Program Rekam Normalisasi Pemotongan Sinyal Frame Blocking Normalisasi Row Mean DST (Discrete Sine Transform) Fungsi Jarak Euclidean Penentuan Nada Perancangan Pengujian dan Analisis Pengujian Secara Tidak Real-Time Pengujian Secara Real-Time Analisis Data BAB IV HASIL DAN PEMBAHASAN Program Pengenalan Listing Program Pengenalan Pop Up Menu Push Button, Axes, dan Static Text Hasil Pengujian Program Pengujian Secara Tidak Real-Time Pengujian Secara Real-Time BAB V KESIMPULAN DAN SARAN Kesimpulan xiii

14 5.2. Saran DAFTAR PUSTAKA LAMPIRAN LAMPIRAN 1 PROSES MENYELURUH YANG DICERMINKAN DALAM BENTUK FLOWCHART... L1 LAMPIRAN 2 LISTING PROGRAM TIDAK REAL-TIME... L7 LAMPIRAN 3 LISTING PROGRAM REAL-TIME... L16 LAMPIRAN 4 HASIL PENGENALAN NADA SECARA TIDAK REAL-TIME... L29 xiv

15 DAFTAR GAMBAR Gambar 2.1. Alat musik belira... 4 Gambar 2.2. Contoh sinyal hasil sampling... 5 Gambar 2.3. Contoh sinyal normalisasi dari Gambar Gambar 2.4. Contoh hasil pemotongan bagian silence dari Gambar Gambar 2.5. Contoh hasil pemotongan bagian transisi dari Gambar Gambar 2.6. Contoh hasil frame blocking dari Gambar Gambar 2.7. Contoh proses row mean DST untuk panjang data 16 titik... 8 Gambar 2.8. Contoh sinyal pembentukan kolom matriks dari Gambar Gambar 2.9. Contoh sinyal DST 2D dari Gambar Gambar Contoh sinyal rerata baris dari Gambar Gambar 3.1. Diagram blok sistem pengenalan nada belira Gambar 3.2. Diagram blok proses pengenalan nada Gambar 3.3. Diagram blok proses pengambilan nada uji Gambar 3.4. Tampilan GUI Matlab Gambar 3.5. Diagram alir sistem pengenalan nada belira Gambar 3.6. Diagram alir rekam Gambar 3.7. Diagram alir normalisasi Gambar 3.8. Diagram alir pemotongan sinyal Gambar 3.9. Diagram alir frame blocking Gambar Diagram alir normalisasi Gambar Diagram alir row mean DST Gambar Diagram alir fungsi jarak Euclidean Gambar Diagram alir penentuan nada Gambar 4.1. Tampilan GUI pengenalan nada belira Gambar 4.2. Pemilihan nilai frame blocking Gambar 4.3. Tampilan GUI pengenalan nada belira yang dijalankan dengan masukan nada re dan nilai frame blocking Gambar 4.4. Program variasi nilai frame blocking Gambar 4.5. Program untuk melakukan perekaman dan menampilkan plot hasil perekaman nada xv

16 Gambar 4.6. Program untuk menghasilkan ekstraksi ciri row mean DST Gambar 4.7. Program pemanggilan database Gambar 4.8. Program pemrosesan database frame blocking Gambar 4.9. Program untuk memanggil fungsi jarak Euclidean dan menampilkan nilai jarak Euclidean terkecil Gambar Program perhitungan fungsi jarak Euclidean Gambar Program untuk menampilkan teks hasil pengenalan nada Gambar Program untuk mengulangi proses pengenalan nada dari tampilan awal GUI Gambar Program untuk menutup GUI pengenalan nada belira Gambar Grafik pengaruh panjang DST terhadap tingkat pengenalan nada secara tidak real-time Gambar Grafik pengaruh panjang DST terhadap tingkat pengenalan nada secara real-time Gambar L1.1. Flowchart proses menyeluruh... L1 xvi

17 DAFTAR TABEL Tabel 3.1. Keterangan tampilan GUI Matlab Tabel 4.1. Hasil pengujian secara tidak real-time Tabel 4.2. Hasil pengujian secara real-time Tabel 4.3. Pengaruh panjang DST terhadap tingkat pengenalan nada secara real-time Tabel 4.4. Perbandingan tingkat pengenalan nada dengan penelitian sebelumnya xvii

18 BAB I PENDAHULUAN 1.1. Latar Belakang Musik adalah seni pengungkapan gagasan melalui bunyi, yang unsur dasarnya berupa melodi, irama, dan harmoni, dengan unsur pendukung berupa bentuk gagasan, sifat, dan warna bunyi [1]. Dalam penyajiannya, musik masih sering berpadu dengan unsurunsur lain, seperti: bahasa, gerak, ataupun warna. Musik merupakan sebuah fenomena yang sangat unik yang bisa dihasilkan oleh beberapa alat musik. Belira adalah salah satu alat musik yang digunakan sebagai melodi drum band. Belira terdiri dari bilah-bilah logam persegi penjang yang setiap logam memiliki nada tersendiri dan dimainkan dengan cara dipukul. Fungsi utama belira adalah memainkan nada-nada melodi, yakni nada-nada lagu yang dimainkan oleh pemain drum band sehingga pendengar bisa mengetahui lagu apa yang sedang dimainkan. Tinggi rendahnya nada ditentukan oleh frekuensi dasar gelombang bunyi. Semakin tinggi frekuensi dasar gelombang bunyi, semakin tinggi nada yang dihasilkan. Indera pendengaran manusia tidak dapat mengetahui secara pasti nada apa yang didengar olehnya, terkecuali pemusik profesional. Hal ini sangat penting khususnya bagi pemusik pemula yang ingin mengetahui nada-nada yang dihasilkan oleh alat musik yang dimainkannya. Ada dua penelitian yang sudah dilakukan sebelumnya. Pada penelitian pertama, pengenalan nada belira dilakukan menggunakan ekstraksi ciri DCT dan similaritas kosinus [2]. Pada penelitian tersebut, pengenalan nada belira dilakukan dengan membandingkan frekuensi dasar gelombang bunyi alat musik menggunakan similaritas kosinus. Penelitian kedua dilakukan menggunakan analisis amplitudo pada ranah frekuensi [3]. Penelitian tersebut menggunakan look up table untuk proses akhir penentuan nada belira yang dimainkan. Pada penelitian yang dilakukan menggunakan ekstraksi ciri DCT dan similaritas kosinus, pengujian parameter pengenalan nada dengan panjang DCT 16, 32, 64, 128, 256, dan 512 hanya menghasilkan recognition rate sebesar 84,6%. Berdasarkan hal tersebut, penelitian ini dilakukan untuk mengembangkan sistem pengenalan nada belira menggunakan jenis ekstraksi ciri yang lain agar dapat menghasilkan tingkat pengenalan yang lebih baik. Pengenalan nada belira ini dilakukan menggunakan row mean DST dan 1

19 2 fungsi jarak Euclidean. Metode tersebut diharapkan dapat menghasilkan recognition rate yang lebih baik dengan jumlah koefisien ekstraksi ciri yang lebih kecil dari sebelumnya. Sistem pengenalan nada belira ini akan disajikan menggunakan antarmuka yang mudah dipahami penggunanya sehingga dapat memudahkan dalam mempelajari atau mengenali nada-nada belira Tujuan dan Manfaat Tujuan dari penelitian ini adalah menghasilkan perangkat lunak pengenalan nada belira menggunakan row mean DST. Manfaat dari penelitian ini adalah sebagai alat bantu bagi masyarakat khususnya bagi pemain drum band pemula yang sedang belajar memainkan belira agar dapat mengenali nada-nada belira yang dimainkannya Batasan Masalah Agar tugas akhir ini bisa mengarah pada tujuan dan untuk menghindari terlalu kompleksnya permasalahan yang muncul, maka perlu adanya batasan-batasan masalah yang sesuai dengan judul dari tugas akhir ini. Perancangan sistem ini difokuskan pada pembuatan software komputer untuk mengolah proses pengenalan nada. Beberapa batasan masalah yang ditetapkan adalah sebagai berikut: 1. Menggunakan Matlab untuk pembuatan program pengenalan nada. 2. Menggunakan mikrofon desktop untuk perekaman suara. 3. Pengenalan nada bersifat real-time. 4. Nada belira yang digunakan adalah do (1049 Hz), re (1177 Hz), mi (1325 Hz), fa (1402 Hz), sol (1575 Hz), la (1765 Hz), si (1974 Hz), do (2119 Hz). 5. Frame blocking yang digunakan adalah 4096, 1024, 256, 64, dan Database atau nada referensi didapatkan dengan cara merekam nada belira do, re, mi, fa, sol, la, si, do (tinggi) sebanyak 30 kali. 7. Cara memainkan belira dilakukan seperti biasa Metodologi Penelitian Berdasarkan pada tujuan yang ingin dicapai, metode-metode yang dilakukan dalam pengerjaan tugas akhir ini adalah:

20 3 1. Studi literatur, yaitu mencari dan mempelajari berbagai macam referensi seperti buku, jurnal, dan artikel berkaitan dengan permasalahan yang dibahas dalam tugas akhir ini. 2. Perancangan sistem software. Tahap ini bertujuan untuk mencari model yang optimal dari sistem yang akan dibuat dengan mempertimbangkan berbagai faktor permasalahan dan kebutuhan yang telah ditentukan. 3. Pembuatan sistem software. Tahap ini dilakukan dengan pembuatan program pengenalan nada belira menggunakan Matlab. Sistem akan bekerja apabila user memberikan perintah melalui komputer. Sistem akan mengolah perintah yang diterima kemudian menyajikannya sebagai sumber informasi dalam bentuk teks. 4. Pengambilan data dan pengujian. Pengambilan data dan pengujian dilakukan secara tidak real-time dan real-time dengan mengubah-ubah nilai frame blocking yang digunakan yaitu 4096, 1024, 256, 64, dan 16. Jumlah data yang diambil untuk pengujian ini sebanyak 10 kali masing-masing nada tiap nilai frame blocking. 5. Analisa dan penyimpulan hasil percobaan. Analisa dilakukan dengan mengamati pengaruh variasi frame blocking terhadap tingkat pengenalan nada belira. Penyimpulan hasil percobaan dilakukan dengan mencari nilai frame blocking dan koefisien ekstraksi ciri terkecil yang menghasilkan tingkat pengenalan nada terbaik.

21 BAB II DASAR TEORI 2.1. Belira Belira adalah alat musik melodi drum band yang terdiri dari bilah-bilah logam persegi panjang yang setiap logam memiliki nada tersendiri, dan dimainkan dengan cara dipukul dengan alat pukul (stik) yang terbuat dari mika [4]. Fungsi utama belira adalah memainkan nada-nada melodi, yakni nada-nada lagu yang dimainkan oleh unit drum band sehingga pendengar bisa mengetahui lagu apa yang sedang dimainkan. Belira terdiri dari 16 bilah logam yang memiliki panjang yang berbeda-beda. Masing-masing bilah menghasilkan nada 5<, 6<, 7<, 1, 2, 3, 4, 5, 6, 7, 1>, 2>, 3>, 4>, 5>, 6>. Stik belira mempunyai panjang 30 cm dan terbuat dari plastik padat (mika). Dalam memainkan belira, biasanya terdapat besi penyangga yang digantungkan pada bahu pemusik, kemudian bilah logam dipukul dengan stik. Gambar 2.1. Alat musik belira 2.2. Sampling Sampling adalah proses pencuplikan gelombang suara yang akan menghasilkan gelombang diskrit. Dalam proses sampling, ada yang disebut dengan laju pencuplikan (sampling rate). Sampling rate menandakan berapa banyak pencuplikan gelombang analog dalam 1 detik. Satuan dari sampling rate adalah Hertz (Hz). Pada proses sampling, sebaiknya sampling rate memenuhi kriteria Nyquist. Kriteria Nyquist menyebutkan bahwa sampling rate harus lebih besar dari 2 kali frekuensi tertinggi sinyal suara analog [5]. Secara matematis, kriteria Nyquist dapat dituliskan sebagai berikut: 4

22 5 fs 2fm (2.1) dengan fs adalah frekuensi sampling (sampling rate) dan fm adalah frekuensi tertinggi sinyal suara analog. Contoh penentuan nilai frekuensi sampling: Misalnya, terdapat sinyal suara analog dengan frekuensi tertinggi adalah 2000 Hz. Frekuensi sampling harus sama dengan dua kali frekuensi tersebut yaitu 4000 Hz atau lebih besar dua kali frekuensi tersebut yaitu 5000 Hz atau 7000 Hz atau Hz. Jika frekuensi sampling 4000 Hz, maka sinyal suara analog harus memiliki frekuensi maksimum 2000 Hz Amplitudo Data Tercuplik Gambar 2.2. Contoh sinyal hasil sampling 2.3. Normalisasi Tujuan dari normalisasi adalah memaksimalkan amplitudo. Proses normalisasi sangat diperlukan karena besarnya amplitudo pada suara alat musik selalu berbeda saat melakukan perekaman. Perhitungan matematis untuk mencari nilai normalisasi dirumuskan dengan persamaan sebagai berikut: X norm = X masukan maks(abs(x masukan )) (2.2)

23 6 dengan Xnorm adalah data sinyal normalisasi (1,2,3,...,N), Xmasukan adalah data masukan dari sampling (1,2,3,...,N), dan N adalah banyaknya data sinyal. Contoh perhitungan normalisasi: Misalnya, Xmasukan = [ ]. Nilai maksimum Xmasukan = Penyelesaian: 1. Xnorm = 2. Xnorm = 3. Xnorm = 4. Xnorm = 5. Xnorm = 6. Xnorm = X masukan maks(abs(x masukan )) = = 0 X masukan maks(abs(x masukan )) = = X masukan maks(abs(x masukan )) = = X masukan maks(abs(x masukan )) = = X masukan maks(abs(x masukan )) = = 0.83 X masukan maks(abs(x masukan )) = = 1 Jadi, setelah mengalami proses normalisasi, Xmasukan = [ ] berubah menjadi Xmasukan = [ ]. Amplitudo Data Tercuplik Gambar 2.3. Contoh sinyal normalisasi dari Gambar 2.2.

24 Pemotongan Sinyal Proses pemotongan sinyal dilakukan setelah proses normalisasi. Pada proses ini, sinyal yang dipotong adalah sinyal pada bagian awal. Tujuannya untuk menghilangkan sinyal efek noise atau suara lain yang ikut terekam pada saat proses perekaman, agar didapatkan sinyal yang benar-benar suara alat musik belira. Proses pemotongan yang pertama yaitu memotong bagian silence atau bagian awal sinyal yang tidak termasuk sinyal nada terekam. Proses pemotongan yang kedua yaitu memotong bagian transisi sinyal. Amplitudo Data Tercuplik Gambar 2.4. Contoh hasil pemotongan bagian silence dari Gambar Amplitudo Data Tercuplik Gambar 2.5. Contoh hasil pemotongan bagian transisi dari Gambar 2.4.

25 Frame Blocking Frame blocking merupakan pembagian sinyal suara menjadi beberapa frame dan satu frame terdiri dari beberapa data sampel [6]. Pengambilan data sampel tersebut tergantung dari tiap detik suara akan dicuplik dan berapa besar frekuensi sampling. Fungsi frame blocking yaitu mereduksi data yang akan diproses dalam sistem pengenalan. Contoh hasil frame blocking yang ditunjukkan oleh Gambar 2.6. didapatkan dengan cara mereduksi atau memilih data dari data tercuplik 0 hingga data tercuplik 256 pada hasil pemotongan bagian transisi sinyal pada Gambar Amplitudo Data Tercuplik Gambar 2.6. Contoh hasil frame blocking dari Gambar Row Mean DST (Discrete Sine Transform) Gambar 2.7. Contoh proses row mean DST untuk panjang data 16 titik

26 9 Row mean DST yang diinspirasi dari row mean DCT merupakan proses yang meliputi proses pembentukan matriks, kemudian matriks tersebut akan diubah menjadi matriks kotak (reshape) [7]. Proses selanjutnya adalah proses transformasi matriks reshape ke dalam matriks reshape DST 2D. Pada proses DST 2D ini, setiap kolomnya akan dirataratakan sehingga hasil keluarannya adalah row mean DST Amplitudo Baris Kolom Gambar 2.8. Contoh sinyal pembentukan kolom matriks dari Gambar Discrete Sine Transform (DST) Discrete Sine Transform (DST) adalah algoritma yang digunakan untuk mengubah sampel data dari domain waktu ke domain frekuensi. DST menstabilkan hubungan antara sampel-sampel sinyal domain waktu dan mempresentasikannya ke domain DST. Analisis frekuensi dari sinyal waktu diskrit y(k) perlu memperoleh representasi domain frekuensi dari sinyal yang biasanya dinyatakan dalam domain waktu. DST digunakan untuk melakukan analisis frekuensi dari sinyal waktu diskrit. DST dihitung menggunakan persamaan sebagai berikut: y(k) = N n=1 x(n) sin ( πnk N+1 ) (2.3) dengan k adalah indeks dalam domain DST (1,, N), n adalah indeks dalam domain waktu (1,, N), dan N adalah banyaknya data. Contoh perhitungan DST: Misalnya, x = [ ] N = 5 Penyelesaian:

27 10 1. y(1) = (1 sin ( (4 sin ( 3, y(2) = (1 sin ( (4 sin ( 3, y(3) = (1 sin ( (4 sin ( 3, y(4) = (1 sin ( (4 sin ( 3, y(5) = (1 sin ( (4 sin ( 3, , )) + (2 sin ( )) + (5 sin ( 3, , )) + (2 sin ( )) + (5 sin ( 3, , )) + (2 sin ( )) + (5 sin ( 3, , )) + (2 sin ( )) + (5 sin ( 3, , )) + (2 sin ( )) + (5 sin ( 3, , )) = 11,1962 3, )) = -5,1962 3, )) = 3,0000 3, )) = -1,7321 3, )) = 0,8038 )) + (3 sin ( )) + (3 sin ( )) + (3 sin ( )) + (3 sin ( )) + (3 sin ( 3, , , , , )) + )) + )) + )) + )) Amplitudo Baris Kolom Gambar 2.9. Contoh sinyal DST 2D dari Gambar 2.8.

28 Rerata Baris Rerata baris adalah proses terakhir dari row mean DST. Hasil sinyal pada rerata baris berasal dari hasil sinyal yang diperoleh dari proses sebelumnya yaitu DST 2D sehingga hasil sinyal didapatkan seperti yang ditunjukkan oleh Gambar Amplitudo Nomor Koefisien Gambar Contoh sinyal rerata baris dari Gambar Pengenalan Pola Pola adalah deskripsi kuantitatif atau struktural pada sebuah obyek. Kelas pola merupakan sekumpulan pola yang terdiri atas beberapa ciri yang sama. Pengenalan pola merupakan suatu aktivitas manusia secara alami. Manusia menerima informasi melalui sensor tubuh yang diproses seketika oleh otak dan dalam sekejap manusia dapat mengenali sumber informasi secara alami. Keakuratan manusia untuk dapat melakukan tugas-tugas pengenalan dengan kondisi yang tidak ideal, contohnya, ketika informasi yang diperlukan untuk memproses tersebut tidak jelas atau tidak lengkap. Sebenarnya, sebagian besar aktivitas kita berdasarkan pada berhasilnya kita dalam melakukan tugas pengenalan pola. Misalnya, ketika membaca buku, kita mengenali angka, huruf, kata, dan akhirnya pemikiran dan konsep, sinyal visual kemudian diterima oleh otak kita yang diproses secara alami tanpa kita sadari. Pengenalan pola (pattern recognition) adalah suatu proses untuk mengenali pola-pola yang terdapat pada sekumpulan data dan menggolongkannya sehingga pola-pola yang

29 12 berada dalam satu kelompok mempunyai kesamaan yang tinggi dan pola-pola yang berbeda mempunyai tingkat kemiripan yang rendah. Pengenalan pola bertujuan untuk menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki pola tersebut. Dengan kata lain pengenalan pola dapat membedakan suatu obyek dengan obyek yang lain [8]. Sistem pengenalan pola memiliki beberapa pendekatan yaitu: Pendekatan template matching Pendekatan statistik Pendekatan sintatik Pendekatan jaringan syaraf tiruan 2.8. Template Matching Tahap perbandingan yaitu salah satu tahap dalam proses pengenalan suara. Proses template matching ini akan melakukan perbandingan antara pola data masukan dengan pola database. Salah satu perbandingan metode yang dilakukan dalam template matching yaitu menggunakan fungsi jarak Euclidean. Data masukan yang akan diproses akan dihitung nilai jaraknya sehingga kemiripan yang sesuai dengan database dapat dikenali [9] Fungsi Jarak Euclidean Jarak Euclidean adalah jarak antara dua titik yaitu dari titik satu ke titik yang lain dalam satu ruang [10]. Secara umum, yang dimaksud dengan dua titik adalah garis terpendek di antara semua garis yang menghubungkan kedua titik tersebut. Dalam ruang Euclidean, jarak antara dua titik P dan Q dapat dirumuskan sebagai berikut: P = (p1, p2, p3...pn,) dan = (q1, q2, q3...qn,) Maka jarak Euclidean P ke Q adalah: d (P, Q) = d (Q, P) = (p1 q1) 2 + (p2 q2) 2 + (p3 q3) 2 + (pn qn) 2 (2.4)

30 13 Contoh perhitungan fungsi jarak Euclidean: Diketahui matriks hasil ekstraksi ciri masukan P, dan matriks database Q dengan indikasi kelas pola yang bersesuaian. Dengan metode template matching yang menggunakan jarak Euclidean, carilah kelas pola keluarannya. Penyelesaian: A B C D P = [ ] Q = [ d1 = (1 1) 2 + (2 0) 2 + (3 2) 2 + (2 0) 2 = 9 = 3 d2 = (1 1) 2 + (2 1) 2 + (3 3) 2 + (2 2) 2 = 1 = 1 d3 = (1 0) 2 + (2 1) 2 + (3 2) 2 + (2 0) 2 = 7 = 2,64 d4 = (1 0) 2 + (2 0) 2 + (3 1) 2 + (2 0) 2 = 13 = 3,60 d = [3 1 2,64 3,60] d = [1 2,64 3 3,60] Jadi, kelas pola keluarannya adalah d = [1 2,64 3 3,60]. 0 0 ] 1 0

31 BAB III PERANCANGAN 3.1. Sistem Pengenalan Nada Belira Sistem pengenalan nada belira terdiri dari hardware dan software. Hardware yang digunakan terdiri dari belira, mikrofon, dan laptop. Software yang digunakan adalah Matlab yang berfungsi dalam pembuatan program dan sebagai user interface yang mengatur semua proses pengenalan nada seperti merekam dan mengenali nada belira. Perekaman nada belira dilakukan dengan menggunakan mikrofon yang terhubung ke line in pada laptop. Gambar 3.1. merupakan diagram blok sistem pengenalan nada belira. Proses Masukan Keluaran Teks hasil pengenalan nada Proses perekaman Proses pengenalan nada Gambar 3.1. Diagram blok sistem pengenalan nada belira Belira Alat musik belira memiliki 16 nada. Pada penelitian ini, hanya 8 nada yang akan digunakan yaitu do, re, mi, fa, sol, la, si, do (tinggi) Mikrofon Mikrofon yang digunakan adalah Mini Multimedia Microphone Genius MIC-01A. Mikrofon berfungsi untuk menangkap suara belira dan menyalurkan ke laptop. 14

32 Proses Perekaman Pada proses ini suara belira akan direkam menggunakan mikrofon yang terhubung ke line in laptop. Proses ini merupakan proses masuknya data nada terekam berupa sinyal digital. Saat proses perekaman berlangsung, sinyal analog akan diubah menjadi sinyal digital dengan frekuensi sampling. Sinyal digital kemudian disimpan dan digambarkan dalam sebuah plot. Data nada yang telah disimpan disebut nada terekam yang kemudian dapat diproses untuk dikenali lewat proses pengenalan nada Proses Pengenalan Nada Proses ini merupakan proses untuk mengenali suara belira yang terekam. Gambar 3.2. merupakan diagram blok proses pengenalan nada. Masukan (wav) Normalisasi 1 Pemotongan sinyal Frame blocking Normalisasi 2 Keluaran (teks) Penentuan nada Fungsi jarak Euclidean Row mean DST: 1. Kolom matriks 2. DST 2D 3. Rerata baris Data base Gambar 3.2. Diagram blok proses pengenalan nada 1. Masukan (wav) Masukan merupakan hasil sampling nada belira yang direkam secara real-time menggunakan mikrofon dalam format wav. 2. Normalisasi Tujuan normalisasi adalah menyetarakan amplitudo suara masukan menjadi maksimum, sehingga efek dari kuat atau lemahnya suara yang dihasilkan oleh alat musik tidak terlalu mempengaruhi proses pengenalan. Dalam penelitian ini, normalisasi dilakukan sebanyak dua kali. Normalisasi pertama dilakukan untuk

33 16 menyetarakan amplitudo setelah proses sampling, dan normalisasi kedua dilakukan untuk menyetarakan amplitudo setelah melalui proses frame blocking. 3. Pemotongan Sinyal Pemotongan sinyal dilakukan dengan tujuan untuk menghilangkan efek noise atau suara lain yang ikut terekam pada saat proses perekaman. Sinyal yang dipotong adalah sinyal bagian silence dan bagian transisi yang terdapat di bagian awal sinyal nada terekam. 4. Frame Blocking Frame blocking merupakan proses memilih data dari nada terekam. Data yang dipilih dapat mewakili semua nada yang terekam. 5. Row Mean DST (Discrete Sine Transform) Row mean DST merupakan proses yang meliputi proses pembentukan matriks, kemudian matriks tersebut akan diubah menjadi matriks kotak (reshape). Proses selanjutnya adalah proses transformasi matriks reshape kedalam matriks reshape DST 2D. Pada proses DST 2D ini, setiap kolomnya akan dirata-ratakan sehingga hasil keluarannya adalah row mean DST. 6. Fungsi Jarak Euclidean Sistem pengenalan nada belira ini dilakukan dengan menggunakan fungsi jarak Euclidean Keluaran Keluaran dari sistem pengenalan nada ini berupa tampilan teks nada yang berhasil dikenali dalam bentuk visual GUI Matlab Perancangan Nada Referensi Nada referensi dibutuhkan sebagai penentu pengenalan nada belira. Setiap nada yang akan dikenali (1, 2, 3, 4, 5, 6, 7, 1>), masing-masing akan diambil 30 nada sampel. Pengambilan nada yang akan dijadikan nada referensi harus melalui proses sampling, frame blocking, normalisasi, dan row mean DST sesuai Gambar 3.2. dalam batas garis

34 17 putus-putus. Pengambilan nada dilakukan dengan menggunakan program Matlab yang akan dibuat. Setelah 30 nada sampel pada setiap nada diperoleh, perhitungan persamaan (3.1) dilakukan untuk mendapatkan nada referensi. Hasil DST yang telah dinormalisasikan digunakan sebagai nada sampel, sehingga sistem pengenalan nada belira tidak melakukan perhitungan kembali dalam mendapatkan nada referensi dan proses pada sistem pengenalan nada belira dapat berjalan dengan baik. Nada referensi = Ekstraksi ciri 1 + Ekstraksi ciri Ekstraksi ciri 5 5 (3.1) Nada referensi yang didapat kemudian disimpan dalam fungsi header yang ada dalam sistem pengenalan nada belira, sehingga sewaktu-waktu nada referensi dapat dipanggil dalam proses fungsi jarak yang ada dalam sistem pengenalan nada belira Nada Uji Untuk memperoleh nada uji pada setiap nada pada proses pengenalan nada belira, diambil 10 nada sampel pada setiap nada yang akan digunakan untuk pengujian sistem. Semua sampel nada yang diambil dalam proses perekaman akan melalui proses sampling terlebih dahulu sebelum masuk ke tahap selanjutnya. Gambar 3.3. merupakan diagram blok proses pengambilan nada uji. Masukan (suara belira) Sampling Keluaran (wav) Gambar 3.3. Diagram blok proses pengambilan nada uji 3.4. Tampilan GUI Matlab Tampilan utama program pada GUI Matlab yang digunakan pada penelitian ini ditunjukkan oleh Gambar 3.4.

35 18 Frame blocking Mulai Ulang Selesai Plot perekaman Jarak Euclidean terkecil Hasil pengenalan nada Gambar 3.4. Tampilan GUI Matlab Tampilan dibuat agar user dapat dengan mudah menjalankan program yang dibuat, serta memahami hasil pengenalan nada belira. Keterangan dari tampilan GUI Matlab program pengenalan nada dijelaskan pada Tabel 3.1. Tabel 3.1. Keterangan tampilan GUI Matlab Nama Keterangan Frame blocking Memilih nilai frame blocking Mulai Memulai program Ulang Mengulangi program Selesai Mengakhiri program Plot perekaman Menampilkan grafik hasil perekaman suara Jarak Euclidean terkecil Menampilkan nilai jarak Euclidean terkecil Hasil pengenalan nada Menampilkan teks nada belira yang berhasil dikenali

36 Perancangan Alur Program Mulai Masukan: Suara belira Rekam Normalisasi 1 Pemotongan sinyal Frame blocking Normalisasi 2 Ekstraksi ciri row mean DST Fungsi jarak Euclidean Penentuan nada Keluaran: Teks Selesai Gambar 3.5. Diagram alir sistem pengenalan nada belira Pada sistem pengenalan nada belira ini terdapat proses-proses yang harus dilakukan. Berawal dari perekaman hingga hasil akhir yang akan ditampilkan dalam bentuk teks nada yang berhasil dikenali. Gambar 3.5. merupakan diagram alir sistem pengenalan nada belira Rekam Semua sampel nada yang diambil dalam proses perekaman harus melalui proses sampling terlebih dahulu sebelum masuk ke tahap selanjutnya. Proses sampling bertujuan untuk merekam nada belira dengan nilai frekuensi sampling yang telah ditentukan yaitu Hz. Keluaran untuk proses perekaman dibuat dalam format wav. Gambar 3.6. merupakan diagram alir perekaman nada belira. Cara sampling nada adalah sebagai berikut: 1. Menentukan durasi perekaman yaitu 1,5 detik [3]. Durasi perekaman ditentukan berdasarkan lamanya bunyi suatu nada yang dipukul.

37 20 2. Menentukan frekuensi sampling yaitu Hz [3]. Frekuensi tertinggi nada belira yang digunakan adalah 2119 Hz untuk nada do tinggi (1>) sehingga memenuhi persamaan (2.1) untuk penggunaan frekuensi sampling sebesar Hz. 3. Menentukan jumlah sampel dengan mengalikan durasi perekaman dengan frekuensi sampling. 4. Merekam suara masukan dengan perintah wavrecord. 5. Menyimpan hasil rekaman dengan perintah wavwrite. 6. Menampilkan sinyal hasil rekaman dengan perintah plot. Mulai Masukan: Tekan tombol Mulai di GUI Sampling Keluaran: Plot nada terekam di GUI Selesai Gambar 3.6. Diagram alir rekam Normalisasi 1 Tujuan dari proses normalisasi 1 adalah untuk menyetarakan amplitudo dari data sinyal terekam sehingga dapat terbentuk pada skala yang sama agar kuat atau lemahnya suara nada yang dimainkan tidak terlalu berpengaruh terhadap proses pengenalan. Dalam proses normalisasi, nilai-nilai data masukan nada terekam dibagi dengan nilai absolut maksimal dari data itu sendiri sehingga didapatkan sinyal yang ternormalisasi untuk nada terekam. Diagram alir normalisasi 1 ditunjukkan oleh Gambar 3.7.

38 21 Mulai Masukan: Nada terekam Data nada terekam dibagi dengan nilai absolut maksimal data nada terekam Keluaran: Hasil normalisasi 1 Selesai Gambar 3.7. Diagram alir normalisasi Pemotongan Sinyal Mulai Masukan: Hasil normalisasi 1 Pemotongan bagian silence Pemotongan bagian transisi Keluaran: Hasil pemotongan sinyal Selesai Gambar 3.8. Diagram alir pemotongan sinyal Proses pemotongan sinyal adalah pemotongan sinyal yang tidak digunakan yang terdapat disisi kiri atau bagian awal sinyal (bagian silence dan bagian transisi). Pada pemotongan bagian silence, sinyal suara terekam yang bukan sinyal suara nada belira akan

39 22 dipotong atau dihilangkan. Pada pemotongan bagian transisi, sinyal yang terdapat dibagian awal (bagian transisi) setelah pemotongan bagian silence, akan dipotong atau dihilangkan ¼ bagiannya dengan tujuan untuk mendapatkan sinyal yang benar-benar suara nada belira. Setelah melalui dua kali pemotongan sinyal, maka didapatkan keluaran untuk hasil pemotongan sinyal. Diagram alir pemotongan sinyal ditunjukkan oleh Gambar 3.8. Cara pemotongan sinyal bagian silence dan bagian transisi adalah sebagai berikut: 1. Menentukan nilai yang digunakan sebagai batas potong yaitu 0,3 [3]. 2. Mencari bagian sinyal yang > 0,3 dan < (-0,3) (sinyal yang dicari tersebut diinisialisasi sebagai b1). Sinyal yang tidak termasuk b1 adalah sinyal silence sehingga sinyal tersebut dihilangkan. 3. Pemotongan sinyal transisi dengan mengalikan jumlah data sinyal dengan 0,25 [3]. Hasil perkalian tersebut diinisialisasi sebagai bts. 4. Menghilangkan data sinyal mulai dari indeks 1 sampai dengan indeks bts Frame Blocking Mulai Masukan: Hasil pemotongan Masukan: Pilih nilai frame blocking di GUI Mengambil data sepanjang nilai frame Keluaran: Hasil frame blocking Selesai Gambar 3.9. Diagram alir frame blocking Setelah proses pemotongan sinyal, proses selanjutnya adalah frame blocking. Pada proses ini, nilai frame akan dipilih atau ditentukan oleh user. Pilihan nilai frame yang

40 23 diberikan yaitu 4096, 1024, 256, 64, dan 16. Pemilihan nilai frame blocking dijadikan untuk menentukan panjang DST yang digunakan. Dalam proses ini, data diambil mulai dari sinyal yang paling kiri dan akan diambil sepanjang nilai frame yang telah dipilih oleh user sehingga dapat memudahkan dalam perhitungan dan analisa sinyal. Data yang diambil dapat mewakili nada terekam. Data yang diambil tersebut merupakan keluaran untuk proses frame blocking. Gambar 3.9. merupakan diagram alir frame blocking Normalisasi 2 Mulai Masukan: Hasil frame blocking Data hasil frame blocking dibagi dengan nilai absolut maksimal data hasil frame blocking Keluaran: Hasil normalisasi 2 Selesai Gambar Diagram alir normalisasi 2 Masukan untuk normalisasi 2 adalah sinyal hasil frame blocking. Pada proses frame blocking, sinyal yang dihasilkan tidak maksimal sehingga dibutuhkan normalisasi untuk menyetarakan amplitudo agar menjadi maksimal. Pada proses normalisasi 2, data masukan hasil frame blocking dibagi dengan nilai absolut maksimal dari data hasil frame blocking tersebut. Hasil pembagiannya merupakan keluaran untuk proses normalisasi 2. Gambar merupakan diagram alir normalisasi Row Mean DST (Discrete Sine Transform) Masukan untuk row mean DST adalah hasil normalisasi 2. Proses row mean DST meliputi beberapa proses yaitu proses pembentukan matriks yang kemudian matriks tersebut akan diubah menjadi matriks kotak (reshape), dan proses transformasi matriks reshape ke dalam matriks reshape DST 2D dimana pada proses DST 2D ini setiap

41 24 kolomnya akan dirata-ratakan sehingga hasilnya merupakan keluaran untuk proses row mean DST. Gambar merupakan diagram alir row mean DST. Mulai Masukan: Hasil normalisasi 2 Kolom matriks DST 2D Rerata baris Hitung nilai absolut Keluaran: Hasil row mean DST Selesai Gambar Diagram alir row mean DST Fungsi Jarak Euclidean Mulai Masukan: Hasil row mean DST Perhitungan fungsi jarak Euclidean Data base Pengurutan hasil perhitungan jarak dari terkecil ke terbesar Keluaran: Hasil fungsi jarak Euclidean Selesai Gambar Diagram alir fungsi jarak Euclidean Setelah melalui proses row mean DST, proses selanjutnya adalah perhitungan fungsi jarak. Fungsi jarak yang digunakan pada penelitian ini adalah fungsi jarak Euclidean.

42 25 Gambar merupakan diagram alir fungsi jarak Euclidean. Masukan untuk perhitungan fungsi jarak Euclidean adalah hasil row mean DST. Jarak Euclidean adalah jarak antara dua titik yaitu dari satu titik ke titik yang lain dalam satu ruang. Secara umum, yang dimaksud antara dua titik adalah garis terpendek diantara semua garis yang menghubungkan kedua titik tersebut. Dalam proses ini, fungsi jarak Euclidean berfungsi untuk membandingkan data suara yang baru dengan data suara yang telah direkam atau database. Setelah melalui proses perhitungan fungsi jarak Euclidean, data diurutkan dari yang paling kecil ke paling besar (sort ascending). Hasil pengurutan merupakan keluaran untuk proses fungsi jarak Euclidean Penentuan Nada Proses penentuan nada adalah proses terakhir dari seluruh rangkaian proses pengenalan nada belira. Masukan untuk proses penentuan nada berasal dari hasil fungsi jarak Euclidean yaitu data yang telah diurutkan dari yang paling kecil ke paling besar. Setelah data diurutkan, penentuan nada dilakukan dengan memilih kelas yang memiliki nilai jarak paling kecil. Setelah mengetahui kelas yang memiliki nilai jarak paling kecil, maka hasil tersebut menjadi keluaran untuk proses penentuan nada yang berhasil dikenali. Hasil penentuan nada akan ditampilkan dalam bentuk teks. Gambar merupakan diagram alir penentuan nada. Mulai Masukan: Hasil fungsi jarak Euclidean Penentuan nada dengan memilih kelas yang memiliki nilai jarak paling kecil Keluaran: Nilai jarak terkecil dan teks hasil pengenalan nada di GUI Selesai Gambar Diagram alir penentuan nada

43 Perancangan Pengujian dan Analisis Untuk mengetahui kemampuan sistem pengenalan nada belira yang telah dirancang, maka pengujian dan analisis dilakukan terhadap sistem tersebut. Pengujian sistem dilakukan dengan menguji parameter pengenalan nada belira yang meliputi pengujian secara tidak real-time dan pengujian secara real-time. Parameter yang digunakan pada penelitian ini adalah frame blocking. Pengujian dilakukan dengan mengamati pengaruh variasi frame blocking terhadap tingkat pengenalan nada belira dengan tujuan untuk mengetahui jumlah koefisien ekstraksi ciri dengan tingkat pengenalan nada terbaik. Untuk mendapatkan persentase tingkat pengenalan nada, digunakan rumus sebagai berikut: Tingkat pengenalan = v Banyaknya percobaan 100% (3.2) dengan v adalah jumlah nada belira yang dikenali dan benar Pengujian Secara Tidak Real-Time Nada uji digunakan sebagai masukan pada pengujian secara tidak real-time. Proses pengambilan nada uji sama dengan proses pengambilan database Pengujian Secara Real-Time Pengujian secara real-time dilakukan dengan menggunakan masukan nada belira secara langsung. Jumlah data yang diambil untuk pengujian ini sebanyak 10 kali setiap nada Analisis Data Analisis data dilakukan dengan cara mengamati pengaruh pengubahan nilai frame blocking untuk mendapatkan jumlah koefisien ekstraksi ciri terkecil dengan recognition rate terbaik.

44 BAB IV HASIL DAN PEMBAHASAN Program yang telah dirancang dan dibuat akan diuji untuk mengetahui apakah program dapat bekerja sesuai dengan perancangan. Bab ini akan membahas mengenai hasil pengujian program tersebut. Data yang diperoleh dari hasil pengujian program akan memperlihatkan kemampuan program sehingga dapat dilakukan analisis Program Pengenalan Pembuatan program pengenalan dilakukan dengan menggunakan software Matlab Version (R2010a) pada laptop dengan spesifikasi sebagai berikut : Processor : AMD A8-4500M APU with Radeon(tm) HD Graphics 1.90 GHz RAM : 4,00 GB Tipe sistem : Sistem Operasi 64-bit Langkah-langkah menjalankan program pengenalan adalah sebagai berikut : 1. Buka Matlab, sesuaikan current folder dengan tempat penyimpanan program yang telah dibuat, dan ketik perintah GUI pada command window lalu tekan Enter. Tampilan GUI pengenalan nada belira ditunjukkan oleh Gambar 4.1. Gambar 4.1. Tampilan GUI pengenalan nada belira 27

45 28 2. User memilih nilai frame blocking yang akan digunakan seperti Gambar 4.2. dan menjalankan program dengan menekan tombol Mulai diikuti dengan memainkan salah satu nada belira yang ingin dikenali. Gambar 4.2. Pemilihan nilai frame blocking 3. User dapat melihat plot hasil perekaman nada pada kotak axes, nilai jarak Euclidean terkecil pada kotak static text 1, dan teks hasil pengenalan nada pada kotak static text 2 seperti Gambar 4.3. Gambar 4.3. Tampilan GUI pengenalan nada belira yang dijalankan dengan masukan nada re dan nilai frame blocking 64

46 29 4. Tombol Ulang untuk mengulangi proses pengenalan nada dari tampilan awal GUI seperti Gambar Tombol Selesai untuk menutup GUI pengenalan nada belira Listing Program Pengenalan Program pengenalan nada belira dijalankan dengan terlebih dahulu memilih nilai frame blocking. Setelah memilih nilai frame blocking, user dapat memulai proses pengenalan nada dengan menekan tombol Mulai. Pada saat menekan tombol Mulai, secara otomatis program akan merekam nada belira yang dimainkan dan menampillkan keluaran berupa plot perekaman nada, nilai jarak Euclidean terkecil, dan hasil pengenalan nada dalam bentuk teks. User dapat mengulangi proses pengenalan nada dengan menekan tombol Ulang dan mengakhiri proses pengenalan nada dengan menekan tombol Selesai. Pada tampilan GUI pengenalan nada belira terdapat 1 pop up menu, 3 push button, 1 axes, dan 2 static text Pop Up Menu Dalam program ini, pop up menu digunakan untuk variasi niai frame blocking yaitu 4096, 1024, 256, 64, dan 16. Gambar 4.4. merupakan listing program untuk variasi nilai frame blocking. indeks=get(handles.popupmenu1,'value'); switch indeks case 2 frame=4096; case 3 frame=1024; case 4 frame=256; case 5 frame=64; case 6 frame=16; end handles.frame=frame; guidata(hobject,handles); Gambar 4.4. Program variasi nilai frame blocking

47 30 Nilai-nilai variasi frame blocking diinisialisasikan dengan nama frame kemudian diproses dengan perintah handles. Program ini berjalan saat pemilihan nilai frame blocking yang dilakukan secara manual oleh user melalui GUI sesuai dengan diagram alir frame blocking pada Gambar Push Button, Axes, dan Static Text Dalam program ini digunakan 3 push button atau tombol yaitu, tombol Mulai, tombol Ulang, dan tombol Selesai. Saat user menekan tombol Mulai maka program akan berjalan otomatis mulai dari merekam nada belira yang dimainkan, menampilkan plot hasil perekaman nada pada kotak axes, menampilkan nilai jarak Euclidean terkecil pada kotak static text 1, dan menampilkan teks hasil pengenalan nada pada kotak static text 2. Saat user menekan tombol Ulang maka program akan mengulangi proses pengenalan nada dari tampilan awal. Saat user menekan tombol Selesai maka proses pengenalan nada akan berhenti dan GUI pengenalan nada akan tertutup. a. Tombol Mulai sample_length=1.5; sample_freq=10000; sample_time=(sample_length*sample_freq); x0=wavrecord(sample_time, sample_freq); wavwrite(x0, sample_freq, 'xxx.wav'); axes(handles.axes1) plot(x0); xlabel('data Tercuplik'); ylabel('amplitudo'); Gambar 4.5. Program untuk melakukan perekaman dan menampilkan plot hasil perekaman nada Gambar 4.5. merupakan listing program untuk melakukan perekaman dan menampilkan plot hasil perekaman nada. Program ini bekerja saat user menekan tombol Mulai di GUI untuk selanjutnya melakukan sampling dan menampilkan plot perekaman sesuai dengan diagram alir rekam pada Gambar 3.6. Pada program pengenalan nada, sample length yang digunakan adalah 1,5 detik dengan frekuensi sampling sebesar 10 khz. Sample

48 31 time didapatkan dari sample length dikalikan dengan frekuensi sampling. Untuk menyimpan nada yang direkam, perintah yang digunakan adalah wavrecord dan wavwrite. Plot perekaman ditampilkan pada kotak axes. Dalam program untuk menghasilkan ekstraksi ciri row mean DST, proses pertama yang dilakukan adalah normalisasi awal untuk sinyal nada terekam yang ditampilkan pada kotak axes. Normalisasi dilakukan dengan cara membagi data masukan (data sinyal nada terekam) dengan nilai absolut data tersebut. Proses selanjutnya adalah pemotongan sinyal yang dilakukan sebanyak dua kali. Pemotongan yang pertama pada bagian silence atau bagian awal sinyal yang tidak termasuk sinyal nada dan pemotongan kedua pada bagian transisi. Tujuan dari proses pemotongan adalah untuk menghilangkan sinyal yang tidak termasuk sinyal nada belira dan untuk mengurangi cacat sinyal akibat derau ruangan yang ikut terekam. Pada pemotongan sinyal silence, data yang tingginya lebih besar dari 0,3 dan lebih kecil dari (-0,3) diinisialisasikan sebagai b1. Data yang tidak memenuhi syarat b1 merupakan sinyal silence sehingga sinyal tersebut dihilangkan. Pada pemotongan sinyal transisi, 1 4 bagian sinyal yang terdapat di bagian awal diinisialisasikan sebagai bts. Sinyal tersebut dihilangkan untuk mendapatkan sinyal yang benar-benar sinyal nada belira. Proses selanjutnya adalah frame blocking yang tujuannya untuk mengambil sebagian data sesuai panjang nilai frame blocking yang dipilih oleh user. Data yang diambil tersebut untuk mewakili seluruh data yang terekam. Sinyal hasil frame blocking kemudian melalui proses normalisasi akhir yang bertujuan untuk menyetarakan amplitudo hasil frame blocking. Proses normaliasi akhir sama dengan proses normaliasi awal yaitu membagi data masukan yaitu hasil frame blocking dengan nilai absolut data tersebut. Selanjutnya akan melalui proses row mean DST yang meliputi proses pembentukan matriks, kemudian matriks tersebut akan diubah menjadi matriks kotak (reshape). Proses selanjutnya adalah proses transformasi matriks reshape ke dalam matriks reshape DST 2D. Pada proses DST 2D ini, setiap kolomnya akan dirata-ratakan sehingga hasil keluarannya adalah row mean DST. Rerata baris adalah proses terakhir dari row mean DST. Hasil sinyal pada rerata baris berasal dari hasil sinyal yang diperoleh dari proses sebelumnya yaitu DST 2D. Program untuk menghasilkan ekstraksi ciri row mean DST berjalan sesuai dengan diagram alir pada Gambar Listing program untuk menghasilkan ekstraksi ciri row mean DST ditunjukkan oleh Gambar 4.6.

49 32 % Batas potong b0=0.3; % Normalisasi 1 x1=x0/max(abs(x0)); % Pemotongan sinyal % 1. Potong silence b1=find(x1>b0 x1<-b0); x1(1:b1(1))=[]; % 2. Potong transisi bts=floor(0.25*length(x1)); x1(1:bts)=[]; % Frame blocking x2=x1(1:frm); % Normalisasi 2 x3=x2/max(x2); % Kolom matriks x4=reshape(x3,segmen,[]) % DST & 2D [baris,kolom]=size(x4); y1=zeros(baris,kolom); y2=y1; for k=1:kolom; y1(:,k)=dst(x4(:,k)); end for k=1:baris; y2(k,:)=dst(y1(k,:)); end x5=abs(y2); Gambar 4.6. Program untuk menghasilkan ekstraksi ciri row mean DST

50 33 % Rerata baris x6=x5'; x7=mean(x6); cn=x7' Gambar 4.6. (Lanjutan) Program untuk menghasilkan ekstraksi ciri row mean DST % Load database if (frm==16) load dst16; elseif (frm==64) load dst64; elseif (frm==256) load dst256; elseif (frm==1024) load dst1024; elseif (frm==4096) load dst4096; end Gambar 4.7. Program pemanggilan database function dst4096 frame=4096; segmen=sqrt(frame); % Pemrosesan database x1=wavread('do1.wav');y1=pdst(x1,frame,segmen); x2=wavread('do2.wav');y2=pdst(x2,frame,segmen); x3=wavread('do3.wav');y3=pdst(x3,frame,segmen); x4=wavread('do4.wav');y4=pdst(x4,frame,segmen); x5=wavread('do5.wav');y5=pdst(x5,frame,segmen); x6=wavread('do6.wav');y6=pdst(x6,frame,segmen); x7=wavread('do7.wav');y7=pdst(x7,frame,segmen); x8=wavread('do8.wav');y8=pdst(x8,frame,segmen); x9=wavread('do9.wav');y9=pdst(x9,frame,segmen); Gambar 4.8. Program pemrosesan database frame blocking 4096

51 34 x10=wavread('do10.wav');y10=pdst(x10,frame,segmen); z1=(y1+y2+y3+y4+y5+y6+y7+y8+y9+y10)/10; x1=wavread('re1.wav');y1=pdst(x1,frame,segmen); x2=wavread('re2.wav');y2=pdst(x2,frame,segmen); x3=wavread('re3.wav');y3=pdst(x3,frame,segmen); x4=wavread('re4.wav');y4=pdst(x4,frame,segmen); x5=wavread('re5.wav');y5=pdst(x5,frame,segmen); x6=wavread('re6.wav');y6=pdst(x6,frame,segmen); x7=wavread('re7.wav');y7=pdst(x7,frame,segmen); x8=wavread('re8.wav');y8=pdst(x8,frame,segmen); x9=wavread('re9.wav');y9=pdst(x9,frame,segmen); x10=wavread('re10.wav');y10=pdst(x10,frame,segmen); z2=(y1+y2+y3+y4+y5+y6+y7+y8+y9+y10)/10; x1=wavread('mi1.wav');y1=pdst(x1,frame,segmen); x2=wavread('mi2.wav');y2=pdst(x2,frame,segmen); x3=wavread('mi3.wav');y3=pdst(x3,frame,segmen); x4=wavread('mi4.wav');y4=pdst(x4,frame,segmen); x5=wavread('mi5.wav');y5=pdst(x5,frame,segmen); x6=wavread('mi6.wav');y6=pdst(x6,frame,segmen); x7=wavread('mi7.wav');y7=pdst(x7,frame,segmen); x8=wavread('mi8.wav');y8=pdst(x8,frame,segmen); x9=wavread('mi9.wav');y9=pdst(x9,frame,segmen); x10=wavread('mi10.wav');y10=pdst(x10,frame,segmen); z3=(y1+y2+y3+y4+y5+y6+y7+y8+y9+y10)/10; x1=wavread('fa1.wav');y1=pdst(x1,frame,segmen); x2=wavread('fa2.wav');y2=pdst(x2,frame,segmen); x3=wavread('fa3.wav');y3=pdst(x3,frame,segmen); x4=wavread('fa4.wav');y4=pdst(x4,frame,segmen); x5=wavread('fa5.wav');y5=pdst(x5,frame,segmen); x6=wavread('fa6.wav');y6=pdst(x6,frame,segmen); x7=wavread('fa7.wav');y7=pdst(x7,frame,segmen); x8=wavread('fa8.wav');y8=pdst(x8,frame,segmen); Gambar 4.8. (Lanjutan) Program pemrosesan database frame blocking 4096

52 35 x9=wavread('fa9.wav');y9=pdst(x9,frame,segmen); x10=wavread('fa10.wav');y10=pdst(x10,frame,segmen); z4=(y1+y2+y3+y4+y5+y6+y7+y8+y9+y10)/10; x1=wavread('sol1.wav');y1=pdst(x1,frame,segmen); x2=wavread('sol2.wav');y2=pdst(x2,frame,segmen); x3=wavread('sol3.wav');y3=pdst(x3,frame,segmen); x4=wavread('sol4.wav');y4=pdst(x4,frame,segmen); x5=wavread('sol5.wav');y5=pdst(x5,frame,segmen); x6=wavread('sol6.wav');y6=pdst(x6,frame,segmen); x7=wavread('sol7.wav');y7=pdst(x7,frame,segmen); x8=wavread('sol8.wav');y8=pdst(x8,frame,segmen); x9=wavread('sol9.wav');y9=pdst(x9,frame,segmen); x10=wavread('sol10.wav');y10=pdst(x10,frame,segmen); z5=(y1+y2+y3+y4+y5+y6+y7+y8+y9+y10)/10; x1=wavread('la1.wav');y1=pdst(x1,frame,segmen); x2=wavread('la2.wav');y2=pdst(x2,frame,segmen); x3=wavread('la3.wav');y3=pdst(x3,frame,segmen); x4=wavread('la4.wav');y4=pdst(x4,frame,segmen); x5=wavread('la5.wav');y5=pdst(x5,frame,segmen); x6=wavread('la6.wav');y6=pdst(x6,frame,segmen); x7=wavread('la7.wav');y7=pdst(x7,frame,segmen); x8=wavread('la8.wav');y8=pdst(x8,frame,segmen); x9=wavread('la9.wav');y9=pdst(x9,frame,segmen); x10=wavread('la10.wav');y10=pdst(x10,frame,segmen); z6=(y1+y2+y3+y4+y5+y6+y7+y8+y9+y10)/10; x1=wavread('si1.wav');y1=pdst(x1,frame,segmen); x2=wavread('si2.wav');y2=pdst(x2,frame,segmen); x3=wavread('si3.wav');y3=pdst(x3,frame,segmen); x4=wavread('si4.wav');y4=pdst(x4,frame,segmen); x5=wavread('si5.wav');y5=pdst(x5,frame,segmen); x6=wavread('si6.wav');y6=pdst(x6,frame,segmen); x7=wavread('si7.wav');y7=pdst(x7,frame,segmen); Gambar 4.8. (Lanjutan) Program pemrosesan database frame blocking 4096

53 36 x8=wavread('si8.wav');y8=pdst(x8,frame,segmen); x9=wavread('si9.wav');y9=pdst(x9,frame,segmen); x10=wavread('si10.wav');y10=pdst(x10,frame,segmen); z7=(y1+y2+y3+y4+y5+y6+y7+y8+y9+y10)/10; x1=wavread('dot1.wav');y1=pdst(x1,frame,segmen); x2=wavread('dot2.wav');y2=pdst(x2,frame,segmen); x3=wavread('dot3.wav');y3=pdst(x3,frame,segmen); x4=wavread('dot4.wav');y4=pdst(x4,frame,segmen); x5=wavread('dot5.wav');y5=pdst(x5,frame,segmen); x6=wavread('dot6.wav');y6=pdst(x6,frame,segmen); x7=wavread('dot7.wav');y7=pdst(x7,frame,segmen); x8=wavread('dot8.wav');y8=pdst(x8,frame,segmen); x9=wavread('dot9.wav');y9=pdst(x9,frame,segmen); x10=wavread('dot10.wav');y10=pdst(x10,frame,segmen); z8=(y1+y2+y3+y4+y5+y6+y7+y8+y9+y10)/10; dbs=[z1 z2 z3 z4 z5 z6 z7 z8]; save dst4096 dbs function z=pdst(x0,frame,segmen) % Batas potong b0=0.3; % Normalisasi 1 x1=x0/max(abs(x0)); % Pemotongan sinyal % 1. Potong silence b1=find(x1>b0 x1<-b0); x1(1:b1(1))=[]; % 2. Potong transisi bts=floor(0.25*length(x1)); x1(1:bts)=[]; % Frame blocking x2=x1(1:frame); % Normalisasi 2 x3=x2/max(x2); Gambar 4.8. (Lanjutan) Program pemrosesan database frame blocking 4096

54 37 % Kolom matriks x4=reshape(x3,segmen,[]); % DST & 2D [baris,kolom]=size(x4); y1=zeros(baris,kolom); y2=y1; for k=1:kolom; y1(:,k)=dst(x4(:,k)); end for k=1:baris; y2(k,:)=dst(y1(k,:)); end x5=abs(y2); % Rerata baris x6=x5'; x7=mean(x6); z=x7' Gambar 4.8. (Lanjutan) Program pemrosesan database frame blocking 4096 Gambar 4.7. merupakan listing program untuk memanggil database dan Gambar 4.8. merupakan listing program pemrosesan database. Database yang dipanggil sesuai dengan pilihan nilai frame blocking yang dipilih oleh user. Proses yang dilakukan selanjutnya adalah membandingkan database dengan data nada belira yang baru menggunakan perhitungan fungsi jarak Euclidean. Gambar 4.9. merupakan listing program untuk memanggil fungsi jarak Euclidean dan menampilkan nilai jarak Euclidean terkecil dan Gambar 4.10 merupakan listing program perhitungan fungsi jarak Euclidean. Setelah melalui proses perhitungan fungsi jarak Euclidean, data diurutkan dari yang paling kecil ke paling besar (sort ascending). Program pemanggilan database, pemrosesan database, pemanggilan fungsi jarak Euclidean, dan perhitungan fungsi jarak Euclidean berjalan sesuai dengan diagram alir pada Gambar 3.12.

55 38 % Hitung jarak for m=1:8 z(m)=fungsi_jarak(dbs(:,m),cn); end minz=min(z); set(handles.text9,'string',minz); Gambar 4.9. Program untuk memanggil fungsi jarak Euclidean dan menampilkan nilai jarak Euclidean terkecil function jec=jarak(x,y) % Jarak Euclidean c1=(x-y).^2; c2=sum(c1); jec=sqrt(c2); Gambar Program perhitungan fungsi jarak Euclidean Proses selanjutnya merupakan proses terakhir dari seluruh rangkaian proses pengenalan nada belira yaitu penentuan nada. Setelah data diurutkan, penentuan nada dilakukan dengan memilih kelas yang memiliki nilai jarak paling kecil. Jarak Euclidean terkecil ditampilkan pada static text 1 menggunakan program yang ditunjukkan oleh Gambar 4.9. Kelas yang memiliki nilai jarak paling kecil menjadi keluaran untuk proses penentuan nada yang berhasil dikenali. Proses penentuan nada yang ditampilkan dalam bentuk teks di GUI berjalan sesuai dengan diagram alir pada Gambar Gambar merupakan listing program untuk menampilkan teks hasil pengenalan nada. % Keluaran Teks if minz==z(1); z1={'do'}; set(handles.text6,'string',z1); Gambar Program untuk menampilkan teks hasil pengenalan nada

56 39 elseif minz==z(2); z4={'re'}; set(handles.text6,'string',z2); elseif minz==z(3); z5={'mi'}; set(handles.text6,'string',z3); elseif minz==z(4); z4={'fa'}; set(handles.text6,'string',z4); elseif minz==z(5); z5={'sol'}; set(handles.text6,'string',z5); elseif minz==z(6); z6={'la'}; set(handles.text6,'string',z6); elseif minz==z(7); z7={'si'}; set(handles.text6,'string',z7); elseif minz==z(8); z8={'do Tinggi'}; set(handles.text6,'string',z8); end Gambar (Lanjutan) Program untuk menampilkan teks hasil pengenalan nada b. Tombol Ulang Tombol Ulang berfungsi untuk mengulangi proses pengenalan nada dengan cara mengembalikan tampilan program ke tampilan awal GUI. Listing program yang digunakan untuk tombol Ulang ditunjukkan oleh Gambar Perintah plot(0) adalah perintah untuk menghapus plot yang ada pada kotak axes. Perintah set(handles.text6,'string',' ') dan set(handles.text9,'string',' ') adalah perintah untuk menghapus teks hasil pengenalan nada dan nilai jarak Euclidean terkecil pada kedua kotak static text. Perintah set(handles.popupmenu1,'value',1) adalah perintah untuk mengubah pilihan nilai frame blocking ke case yang tidak terdapat nilai di dalamnya yaitu case 1.

57 40 axes(handles.axes1); plot(0); set(handles.text6,'string',' '); set(handles.text9,'string',' '); set(handles.popupmenu1,'value',1) Gambar Program untuk mengulangi proses pengenalan nada dari tampilan awal GUI c. Tombol Selesai Tombol Selesai digunakan untuk mengakhiri proses pengenalan nada dan menutup GUI pengenalan nada belira. Gambar merupakan listing program yang digunakan untuk tombol Selesai. delete(figure(gui)); Gambar Program untuk menutup GUI pengenalan nada belira 4.3. Hasil Pengujian Program Pengujian program pengenalan nada belira dilakukan dengan menguji parameter pengenalan nada yang meliputi pengujian secara tidak real-time dan pengujian secara realtime. Parameter yang digunakan pada program ini adalah frame blocking. Pengujian dilakukan dengan mengamati pengaruh variasi frame blocking terhadap tingkat pengenalan nada belira dengan tujuan untuk mengetahui nilai frame blocking dan koefisien ekstraksi ciri terkecil dengan tingkat pengenalan nada terbaik Pengujian Secara Tidak Real-Time Nada uji digunakan sebagai masukan pada pengujian secara tidak real-time. Pengambilan nada uji dilakukan melalui proses sampling. Pengujian secara tidak real-time menggunakan nada uji sebanyak 10 data. Pilihan nilai frame blocking yang digunakan yaitu 4096, 1024, 256, 64, dan 16.

58 Tingkat Pengenalan (%) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 41 Tabel 4.1. Hasil pengujian secara tidak real-time Frame Blocking Panjang DST (titik) Tingkat Pengenalan (%) , Pengaruh Panjang DST Terhadap Tingkat Pengenalan Nada Secara Tidak Real-Time , Panjang DST (titik) Gambar Grafik pengaruh panjang DST terhadap tingkat pengenalan nada secara tidak real-time Berdasarkan hasil pengujian secara tidak real-time, dapat dilihat bahwa panjang DST 64 dan 32 menghasilkan persentase tingkat pengenalan 100%. Hasil tersebut menunjukkan bahwa dengan nilai-nilai panjang DST tersebut, semua nada dapat dikenali dengan baik. Namun saat panjang DST 16, 8, dan 4, secara berturut-turut persentase tingkat pengenalan nada turun menjadi 95%, 77,5%, dan 44%. Hasil tersebut menunjukkan bahwa saat panjang DST 16, 8, dan 4, ada beberapa nada yang sulit untuk dikenali dan bahkan tidak bisa dikenali sama sekali. Dari hasil tersebut, dapat diketahui bahwa semakin kecil panjang DST, semakin kecil tingkat pengenalan nada. Pengenalan nada yang baik secara tidak real-time didapatkan melalui pengaturan panjang DST dengan nilai minimal 32 atau frame blocking 1024.

59 Pengujian Secara Real-Time Pengujian secara real-time dilakukan dengan menggunakan masukan nada belira secara langsung. Jumlah data yang diambil untuk pengujian ini sebanyak 10 kali masingmasing nada tiap nilai frame blocking. Pilihan nilai frame blocking yang digunakan yaitu 4096, 1024, 256, 64, dan 16. Frame Blocking Tabel 4.2. Hasil pengujian secara real-time Nada Do Re Mi Fa Sol La Si Do Tinggi Tingkat Pengenalan (%) Rata-rata tingkat pengenalan 88% Persentase tingkat pengenalan dari masing-masing nilai frame blocking yang akan digunakan untuk membuat grafik pengaruh panjang DST terhadap tingkat pengenalan nada diperoleh menggunakan persamaan 3.2. Salah satu perhitungan untuk mendapatkan persentase tingkat pengenalan adalah sebagai berikut: Frame blocking 64 Tingkat pengenalan = v Banyaknya percobaan 100% = % = 95%

60 Tingkat Pengenalan (%) PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 43 Tabel 4.3. Pengaruh panjang DST terhadap tingkat pengenalan nada secara real-time Panjang DST (titik) Tingkat Pengenalan (%) Pengaruh Panjang DST Terhadap Tingkat Pengenalan Nada Secara Real-Time Panjang DST (titik) Gambar Grafik pengaruh panjang DST terhadap tingkat pengenalan nada secara real-time Berdasarkan hasil pengujian secara real-time, dapat dilihat bahwa panjang DST 64, 32, dan 16 menghasilkan persentase tingkat pengenalan 100%. Hasil tersebut menunjukkan bahwa dengan nilai-nilai panjang DST tersebut, semua nada dapat dikenali dengan baik. Namun saat panjang DST 8 dan 4, secara berturut-turut persentase tingkat pengenalan nada turun menjadi 95% dan 45%. Hasil tersebut menunjukkan bahwa saat panjang DST 8 dan 4, ada beberapa nada yang sulit untuk dikenali dan bahkan tidak bisa dikenali sama sekali. Sama seperti pengujian secara tidak real-time, semakin kecil panjang DST, semakin kecil tingkat pengenalan nada. Pengenalan nada yang baik secara real-time didapatkan melalui pengaturan panjang DST dengan nilai minimal 16 atau frame blocking 256.

61 44 Hasil penelitian ini memperlihatkan bahwa semakin kecil panjang DST, semakin sedikit jumlah data yang digunakan untuk melakukan perbandingan jarak. Ketika jumlah data sedikit, perbandingan jarak antara data nada baru dan data nada referensi akan menghasilkan nilai jarak terkecil berada pada kelas yang tidak sesuai dengan masukannya. Hal lain yang menyebabkan gagalnya pengenalan adalah derau ruangan atau suara-suara lain selain nada belira yang ikut terekam saat proses perekaman nada dan cara memainkan atau memukul belira yang tidak selalu sama setiap saat. Tabel 4.4. Perbandingan tingkat pengenalan nada dengan penelitian sebelumnya Ekstraksi Ciri DCT [2] Panjang DCT (titik) Tingkat Pengenalan (%) Panjang DST (titik) Ekstraksi Ciri DST Tingkat Pengenalan (%) , , Penelitian ini berhasil menjawab saran dari penelitian sebelumnya yaitu mengembangkan sistem pengenalan nada belira menggunakan jenis ekstraksi ciri yang lain agar dapat menghasilkan tingkat pengenalan yang lebih baik dengan koefisien ekstraksi ciri yang lebih kecil. Berdasarkan Tabel 4.4., dapat dilihat bahwa jika menggunakan ekstraksi ciri DCT, persentase tingkat pengenalan 100% bisa didapatkan melalui panjang DCT minimal 64 titik. Sedangkan jika menggunakan ekstraksi ciri DST, persentase tingkat pengenalan 100% sudah bisa didapatkan melalui panjang DST minimal 16 titik. Hasil tersebut menunujukkan bahwa ketika kedua jenis sistem pengenalan nada tersebut dijadikan sebagai aplikasi yang dijalankan pada komputer, maka sistem pengenalan nada dengan ekstraksi ciri DST membutuhkan space RAM yang lebih sedikit daripada ekstraksi ciri DCT. Hal itu terjadi karena pada saat proses perbandingan jarak, ekstraksi ciri DST hanya membutuhkan minimal 16 data. Semakin sedikit data yang digunakan pada saat menjalankan aplikasi, maka penggunaan RAM menjadi lebih hemat sehingga tidak menurunkan kinerja komputer dan tidak membuat komputer mengalami overheat.

62 BAB V KESIMPULAN DAN SARAN 5.1. Kesimpulan Kesimpulan yang didapatkan dari hasil pengujian sistem pengenalan nada belira adalah sebagai berikut : 1. Sistem pengenalan nada telah berjalan sesuai dengan perancangan, yakni dapat menampilkan plot hasil perekaman nada, nilai jarak Euclidean terkecil, dan teks hasil pengenalan nada. 2. Pengujian yang menghasilkan tingkat pengenalan nada 100% didapatkan melalui pengaturan frame blocking dengan nilai minimal 1024 atau panjang DST 32 untuk pengujian secara tidak real-time, dan pengaturan frame blocking dengan nilai minimal 256 atau panjang DST 16 untuk pengujian secara real-time. 3. Dari pengujian secara tidak real-time dan real-time diketahui bahwa semakin kecil frame blocking dan panjang DST, semakin kecil tingkat pengenalan nada Saran Saran yang diharapkan dapat membantu pengembangan sistem pengenalan nada belira adalah sebagai berikut : 1. Pengembangan sistem dengan menggunakan metode yang berbeda yang dapat menghasilkan tingkat pengenalan yang lebih baik dengan koefisien ekstraksi ciri yang lebih kecil. 2. Menentukan nilai parameter yang paling baik untuk pengenalan sehingga user bisa langsung memulai pengenalan tanpa mengatur parameter yang akan digunakan. 3. Untuk pengembangannya, dapat juga dengan membuat hardware pengenalan nada belira. 45

63 46 DAFTAR PUSTAKA [1] Soeharto, M., 1992, Kamus Musik, Grasindo, Jakarta. [2] Novariyanto, V. I., 2014, Pengenalan Nada Alat Musik Belira Secara Real Time dengan Ekastraksi Ciri DCT dan Similaritas Kosinus, Tugas Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma, Yogyakarta. [3] Indriani, Y. H., 2015, Pengenalan Nada Belira Menggunakan Analisis Amplitudo pada Ranah Frekuensi, Tugas Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma, Yogyakarta. [4] GNSSMANEG1BAUBAU, 2012, Perbedaan Drum Band dan Marching Band, diakses 14 Oktober [5] Sklar, B., 1988, Digital Communications Fundamental and Applications, PTR Pretince Hall, New Jersey. [6] Kartikasari, Y. E., 2006, Pembuatan Software Pembuka Program Aplikasi Komputer Berbasis Pengenalan Sinyal Suara, Tugas Akhir, PENS-ITS, Surabaya. [7] Kekre, H. B., Kulkarni, V., Venkatraman, S., Priya, A., Narasimhan, S., 2011, Speaker Identification Using Row Mean of DCT and Walsh Hadamard Transform, International Journal on Computer Science and Engineering (IJCSE), vol. 3, no. 3, hal [8] Melantika, A. S., 2010, Pengenalan Pola Batik Yogyakarta Menggunakan Metode Hidden Markov Models dengan Studi Kasus di Museum Batik Yogyakarta, Tugas Akhir, Jurusan Teknik Informatika, FST, Universitas Sanata Dharma, Yogyakarta. [9] Jain, A. K., Duin, R. P. W., Mao, J., 2000, Statistical Pattern Recognition: A Review, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 1, hal [10] Chiang, A. C., Wainwright, K., 2006, Dasar-dasar Matematika Ekonomi, Edisi 4, Jilid 1, Erlangga, Jakarta.

64 LAMPIRAN

65 L1 LAMPIRAN 1 PROSES MENYELURUH YANG DICERMINKAN DALAM BENTUK FLOWCHART *) Masukan menggunakan nada do dengan nilai frame blocking 256 Mulai Masukan: Nada do Rekam Normalisasi 1 A Gambar L1.1. Flowchart proses menyeluruh

66 L2 A Pemotongan sinyal (bagian silence) Pemotongan sinyal (bagian transisi) B Gambar L1.1. (Lanjutan) Flowchart proses menyeluruh

67 L3 B Frame blocking Normalisasi 2 C Gambar L1.1. (Lanjutan) Flowchart proses menyeluruh

68 L4 C Ekstraksi ciri row mean DST (pembentukan kolom matriks) Ekstraksi ciri row mean DST (DST 2D) D Gambar L1.1. (Lanjutan) Flowchart proses menyeluruh

69 L5 D Ekstraksi ciri row mean DST (rerata baris) Fungsi jarak Euclidean E Gambar L1.1. (Lanjutan) Flowchart proses menyeluruh