PENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN

Transkripsi

1 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 ISSN: PENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN Gunawan 1, Agus Djaja Gunawan, Stefanus Nico Soenardjo 1 Jurusan Teni Informatia, Seolah Tinggi Teni Surabaya Jl. Ngagel Jaya Tengah 7-77, Surabaya 6084 Telp. (01)50790, Fas. (01) admin@hansmichael.com, Jurusan Teni Eletro, Seolah Tinggi Teni Surabaya Jl. Ngagel Jaya Tengah 7-77, Surabaya dwaynecrawner@yahoo.com Jurusan Teni Informatia, Seolah Tinggi Teni Surabaya Jl. Ngagel Jaya Tengah 7-77, Surabaya 6084 Telp. (01)50790, Fas. (01) secretmenaa@yahoo.com ABSTRAK Pada maalah ini diembangan sebuah sistem yang melauan lasifiasi terhadap file musi berdasaran atas jenis alat musinya. Batasan yang diberian adalah musi menjadi inputan harus solo instrumen dan tanpa voal. Jenis file yang menjadi inputan adalah file WAVE. Untu proses pengenalan musi program ini dibagi dalam dua fase, yaitu fase estrasi fitur dan fase lasifiasi musi. Pada fase estrasi fitur, yang dilauan adalah untu mengambil ciri-ciri dari file musi. Ciri-ciri ini emudian aan menjadi dasar untu melauan lasifiasi jenis alat musi. Dalam fase ini, terjadi tiga proses yaitu pengambilan sampel, FFT dan Spectral Analysis. Fase lasifiasi musi terdiri dari dua proses, yaitu proses pelatihan dan uji coba. Metode yang digunaan dalam fase lasifiasi musi ini adalah Bacpropagation Neural Networ. Yang menjadi input pada proses lasifiasi adalah ciri-ciri lagu yang telah didapatan dari fase estrasi fitur. Output yang diharapan dari fase lasifiasi adalah jenis alat musi dari file input. Kata Kunci: solo instrumen, lasifiasi, bacpropagation 1. PENDAHULUAN Perembangan musi dewasa ini sudah begitu pesat. Banya seali macam musi yang ada. Hal ini menyebaban lagu yang ada menjadi sangat banya. Untu memudahan proses penyimpanan, saat ini banya yang disimpan dalam bentu eletroni. Keadaan ini adang ala menyebaban proses pencarian terhadap sebuah lagu menjadi sulit. Kadang ala bahan musi yang disimpan tida dietahui judul Salah satu solusi yang bisa digunaan untu menangani masalah ini adalah dengan membuat suatu lasifiasi terhadap lagu tersebut berdasaran atas riteria tertentu sesuai dengan eperluan. Klasifiasi yang dilauan diharapan dapat membantu proses pencarian terhadap suatu lagu tertentu. Proses lasifiasi musi dapat dilauan berdasaran riteria-riteria tertentu, misalnya nama artis, judul lagu, jenis lagu dan sebagainya. Salah satu riteria yang digunaan adalah dengan berdasaran jenis alat musi yang digunaan. Klasifiasi berdasaran atas jenis alat musi yang digunaan lebih efetif bila digunaan untu musi yang hanya menggunaan solo instrument. Klasifiasi ini aan urang efetif bila digunaan pada musi yang terdiri dari banya instrument.. PEMAHAMAN DISIPLIN TERKAIT Terdapat empat teori yang menduung maalah ini. Beriut aan dijelasan secara singat mengenai File WAVE, FFT, Spectral Analysis dan Bacpropagation Neural Networ..1 File Wave File WAVE merupaan salah satu format data yang digunaan untu menyimpan suara. Dengan menggunaan format tertentu maa suara bai berupa ucapan orang maupun bunyi yang dihasilan dari alat musi dapat tersimpan, sehingga sewatuwatu dapat dijalanan embali. Musi sendiri merupaan hasil arya seni dalam bentu suara tersusun atas satuan watu, perpaduan dari seseorang atau beberapa pemusi beserta dengan alat musinya. Metode penyimpanan file WAVE menggunaan sistem Pulse Code Manupulation (PCM) untu mengodean suara dari bentu analog menjadi bentu digital. Dalam metode ini yang dilauan adalah mengambil sampel dari sinyal analog yang diterima dalam selang watu tertentu, emudian sampel ini direpresentasian dalam suatu nilai dalam bentu digital (biasanya dalam bentu biner). Hal ini dienal dengan istilah sampel rate. Jadi, sampel rate adalah jumlah sampel yang diambil per deti dari sebuah sinyal yang ontinue untu dijadian sinyal yang disrit. Satuan dari sampel rate adalah Hertz (Hz). Gambaran mengenai format file WAVE bisa dilihat pada Gambar 1. F-67

2 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 ISSN: Data A dibagi menjadi elompo lagi, yaitu data urutan genap dan data urutan gasal, sehingga menjadi A 5 (x 1, x 5 ) dan A 6 (x, x 7 ). 8. DFT dari A 5 adalah = x1 / 4 x5 DFT dari A 6 adalah 4 = x / 4x7, Gambar. Algoritma Fast Fourier Transform Untu menghitung transformasi fourier, terdapat sebuah algoritma yang dapat menghitung dengan cepat yang dengan algoritma Fast Fourier Transform (FFT) (Gabel, 1996). Beriut ini pada Gambar adalah algoritma FFT dengan contoh perhitungan dengan menggunaan 8 data. Gambar 1. Format File WAVE Sebuah file WAVE terdiri dari elompoelompo data yang disebut chun (Sapp, 00). Dalam sebuah chun terdapat bagian header dan data. File WAVE biasanya terdiri dari sebuah chun yang mengandung dua sub-chuns.. Fast Fourier Transform Transformasi fourier digunaan untu mengubah fungsi atau sinyal dalam domain watu e domain freuensi. Tranformasi fourier diemuaan oleh Joseph Fourier, seorang matematiawan Prancis, pada Tahun 18. Pada awalnya penemuan ini dienal dengan sebutan Transformasi Fourier (FT) (Rosdiana, 006). 1. Urutan data (A 0 ) = x 0, x 1, x, x, x 4, x 5, x 6, x 7 Interval N adalah 0,,7. Nilai N adalah 8.. DFT dari A 0 adalah 1 = 11( ) 1 Nilai dimulai dari 0 sampai N-1.. Data A 0 dibagi menjadi elompo, yaitu data urutan genap dan data urutan gasal, sehingga menjadi A 1 (x 0, x, x 4, x 6 ) dan A (x 1, x, x 5, x 7 ). 4. DFT dari A 1 adalah 11 = 1( ) / DFT dari A adalah 1 = ( ) / 4 Nilai dimulai dari 0 sampai N/-1 (). 5. Data A 1 dibagi menjadi elompo lagi, yaitu data urutan genap dan data urutan gasal, sehingga menjadi A (x 0, x 4 ) dan A 4 (x, x 6 ). 6. DFT dari A adalah 1 = x0 / 4x4 DFT dari A 4 adalah = x / 4x6. Spectral Analysis Seperti Spectral Analysis adalah sebuah metode/perangat yang digunaan untu meneliti beberapa hal seperti omposisi listri, suara, atau sinar. Spectral Analysis itu dapat juga menguur daya spetrum. Ada spectral analysis, yaitu analog dan digital spetrum: a. Analog, pada analisa digunaan sebuat alat untu menangap suara/freuensi yang ada dan emudian digambaran dengan menggunaan alat yang dinamaan oscillator. b. Digital, analisa dilauan untu suara digital, dilauan oleh computer dengan melauan perhitungan discrete Fourier transform (DFT), yaitu proses yang melauan perubahan dari gelombang dalam domain watu menjadi domain freuensi. Dari bentu domain freuensi ini bisa dilauan untu berbagai eperluan. Dalam pembuatan program lasifiasi ini menggunaan beberapa digital spectral analysis, yaitu spectral centroid, spectral urtosis, spectral slope, spectral spread dan spectral rolloff...1 Spectral Centroid Spectral centroid merupaan titi pusat dari spectrum (Madeley, 007). Spectral centroid menunjuan tingat ejernihan suara. Spectral centoid dapat dihitung dengan menggunaan persamaan (1), persamaan () dan persamaan (). μ = x. p( (1) Dimana untu menghitung p ( f ) : A( f ) p( f ) = () A( f ) f Dan untu menghitung A ( f ) : [ x( )] A ( f ) = f t () F-68

3 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 Variabel x adalah merupaan frequensi dari sampel yang diambil. Sedangan variabel p ( f ) merupaan probabilitas untu untu mengamati f (Peeters, 00)... Spectral Kurtosis Spectral Kurtosis memberian nilai flatness dari distribusi spectrum (Madeley, 007). Dihitung pada iterasi eempat. Untu menghitung spectral urtosis bisa menggunaan persamaan (4) dan persamaan (5). 4 m 4 = ( f μ ). p( (4) Dan nilai urtosis : m4 γ = (5) 4 σ Nilai yang di dapat dari spectral urtosis mempunyai indiasi sebagai beriut (Peeters, 00): a. Spectral Kurtosis =, indiasi distribusi normal b. Spectral Kurtosis <, indiasi flatter normal c. Spectral Kurtosis =, indiasi peaer normal.. Spectral Slope Spectral Slope memberian indiasi dari pengurangan amplitude (Madeley, 007). Spectral slope dapat dihitung dengan menggunaan persamaan (6). N f. A( f ) f. A( f ) m 1 f f f = (6) a( ) N f f Untu menghitung A( f ) gunaan persamaan ()...4 Spectral Spread Spectral Spread mendefenisian penyebaran dari spectrum. Spectral spread dapat dihitung dengan menggunaan persamaan: σ = ( f μ). p( (7) Untu menghitung p ( f ) bisa digunaan persamaan (). Variabel μ dalam hal ini dalam hal ini adalah nilai dari spectral centroid yang bisa dihitung dengan menggunaan persamaan (1)...5 Spectral Sewness Memberian uuran dari distribusi asimetris dari nilai rata-rata spectrum (Madeley, 007). Dihitung dengan persamaan spectral spread tapi pada iterasi etiga. Untu menghitung spectral sewness bisa digunaan persamaan (8) dan persamaan (9). m = ( f μ ). p( (8) Dan emudian untu mendapatan nilai sewness: γ 1 m σ = (9) Nilai yang didapat dari perhitungan spectral sewness mempunyai arti sebagai beriut: ISSN: a. Spectral Sewness = 0, indiasi distribusi asymmetric b. Spectral Sewness > 0, indiasi distribusi terjadi pada bagian anan c. Spectral Sewness < 0, indiasi distribusi terjadi pada bagian iri..6 Spectral Rolloff Spectral Rolloff merupaan frewensi yang sinyal energinya di bawah 95% dari normal (Madeley, 007). Spectral rolloff bisa dihitung dengan persamaan (10). f c f ny A ( f ) = 0,95 A ( f ) (10) 0 0 Untu menghitung A( f ) gunaan persamaan..7 Sampel Data Pada persamaan (1), persamaan (4), persamaan (7) dan persamaan (8) terdapat integral terbatas. Batasan yang digunaan dalam hal ini bisa diubahubah sesuai dengan eperluan. Dalam penentuan panjang sampel data ada hal yang harus diperhatian, yaitu jangan sampai membebani watu penghitungan. Gambar. Contoh Grafi Sample Data Bila sampel data digambaran dalam bentu grafi, bisa dilihat seperti pada Gambar. Maa, batas untu integral adalah a dan b. Dalam maalah ini panjang batasan yang digunaan adalah Bacpropagation Neural Networ Neural Networ Bacpropagation merupaan sebuah jaringan neural networ yang bersifat supervised (Setiawan, 00), dimana diperluan data training dalam prosesnya. Jaringan dalam Bacpropagation bersifat multilayer. Jadi minimal terdapat sebuah input layer, hidden layer dan output layer. Untu melauan lasifiasi digunaan neural networ metode bacpropagation. Dengan menggunaan hasil feature extraction, maa dapat digunaan sebagai dasar untu melauan proses lasifiasi. Pengetahuan yang dimilii oleh algoritma bacpropagation neural networ didapatan melalui hasil pelatihan yang dilauan. Pengetahuan disimpan sebagai sebuah nilai yang biasanya disebut bobot. Nilai bobot inilah yang emudian aan menjadi dasar untu melauan F-69

4 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 ISSN: lasifiasi atas inputan yang diberian. Strutrur umum bacpropagation bisa dilhat pada Gambar 4. Gambar 4. Strutur Umum Bacpropagation. ARSITEKTUR Program ini memilii omponen utama, yaitu penerima input, sistem lasifiasi, dan output, seperti bisa dilihat pada Gambar 5. Program aan menerima inputan dari pengguna berupa file WAVE dan emudian melauan proses lasifiasi terhadap musi tersebut dan emudian memberian output berupa jenis alat musi yang digunaan dalam file WAVE yang diinputan. Gambaran lebih mendetail dari proses Music Classification pada Gambar 5 bisa dilihat pada Gambar 6 dimana dijabaran menjadi tiga proses utama dalam program ini, yaitu proses feature extraction, MaxMin Normalization dan Bacpropagation. Proses feature extraction bertujuan untu mendapatan ciri-ciri dari file WAVE yang menjadi input dari program. Dengan ciri-ciri maa bisa dijadian sebahai dasar dalam melauan proses lasifiasi. Proses MaxMin Normalization bertujuan untu menormalisasian nilai yang didapat setelah proses feature extraction sehingga nilai menjadi di antara 1 dan -1. Gambar 5. Alur Sistem Gambar 6. Proses Feature Extraction Gambar 6. Arsitetur Program Proses feature extraction terdiri dari tiga proses, yaitu pengambilan sampel, FFT dan Spectral analysis, seperti yang bisa dilihat pada Gambar 6. Pertama ali program aan menerima inputan berupa file WAVE. Pengambilan sampel dilauan untu mengambil sebagian data pada file WAVE. Proses FFT dilauan pada data sampel untu mengubah dari domain watu menjadi domain F-70

5 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 freuensi. Setelah itu dilauan proses spectral analysis untu mendapatan spectral feature yang menjadi dasar untu dilauannya lasifiasi. Proses Bacpropagation terdiri dari dua proses, yaitu proses untu pelatihan dan ujicoba. Pada proses ujicoba maa metode ini mempelajari data yang diberian dan mendapatan pengetahuan, Kemudian pengetahuan ini digunaan untu proses lasifiasi. 4. UJI COBA Untu eperluan ujicoba, digunaan omputer dengan spesifiasi sebagai beriut: 1. Intel Core Duo E700,.66Ghz. Memory GB. Harddis 50 GB ISSN: terjadi dalam program ini, yaitu proses pelatihan dan pengujian Bacpropagation. Untu form pelatihan bisa dilihat pada Gambar 7. Untu eperluan pengujian juga disediaan form tersendiri. Forrn pengujian bisa dilihat pada Gambar 8. Pada form pengujian disediaan fasilitas untu menjalanan lagu. Uji coba yang dilauan pada beberapa sampel data dari inputan berupa file WAVE dapat dilihat pada Tabel 1. Nilai-nilai yang terdapat pada Tabel 1 merupaan nilai yang merupaan ciri-ciri dari file musi yang menjadi inputan. Nilai-nilai tersebut sudah mengalami normalisasi, sehingga menjadi berisar antara -1 dan 1. Tabel 1. Contoh Hasil Feature Extraction 10 Buah File Setelah di Normalisasi Gambar 7. User Interface Form Pelatihan Klasifiasi dilauan dengan menggunaan lima jenis alat musi dengan masing-masing alat musi terdapat sepuluh lagu. Hasil dari ujicoba lasifiasi ternyata didapatan alau sistem berhasil melauan lasifiasi untu 4 file dari total 50 file yang di gunaan untu ujicoba. Hasil dari ujicoba bisa dilihat pada Tabel. Tabel. Hasil Uji Coba Jadi tingat aurasi sistem seitar 84%. Kesalahan terjadi pada alat musi yang mirip, misalnya pada alat musi yang sama-sama dipeti. Hasil spectral analysis memberian hasil yang mirip. Gambar 8. User Interface Form Pelatihan Pada watu program dijalanan, tida ada program lain yang iut dijalanan. Untu mengembangan sofware ini maa diperluan user interface yang memadai untu melauan semua proses yang diperluan. Ada dua proses besar yang 5. PENUTUP Selama proses pembuatan software dan analisa yang telah dilauan, didapatan beberapa esimpulan penting untu maalah ini. Dari uji coba yang telah dilauan, untu proses pengenalan dari sebuah file WAVE, rata-rata memerluan watu seitar sampai dengan 7 deti. Dengan ondisi ini maa sangat menghemat watu dari pada harus mendengaran musi satu persatu. F-71

6 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 Metode Spectral Analysis terbuti dapat digunaan untu proses lasifiasi musi dengan solo instrumen. Dari metode ini didapatan fiturfitur (ciri-ciri) dari file musi yang menjadi dasar lasifiasi. Input untu metode ini adalah sampel dari file WAVE yang telah mengalami proses FFT. Pengambilan sampel pada sebuah file WAVE dibatasi menjadi 500 sampel. Hal ini dilauan dengan pertimbangan untu mempersingat watu yang diperluan untu proses pengambilan fitur dari file WAVE yang ada namun tida mengorbanan tingat aurasi program. Untu mencapai hasil lasifiasi yang optimal maa perlu dilauan esperimen pada penggunaan algoritma Bacpropagation Neural Networ. Esperimen yang dilauan pada pembuatan program tugas ahir ini adalah dengan mengubah jumlah node pada hidden layer pada arsitetur algoritma bacpropagation. Jumlah node yang digunaan adalah 4. Pada proses lasifiasi musi dengan jenis alat musi yang mirip, misalnya sama-sama dipeti, ada ecenderungan terjadi egagalan dalam proses lasifiasi. Hal ini arena hasil estrasi fitur-fitur spetral memberian hasil yang mirip. Kemiripan fitur disebaban arena energi bunyi pada petian lebih besar daripada energi bunyi saat sustain, sehingga yang dianalisa adalah spetum petiannya, buan spetrum sustainnya. Pada bagian pelatihan pada program disediaan inputan untu onfigurasi parameter dalam algoritma Bacpropagation. Dengan adanya parameter ini maa dapat dilauan esperimen untu mendapatan hasil lasifiasi yang optimal. Parameter yang tersedia adalah jumlah node pada hidden layer, learning rate, error rate dan jumlah epoch. Penggunaan omponen TWAVE sangat membantu dalam pembuatan tugas ahir ini. Komponen TWAVE mempunyai property, function dan procedure yang sangat membantu dalam proses manipulasi file WAVE. ISSN: sifungsi Sapp, Craig. (00) The Canonical WAVE File Format. projects/waveformat/ Setiawan, Kuswara, (00). Paradigma Sistem Cerdas. Surabaya:Bayumedia. 00. PUSTAKA Gabel, Robert A. (1996). Signals and Linear Systems (Sinyal dan Sistem Linear).Jaarta.Penerbit Erlangga. Madeley, Davyd. (007). Automatic Computer Classification of Solo Musical Instruments. Peeters, G. (004) A large set of audio features for sound description (similarity and classification) in the cuidado project. ARTICLES/Peeters_00_cuidadoaudiofeatures. pdf Rosdiana, Rina. (006). Visualisasi Aprosimasi Fungsi menggunaan deret Fourier dan Deret WAVELET. F-7