Deteksi Nada dan Perangkat Gamelan Menggunakan Filter Adaptif Least Mean Square(LMS)

Transkripsi

1 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) Deteksi Nada dan Perangkat Gamelan Menggunakan Filter Adaptif Least Mean Square(LMS) Vonda Bri Valdo Ary 1, Dr. Ir. Yoyon K Suprapto, M.Sc. 2, dan Prof. Dr. Ir. Mauridhi Hery P, M.Eng. 3 Jurusan Teknik Elektro, Fakultas Teknik Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Mahasiswa Program Sarjana, ( vondabri@gmail.com ) 2 Dosen Pembimbing ( yoyonsuprapto@ee.its.ac.id ) 3 Dosen Pembimbing ( hery@ee.its.ac.id ) Abstrak Ekstraksi nada perangkat gamelan dilakukan dengan menggunakan analisis dari domain frekuensi. Dalam pembuatan gamelan yang masih tradisional, akan dihasilkan frekuensi yang berbeda-beda antar perangkat satu dengan perangkat yang lain. Perbedaan frekuensi ini menjadi ciri khas satu gamelan dengan gamelan yang lain. Dengan mengetahui frekuensi sebuah nada, dapat diketahui nada tersebut berasal dari perangkat yang mana. Filter adaptif least mean square(lms) adalah filter digital yang mampu menyesuaikan parameter filter terhadap sinyal yang diberikan dengan menggunakan algoritma adaptif least mean square. Sehingga filter ini dapat dimanfaatkan untuk mendeteksi frekuensi dari sinyal perangkat gamelan yang beragam. Proses deteksi dimulai dengan membangkitkan sinyal referensi. Sinyal referensi selanjutnya disesuaikan dengan blind signal. Jika sinyal referensi yang telah disesuaikan tersebut mampu memfilter blind signal dan menghasilkan sinyal mendekati nol, maka frekuensi blind signal sama dengan sinyal referensi. Frekuensi tersebut selanjutnya dicocokan dengan data frekuensi dasar perangkat gamelan, maka akan diketahui nada dasar dan sumber perangkat. Sistem filter digital adaptif mampu mendeteksi frekuensi sinyal gamelan baik yang terdiri dari satu nada maupun dua nada dengan kesalahan deteksi sebesar 1 Hz. Kata Kunci Blind Signal, Filter Digital Adaptif, Gamelan, Least Mean Square. I. PENDAHULUAN AMELAN adalah seperangkat alat musik tradisional Gyang merupakan salah satu budaya bangsa Indonesia. Berbeda dengan musik barat, aturan elemen nada pada gamelan yang meliputi resonansi, frekuensi, amplitudo dan warna nada belum memiliki standart atau patokan yang jelas. Sehingga dalam pembuatan gamelan yang masih tradisional, akan dihasilkan elemen nada yang berbeda-beda antar perangkat satu dengan perangkat yang lain[1]. Hal ini terjadi karena masing-masing pembuat gamelan mengandalkan intuisi dan kemampuan pendengarannya. Padahal intuisi dan kemampuan masing-masing manusia dapat berbeda. Sebagain besar perangkat gamelan, berupa perangkat yang terdiri dari bilah-bilah logam. Selain itu terdapat perangkat yang terbuat dari kulit hewan dan beberapa alat tiup lain. Suara gamelan diciptakan dari pukulan palu kayu pada bilah logam perangkat gamelan. Masing-masing bilah akan bergetar dan menghasilkan frekuensi tertentu. Frekuensi ini yang menjadi nada dari bilah tersebut[2]. Kekuatan pukulan yang berbeda akan menghasilkan spektrum/bentuk suara yang berbeda. Perubahan sifat spektrum ini juga mempengaruhi cara pemisahan suara(ekstraksi). Pada tugas akhir ini dilakukan analisis ekstraksi sinyal gamelan. Ekstraksi dilakukan untuk mengetahui notasi yang dimainkan, jenis alat musik yang dimainkan dan alat musik mana yang dimainkan. Analisis dilakukan menerapkan filter adaptif least mean square(lms). II. TEORI DASAR A. Gamelan Jawa Istilah gamelan berasal dari kata gamel yang berarti dipukul[3]. Di Indonesia sendiri terdapat beberapa variasi gamelan. Variasi ini dipengaruhi oleh budaya yang ada disekitarnya, diantaranya gamelan jawa, gamelan bali, gamelan banyuwangi dan lain sebagainya. Hampir sebagian besar bermaca-macam variasi gamelan tersebut memiliki perangkat penyusun gamelan yang sama. Perbedaan yang mencolok terdapat pada cara memainkan alat musiknya. Pada gamelan jawa, terdapat dua jenis tangga nada yaitu tangga nada pelog dan slendro. Kedua tangga nada tersebut memiliki nada sebagai berikut : 1. Pada tangga nada pelog, terdapat tujuh nada yaitu 1, 2, 3, 4, 5, 6 dan 7 {C+ D E- F# G# A B}, dengan perbedaan interval yang cukup besar. 2. Pada tangga nada slendro terdiri dari lima nada, yaitu 1, 2, 3, 5 dan 6 {C- D E+ G A}, dengan perbedaan interval yang lebih kecil dari pelog[4]. Ciri khas dari perangkat gamelan yang lain adalah masingmasing perangkat hanya memiliki dan mewakili satu oktaf. Sebagai contoh pada keluarga balungan yang terdiri dari demung, saron dan peking. Diantara ketiga perangkat tersebut, demung menempati oktaf paling rendah. Oktaf diatasnya adalah saron dan oktaf tertinggi adalah peking. Sehingga frekuensi nadanya juga bertingkat, frekuensi saron adalah dua kali frekuensi demung. Sementara frekuensi peking dua kali frekuensi saron[5]. Data frekuensi nada dasar perangkat balungan bisa dilihat pada Tabel 1.

2 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) Tabel 1. Frekuensi Nada Dasar Balungan [5] Notasi Pelog Frekuensi Dasar (Hz) Demung Saron Peking Dalam pembuatan gamelan, pengerajin masih mengandalakan kemampuan pendengaran tanpa menggunakan tunner untuk menyamakan nada. Sehingga akan diperoleh frekuensi yang berbeda dari perangkat gamelan yang berbeda[6]. Tabel 2 menunjukan data frekuensi dari 4 set saron yang berbeda. Dari Tabel 2 tersebut dapat diketahui bahwa antara satu set gamelan dengan set gamelan yang lain bisa terjadi perbedaan frekuensi meskipun hanya sedikit. Tabel 2. Data Frekuensi 4 Set Saron [6] Notasi Saron Frekuensi Fundamental Gamelan (Hz) Set 1 Set 2 Set 3 Set 4 Min Max B. Estimasi Frekuensi Dengan FFT Dalam menganalisis suara gamelan, terlebih dahulu perlu diketahui frekuensi dasar untuk masing-masing nada. Hal ini bertujuan agar terbentuk tabel frekuensi yang dapat digunakan sebagai acuan dalam analisis tahap selanjutnya. Salah satu metode yang digunakan untuk melakukan mengetahui frekuensi dari sebuah sinyal adalah dengan menggunakan metode transformasi fourier. Transformasi fourier bertujuan untuk mengubah sinyal suara yang berdomain waktu kedalam domain frekuensi. Hasil dari transformasi fourier adalah spektrum frekuensi. Spektrum frekuensi menyatakan komposisi susunan frekuensi dari suatu sinyal. Spektrum frekuensi kemudian digunakan untuk keperluan pemrosesan sinyal. Persamaan transformasi fourier dapat dilihat pada persamaan 1[7]. FT(ω) = x(t)e jωt dt (1) Dimana: FT(ω) adalah hasil dari transformasi fourier dengan ω adalah komponen frekuensi. x(t) adalah sinyal masukan dari transformasi fourier dengan t adalah satuan waktu (detik).dengan e jωt = sin(ω) j cos(ω) C. Filter Adaptif Least Mean Square(LMS) Filter adaptif dapat melakukan penyesuaian sendiri parameternya dengan menggunakan algoritma rekursif, yang membuat filter dapat bekerja secara optimal pada lingkungan dimana pengetahuan yang lengkap mengenai karakteristik sinyal tidak bisa diperoleh. Algoritma tersebut berawal dari kumpulan kondisi awal yg telah ditentukan sebelumnya yang tidak dipengaruhi oleh kondisi lingkungan yang ada[8]. Operasi pada algoritma filter adaptif terdapat dua proses yaitu: proses pemfilteran yg direncanakan untuk menghasilkan keluaran guna memberikan tanggapan barisan masukan & proses adaptif yang bertujuan untuk memberikan mekanisasi pengatur adaptif guna mengatur parameter yang digunakan didalam proses pemfilteran. Dua proses ini bekerja saling berkaitan satu sama lain[9]. Diagram filter adaptif dapat dilihat pada Gambar 1. Gambar. 1. Diagram Filter Adaptif [9] Blind signal d(k) diberikan pada salah satu input sistem. Selain itu pula, terdapat input lain yang berupa reference signal x(k). Sinyal x(k) selanjutnya akan difilter dan akan dihasilkan output signal y(k). Diharapkan, dengan proses filter ini, sinyal x(k) dapat menjadi sinyal y(k) yang mirip dengan sinyal d(k). Selanjutnya sinyal d(k) difilter terhadap sinyal y(k) akan diperoleh error signal e(k). Sinyal e(k) digunakan untuk memperbaiki nilai w(k) filter dengan menggunakan algoritma adaptif. W(k) ini adalah parameter filter yang nilainya terus berubah menyesuaikan nilai e(k). Jika sistem ini dilakukan berulang-ulang maka akan dihasilkan nilai e(k) yang mendekati nol. Least Mean Square(LMS) merupakan algoritma adaptif yang digunakan untuk menentukan parameter/bobot baru dari filter. Kelebihan dari algoritma ini yaitu memiliki perfoma yang stabil dan handal dalam menghadapi kondisi sinyal yang berbeda-beda. Pada Gambar 1, algoritma least mean square(lms) terletak pada blok diagram adaptive algoritm. w(n +1) = w(n)+ 2µe(n)x(n) (2) Dari rumus 2 tersebut, w(n+1) adalah bobot baru dari filter[10]. Bobot tersebut diperoleh dari bobot sebelumnya w(n) yang ditambah dengan dua kali perkalian orde (µ) dengan error e(n) dan sinyal masukan x(n). Bobot w(n+1) inilah yang menjadi parameter w(n)yang baru pada filter adaptif pada Gambar 2.3. Algoritma ini yang memungkinkan filter melakukan eliminasi gangguan sesuai dengan kondisi yang diinginkan. D. Mean Square Error(MSE) Mean Square Error(MSE) adalah salah satu cara metode untuk menghitung nilai error atau kesalahan dari sebuah sistem. Perhitungannya adalah dengan mencari nilai rata-rata dari kuadrat error. Kuadrat dari selisih antara hasil dan nilai sebenarnya disebut dengan quadratic loss funtion.

3 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) MSE( ˆ θ) = E[( ˆ θ θ) 2 ] (3) Dimana : θ ˆ adalah nilai dari hasil perhitungan. θ adalah hasil nilai keluaran yang diinginkan. Pada tugas akhir ini, MSE dihitung dengan menghitung nilai rata-rata kuadrat sinyal keluaran. Pada persamaan 3, sinyal keluaran mewakili θ ˆ. Sementara itu θ diwakili oleh nilai 0. Hal ini disebabkan karena ketika filter bekerja dengan baik atau bekerja secara ideal, maka sinyal keluaran filter akan bernilai 0. Sehingga nilai keluaran yang diinginkan (θ ) adalah nol. µ = 0,0055 A. Metodologi Sistem III. DESAIN DAN IMPLEMENTASI Secara garis besar, sistem yang dijalankan mengikuti diagram pada Gambar 2. Gambar. 3. Pengaruh Step Size(µ) Terhadap MSE 2) Pengaruh Panjang Window Uji coba dilakukan dengan memvariasaikan panjang window dan diperoleh hasil seperti pada Gambar 4. Dari Gambar 4 dapat dilihat bahwa MSE terendah terdapat pada saat panjang window 6. Sehingga, untuk selanjutnya panjang window yang digunakan adalah 6 sampel. Gambar. 2. Diagram Metode Sistem Sistem terdiri dari dua bagian, pembuatan tabel frekuensi dasar dan sistem filter digital adaptif & MSE. Pembuatan tabel frekuensi menggunakan proses FFT terhadap seluruh kemungkinan nada. Tabel Frekuensi dasar digunakan sebagai acuan dalam proses analisis. Sistem filter digital adaptif & MSE terdiri dari beberapa tahapan. Tahapan pertama membangkitkan sinyal referensi. Selanjutnya dilakukan proses filter antara blind signal dengan sinyal referensi. Dari hasil filter, dapat dihitung nilai MSE sinyal. Selanjutnya nilai MSE sinyal dianalisis dan dibandingkan terhadap tabel frekuensi, maka akan dihasilkan perkiraan nada dan perangkat. B. Pengaruh Parameter Filter Adaptif LMS Filter adaptif LMS memiliki beberapa parameter yang dapat mempengaruhi kinerjanya. Parameter tersebut adalah step size(µ) dan panjang window. Parameter yang berbeda akan menghasilkan nilai kesalahan yang berbeda. Tugas akhir ini tidak memfokuskan pada pengaruh parameter filter terhadap kinerja filter. Oleh karena itu pada tugas akhir ini, parameter-parameter tersebut menjadi variabel kontrol. 1) Pengaruh Step Size(µ) Uji coba dilakukan dengan memvariasaikan nilai step size(µ) dan diperoleh hasil seperti pada Gambar 3. Dari Gambar 3 dapat dilihat bahwa MSE terendah terdapat pada saat nilai µ 0,0055. Sehingga, untuk selanjutnya nilai µ yang digunakan adalah 0,0055. window = 6 Gambar. 4. Pengaruh Panjang Window Terhadap MSE C. Sinyal Referensi Sinyal referensi dibangkitkan mengikuti aturan dari penelitian lain yang berkaitan dengan tuner perangkat gamelan[11]. Secara matematis, pembangkitan sinyal referensi dituliskan dengan persamaan 4. X p (n) = A sin(2 phi ( f fs ) x +θ) e n (4) Sinyal ini dibentuk dengan membangkitkan sinyal sinusoidal sesuai dengan frekuensi yang diinginkan. Selanjutnya sinyal sinusoidal dilakukan modulasi terhadap standart envelope. IV. PENGUJIAN DAN ANALISIS A. Sinyal Masukan Pengujian dilakukan terhadap sinyal masukan yang terdiri dari satu atau lebih nada. Sinyal masukan yang terdiri lebih dari satu nada, adalah sinyal gabungan dari dua sinyal yang digabung dengan secara alami yang telah ditentukan terlebih dahulu. Sinyal suara perangkat gamelan yang digunakan

4 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) sebagai bahan uji, merupakan instrumen gamelan dari keluarga balungan yaitu saron dengan nada slendro yang direkam pada fs Hz. Sinyal masukan ini dalam sistem dianggap sebagai blind signal. B. Tabel Frekuensi Setiap perangkat gamelan memiliki frekuensi nada dasar yang berbeda-beda. Untuk mendapatkan nilai frekuensi nada dasar, dilakukan proses FFT terhadap seluruh kemungkinan nada. Tabel 3 menunjukan data frekuensi nada dasar gamelan yang akan diuji. Dari Tabel 3, dapat diketahui bahwa seluruh nada antara saron A dan B memiliki frekuensi yang berbeda. Terdapat selisih terkecil sebesar 2 Hz dan selisih terbesar sebesar 8 Hz. Tabel 3. Data Frekuensi Saron yang Diuji Nada Slendro Frekuensi Dasar (Hz) Saron A Saron B menunjukan noise dari sinyal input. Tabel 4. Hasil Deteksi Frekuensi Saron D. Pengujian Terhadap Sinyal Dua Nada Pengujian dilakukan terhadap gabungan saron A nada 6 dan saron B nada 1 dan diperoleh grafik seperti pada Gambar 6. f = 757 Hz f = 969 Hz C. Pengujian Terhadap Sinyal Satu Nada Pengujian dilakukan terhadap sinyal Saron B nada 3 dan diperoleh hasil seperti Gambar 5. f = 722 Hz Gambar. 5. Hasil Filter Terhadap Sinyal Satu Nada Pada Gambar 5, terlihat grafik memiliki satu titik curam. Hal ini menunjukan bahwa bahwa sinyal memiliki satu nada penyusun. Nilai yang ditunjukan MSE terendah adalah frekuensi 722 Hz yang menunjukan frekuensi nada dasarnya. Jika dilihat pada Tabel 3, nilai tersebut sesuai dengan saron B nada 3. Hal ini menunjukan bahwa sistem dapat menendeteksi sesuai dengan nada dan perangkat yang dimasukan. Tabel 4 menunjukan data uji coba terhadap seluruh sampel nada. Jika dibandingkan terhadap Tabel 3, terdapat selisih 1 Hz pada 4 sinyal saron A nada 5 dan 6 sinyal saron B nada 5. Hal ini terjadi karena kenaikan variasi yang digunakan pada variasi frekuensi sinyal referensi sebesar 1 Hz, sehingga ketelitian perhitungan memiliki toleransi 1 Hz. Sistem filter digital adaptif tidak hanya menunjukan frekuensi penyusun sinyal, namun juga mampu memberi informasi keberadaan noise. nilai MSE dari sinyal f = 544 Hz Gambar. 6. Hasil Filter Terhadap Sinyal dengan Dua Nada Pada Gambar 6, dapat dilihat bahwa terdapat dua titik curam error pada grafik. Hal ini menunjukan bahwa terdapat dua frekuensi dominan yang ada pada sinyal. Kedua frekuensi tersebut adalah frekuensi 544 Hz dan 969 Hz. Jika dibandingkan dengan Tabel 3, frekuensi 969 Hz sesuai dengan nilai frekuensi saron A nada 6. Sementara frekuensi 544 Hz yang ditemukan memiliki nilai yang sama dengan frekuensi saron B nada 1. Kedua nada tersebut menunjukan nilai frekuensi yang sama dengan hasil FFT. Pada Gambar 6 juga dapat diketahui bahwa sinyal yang dianalisis mengandung noise, hal ini bisa dilihat dari ripple yang terjadi pada grafik, misalnya nilai MSE disekitar frekuensi 757 Hz. Ripple ini dapat mempengaruhi kinerja dari sistem deteksi nada dan perangkat pada tugas akhir ini, karena ripple bisa dideteksi sebagai frekuensi dominan. E. Pengaruh Panjang Sampel Terhadap Sistem Pada penelitian ini juga dilakukan analisis terkait pengaruh panjang sampel sistem yang dilakukan. Pada uji coba sebelumnya, panjang sampel yang diujikan tidak dibatasi, sehingga panjang sampel yang digunakan sesuai dengan panjang sampel hasil rekaman. Uji coba dilakukan terhadap sinyal saron B nada 3 dan memvariasikan panjang sinyal tersebut sebesar 1000 sampel hingga seluruh sampel dengan kenaikan sebesar 2000 sampel. Dari uji coba diperoleh Gambar 7. Dapat dilihat bahwa nilai MSE menaik saat panjang sampel 1000 hingga 5000 sampel. Selanjutnya nilai MSE turun saat panjang sampel antara 5000 hingga sampel. Nilai MSE relatif stabil saat panjang

5 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) sampel yang digunakan sebesar lebih dari sampel. Frekuensi ini berbeda dengan frekuensi yang seharusnya yaitu sebesar 722 Hz, sehingga terdapat kesalahan sebesar 3 Hz. panjang sampel 5000 panjang sampel f = 722 Hz Gambar. 7. Pengaruh Panjang Sampel Sinyal Input terhadap Sistem Selanjutnya dilakukan analisis terhadap empat macam panjang sinyal input. Yaitu panjang sinyal 1000, 5000, dan seluruh sampel. Gambar. 10. Hasil Sistem dengan Menggunakan Sampel Gambar 10 adalah grafik hasil dari sistem yang menggunakan data input sebesar sampel. Dari grafik tersebut, terlihat grafik yang terbentuk dapat menunjukan nilai frekuensi dari MSE terendah. Pada grafik tersebut, MSE terendah terdapat pada frekuensi 722 Hz. Frekuensi ini sesuai dengan frekuensi yang seharusnya yaitu sebesar 722 Hz. f = 813 Hz Gambar. 8. Hasil Sistem dengan Menggunakan 1000 Sampel Dari Gambar 8, diperoleh grafik MSE yang tidak beraturan. Dari grafik tersebut, terlihat bahwa nilai MSE terendah terjadi pada frekuensi 813 Hz. Nilai ini jauh dari nilai frekuensi yang sebenarnya yaitu sebesar 722 Hz. Selain itu, terlihat bentuk grafik yang tidak beraturan sehingga sulit dilakukan analisis berapa nada penyusun sinyal input. f = 725 Hz Gambar. 9. Hasil Sistem dengan Menggunakan 5000 Sampel Gambar 9 adalah grafik hasil dari sistem yang menggunakan 5000 sampel. Dari grafik tersebut, dapat dilihat grafik yang terbentuk memiliki ripple namun masih dapat menunjukan nilai frekuensi dari MSE terendah. Pada grafik tersebut, MSE terendah terdapat pada frekuensi 725 Hz. f = 722 Hz Gambar. 11. Hasil Sistem dengan Menggunakan Seluruh Sampel Gambar 11 adalah grafik hasil dari sistem yang menggunakan data input seluruh sampel. Dari grafik tersebut, dapat dilihat grafik yang terbentuk dapat menunjukan nilai frekuensi dari MSE terendah. Pada grafik tersebut, MSE terendah terdapat pada frekuensi 722 Hz. Frekuensi ini sesuai dengan frekuensi yang seharusnya yaitu sebesar 722 Hz. Bentuk grafik pada Gambar 10 mirip dengan grafik pada Gambar 11. Hal ini menujukan bahwa sistem sudah dapat bekerja dengan baik ketika sampel input sebesar sampel atau lebih. Selain analisa terkait MSE, juga dilakukan analisis berkaitan dengan waktu komputasi. Panjang sampel yang digunakan mempengaruhi waktu komputasi dari sistem. Hal ini dapat dilihat pada data berikut : 1. Data input 1000 sampel membutuhkan waktu komputasi sebesar 25,78 s 2. Data input 5000 sampel membutuhkan waktu komputasi sebesar 58,3881 s 3. Data input sampel membutuhkan waktu komputasi sebesar 453,2152 s 4. Data input semua sampel membutuhkan waktu komputasi sebesar 3562,8559 s

6 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) Selain itu untuk waktu masing-masing iterasi untuk setiap satu frekuensi sinyal referensi, membutuhkan waktu seperti pada Gambar 12. Dapat dilihat bahwa semakin panjang sampel yang digunakan sebagai sinyal input, waktu yang dibutuhkan akan bertambah semakan lama secara linier. Gambar. 12. Pengaruh Panjang Sampel terhadap Waktu Komputasi DAFTAR PUSTAKA [1] Sumariksa, I Putu Arya. Proses Pembuatan Bilah <URL : jurnal.isidps.ac.id/index.php/artikel/article/view/860/1495 >, diakses tanggal 15 Desember 2013 [2] Putra, Arief Rahmandani. Gamelan <URL : diakses tanggal 15 Desember 2013 [3] Utomo, Wahyu B. Sejarah Gamelan dan Makna <URL : tanggal 15 Desember 2013 [4] Utomo, Yunanto Wiji. PERTUNJUKAN GAMELAN Orkestra a la Jawa <URL : diakses tanggal 15 Desember [5] Suprapto, K., Puspito D., Tjahjanto Aris., Usagawa, Tsuyoshi., Onset Detection using Adaptive Cross-correlation for Automatic Transcription on Multi Gamelan Instruments, Computation Laboratory, Institute Technology of Sepuluh Nopember ITS, Surabaya, May, 2010 [6] Suprapto, Yoyon K, Ekstraksi Suara Saron Berbasis Spectral- Density Menggunakan Filter Multidimensi [7] Ludeman, C. Lonnie. Fundamentals of Digital Signal Processing, John Wiley & Sons, [8] Haykin, Simon. Introduction: The LMS Filter (Algoritm). Wiley- Interscience [9] Bilcu, Radu Ciprian. On Adaptive Least Mean Square FIR Filters: New Implementation and Applications. Finland : Thesis Tampere University of Technology [10] Suprapto, Yoyon K. Segmentation of Identical and Simultaneously Played Traditional Music Instruments using Adaptive LMS. IPTEK ITS XXX [11] Pradhana, Vincentius E. dan Suprapto, Yoyon K., Portable High Performance Gamelan Tuner using Adaptive Waveform Pattern Matching, TICA 2012 Paper, Tokyo, Desember V. KESIMPULAN Dari penelitian tugas akhir ini, dapat diambil kesimpulan sebagai berikut: 1. Untuk blind sinyal yang terdiri dari satu nada, filter digital adaptif least mean square(lms) dapat mendeteksi frekuensi sesuai perhitungan yang diperoleh dari sistem FFT. Dengan tingkat kesalahan sebesar 1 Hz. 2. Untuk blind sinyal yang terdiri dari dua nada, frekuensi yang diperoleh filter digital adaptif least mean square(lms) menunjukan nilai yang sama dengan frekuensi yang diperoleh dari FFT. 3. Hasil deteksi frekuensi dengan menggunakan filter adaptif least mean square(lms) dapat mendeteksi nada dan perangkat dari set gamelan yang berbeda, dengan membandingkan hasil frekuensi tersebut terhadap tabel frekuensi. Agar proses deteksi berhasil, harus terdapat perbedaan frekuensi antar perangkat yang berbeda minimal 2 Hz untuk nada yang sama. 4. Agar sistem filter digital adaptif least mean square(lms) berjalan dengan baik, dibutuhkan sinyal input dengan panjang sampel atau lebih. Penulis bernama lengkap Vonda Bri Valdo Ary. Teman temannya biasa memanggil dengan nama Vonda. Pria ini lahir di Blitar tepatnya tanggal 10 Desember Riwayat pendidikannya dimulai dari TK Pertiwi 1 Talun pada tahun 1995 sampai 1997, kemudian dilanjutkan ke SD Talun 4 pada tahun 1997 sampai 2003, lalu berlanjut ke SMP Negeri 1 Wlingi pada tahun 2003 sampai 2006, kemudian di SMA Negeri 1 Talun pada tahun 2006 sampai 2009, dan sempat mengenyam bangku kuliah di Jurusan Teknik Elektro ITS sejak tahun 2009 sampai tahun Ketika kuliah di Jurusan Teknik Elektro, penulis mengambil bidang studi Teknik Komputer dan Telematika dan sempat terdaftar sebagai asisten Laboratorium B201. Pria yang bertinggi badan 174 cm ini mempunyai motto hidup yaitu, lakukan yang terbaik dan nikmatilah.