APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI M. ARDIANSYAH 091402062 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi M. ARDIANSYAH 091402062 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
i PERSETUJUAN Judul : APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO Kategori : SKRIPSI Nama : MUHAMMAD ARDIANSYAH Nomor Induk Mahasiswa : 091402062 Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI Komisi Pembimbing : Diluluskan di Medan, 23 Agustus 2014 Pembimbing 2 Pembimbing 1 Drs. Marihat Situmorang, M.Kom NIP. 19631214 198903 1 001 Romi Fadillah Rahmat,B.Comp.Sc.,M.Sc. NIP. 19860303 201012 1 004 Diketahui/Disetujui oleh Program Studi Teknologi Informasi Ketua, M. Anggia Muchtar, ST.,MM.IT NIP. 19800110 200801 1 010
ii PERNYATAAN APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya. Medan, 23 Agustus 2014 Muhammad Ardiansyah 091402062
iii PENGHARGAAN Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pengasih dan Maha Penyayang, dengan segala rahmat dan karunianya lah penulis bisa menyelesaikan penyusunan tugas akhir ini. Proses penyusunan skripsi ini tidak lepas dari dukungan dan bantuan dari pihak lain. Oleh karena itu penulis mengucapkan terima kasih banyak kepada : 1. Keluarga penulis, terutama kedua orang tua penulis. Ibunda, Adriaty Handayani dan Ayahanda, R. Epidaryanto yang selalu sabar dalam mendidik dan membesarkan penulis. Adik penulis Ananda Listiarini dan Kakak penulis Annisa Yunita yang selalu memberikan semangat kepada penulis. 2. Bapak Romi Fadillah Rahmat,B.Comp.Sc.,M.Sc. dan Bapak Drs. Marihat Situmorang, M.Kom selaku pembimbing yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis. 3. Bapak dan Ibu dosen pembanding. 4. Ketua dan Sekretaris Program Studi Teknologi Informasi Bapak M. Anggia Muchtar, ST.,MM.IT. dan Bapak M. Fadly Syahputra, B.Sc.,M.Sc.IT. 5. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, semua dosen serta pegawai di Fakultas Ilmu Komputer dan Teknologi Informasi. 6. Kepada Melinda Agustien yang selalu memberikan motivasi, memberikan nasihat agar penulis dapat menyelesaikan penulisan tugas akhir ini dengan baik. 7. Kepada Nurul Khadijah, Ade Maulana yang selalu membantu penulis sehingga dapat menyelesaikan tugas akhir dengan baik. 8. Seluruh sahabat terbaik penulis yang selalu memberikan dukungan, Ade Tambunan, Ammar Adianshar, Ridzuan Ikram Fadjri, Julia Annisa, Yunisya Aulia Putri, Reza Elfandra, Ibnu setiawan, Raisha Ariani, Fanny sari wulandari, Yogi, Bora, Sheila, Septi, Aat, Ijal,Uti serta seluruh angkatan 09, serta teman-teman seluruh angkatan mahasiswa USU lainnya yang tidak dapat penulis sebutkan satu persatu, Semoga Allah SWT membalas kebaikan kalian dengan nikmat yang berlimpah. Akhir kata, penulis memohon maaf bila dalam penulisan tugas akhir ini terdapat beberapa kesalahan, oleh karena itu penulis sangat mengharapkan adanya masukan - masukan yang membangun dan semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang memerlukannya.
iv ABSTRAK Dalam bermain musik khususnya bermain piano, seorang pianist membutuhkan partitur dalam panduan untuk bermain musik. Partitur merupakan tulisan yang digunakan seorang pianist untuk menyimpan atau menyampaikan sebuah lagu. Banyak pianist yang tidak mempunyai keahlian dalam pembuatan partitur, khusunya dalam pembuatan musik yang spontan. Karena itu, diperlukan sebuah aplikasi yang dapat membantu dalam pembuatan partitur dari suara musik piano. Metode ekstraksi Mel-Frequency Cepstral Coefficient dan metode pencocokan Learning Vector Quantization digunakan untuk membuat aplikasi tersebut. Metode MFCC digunakan untuk mengambil Vector vector yang berada didalam sebuah lagu. Dan metode LVQ digunakan untuk mencocokkan data uji dengan data acuan yang telah disimpan terlebih dahulu. Output yang dihasilan dari sistem ini berupa partitur musik dari lagu yang telah diinput kedalam sistem. Kata kunci-pembuatan partitur, metode Mel-Frequency Cepstral Coefficient, Learning Vector Quantization.
v VOICE RECOGNITION APPLICATIONS BASIC DIGITAL PIANO TONE ABSTRACT In playing music especially playing the piano, a pianist needs score to play music in the guide. Scores are writing who used by a pianist to store or deliver a song. Many pianists do not have expertise in the making of sheet music, especially in spontaneous music-making. Therefore, we need an application that can help in the making of the music scores. Methods for extracting is Mel - Frequency cepstral coefficient and Learning Vector Quantization matching method is used to create such applications. MFCC method is used to retrieve Vectors which resides in a song. And LVQ method is used to match test data with reference data that has been stored in advance. output of this system in the form of sheet music of a song that has been inputed into the system. Keywords - making of musical scores, methods Mel - Frequency cepstral coefficient, Learning Vector Quantization.
vi DAFTAR ISI Persetujuan Pernyataan Penghargaan Abstrak Abstract Daftar isi Daftar tabel Daftar gambar i ii iii iv v vi vii viii Bab 1 Pendahuluan 1 1.1 Latar Belakang 1 1.2 Rumusan Masalah 3 1.3 Batasan Masalah 3 1.4 Tujuan Penelitian 3 1.5 Manfaat Penelitian 3 1.6 Metodologi Penelitian 3 1.7 Sistematika Penulisan 4 Bab 2 Landasan Teori 5 2.1 Latar Belakang Pengenalan Ucapan 6 2.2 Suara Musik 7 2.3 Pengolahan Audio 7 2.4 Mel-Frequency Cepstrum Coefficient ( MFCC ) 9 2.4.1 DC Removal 9 2.4.2 Pre Emphasize Filtering 10 2.4.3 Frame Blocking 11
vi 2.4.4 Windowing 12 2.4.5 Analisis Fourier 13 a. Discrete Fourier Transform ( DFT ) 15 2.4.6 Fast Fourier Transform 16 2.4.7 Mel-Frequency Warping 18 2.4.8 DCT 19 2.5 Jaringan Syaraf Tiruan 19 2.5.1 Learning Vector Quantization ( LVQ ) 20 2.6 Penelitian Terdahulu 21 Bab 3 Analisis dan Perancangan 23 3.1 Analisis Sinyal Suara 24 3.2 Analisis Ekstraksi Fitur Suara Menggunakan MFCC 24 3.2.1 Input Suara 24 3.2.2 DC- Removal 25 3.2.3 Pre-Emphasize 26 3.2.4 Frame Blocking 27 3.2.5 Windowing 28 3.2.6 Analisis Fourier 28 3.2.7 Filter Bank 29 3.2.8 Discrete Cosine Transform ( DCT ) 29 3.3 Pencocokan dengan Metode Learning Vector Quantization 30 3.3.2 Algoritma LVQ 30 3.4 Database 34 3.5 Antarmuka Sistem 35 Bab 4 Impelemntasi dan Pengujian Sistem 38 4.1 Implementasi Sistem 39
vi 4.2 Skenario Uji Coba Sistem 39 Bab 5 Kesimpulan dan Saran 50 5.1 Kesimpulan 50 5.2 Saran 52 Daftar Pustaka 52
vii DAFTAR TABEL Hal Tabel 2.1. Fungsi fungsi window dan Formulanya 13 Tabel 2. 2 Penelitian Terdahulu 21 Tabel 4.1 Rencana Pengujian Sistem 45 Tabel 4.2 Pengujian Sistem ( input data acuan ) 46 Tabel 4.3 Pengujian Sistem ( pengenalan data ) 46 Tabel 4.4 Sampe data pengujian sistem 47 Tabel 4.5 Processing time 48 Tabel 4.6 Pengujian Suara Musik 48
viii DAFTAR GAMBAR Hal Gambar 2.1 Tahapan dalam Speech Recognition 7 Gambar 2.2 Struktur WAV 8 Gambar 2.3 Contoh Dari Pre- Emphasize Pada Sebuah Frame 10 Gambar 2.4 Contoh Frame Blocking 11 Gambar 2.5 Contoh Dari Spectogram 14 Gambar 2.6 Tiga Gelombang Sinusoidal Dan Superposisinya 15 Gambar 2.7 Domain Waktu Menjadi Domain Frekuensi 16 Gambar 2.8 Grafik Perbandingan Kecepatan Direct Calculation Dengan Algoritma FFT 17 Gambar 2.9 Pembagian Sinyal Suara Menjadi Dua Kelompok 17 Gambar 2.10 Arsitektur Jaringan LVQ 20 Gambar 3.1Arsitektur Umum Aplikasi 23 Gambar 3.2 Flowchart DC-Removal 25 Gambar 3.3 Flowchart Pre-Emphasize Filter 26 Gambar 3.4 Flowchart Frame Blocking 27 Gambar 3.5 Database Aplikasi 35 Gambar 3.6 Rancangan Halaman Awal 36 Gambar 3.7 Rancangan Halaman Pengenalan 36 Gambar 3.8 Rancangan Halaman Pelatihan 37
viii Gambar 4.1 Tampilan Awal Aplikasi 40 Gambar 4.2 Tampilan Menu Pengenalan 40 Gambar 4.3 Tampilan Menu Pengenalan 41 Gambar 4.4 Tampilan Spectogram Untuk Suara Input 41 Gambar 4.5 Tampilan Spectogram Suara Potong 42 Gambar 4.6 Partitur Hasil 43 Gambar 4.7 Tampilan Menu Admin 44 Gambar 4.8 Tampilan Menu Tentang 44