PENGENALAN NADA SAKSOFON ALTO MENGGUNAKAN FFT … · Kebanyakan orang hanya bisa mendengarkan suatu nada dari alat musik tanpa mengetahui ... ekstraksi ciri dan menampilkan ... hasil

i

TUGAS AKHIR

PENGENALAN NADA SAKSOFON ALTO

MENGGUNAKAN FFT DAN PENGKLASIFIKASIAN K-NN

DENGAN JARAK SIMETRIK PROBABILITAS 2

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Elektro

Oleh:

FREDERIK MERIS

NIM : 115114023

PROGRAM STUDI TEKNIK ELEKTRO

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2015

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FINAL PROJECT

ALTO SAXOPHONE TONE RECOGNITION USING FFT

AND K-NN CLASSIFIER WITH SYMMETRIC

PROBABILISTIC 2

Presented as Partial Fullfillment of The Requirements

To Obtain Sarjana Teknik Degree

In Electrical Engineering Study Program

By :

FREDERIK MERIS

NIM : 115114023

ELECTRICAL ENGINEERING STUDY PROGRAM

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2015


iii

HALAMAN PERSETUJUAN

TUGAS AKHIR

PENGENALAN NADA SAKSOFON ALTO MENGGUNAKAN FFT DAN

PENGKLASIFIKASIAN K-NN DENGAN JARAK SIMETRIK PROBABILITAS 2

(ALTO SAXOPHONE TONE RECOGNITION USING FFT AND K-NN

CLASSIFIER WITH SYMMETRIC PROBABILISTIC 2)

Oleh:

Frederik Meris

NIM : 115114023

Telah Disetujui Oleh:

Pembimbing :

Dr. Linggo Sumarno Tanggal :____________


iv

HALAMAN PENGESAHAN

TUGAS AKHIR

PENGENALAN NADA SAKSOFON ALTO MENGGUNAKAN FFT DAN

PENGKLASIFIKASIAN K-NN DENGAN JARAK SIMETRIK PROBABILITAS 2

(ALTO SAXOPHONE TONE RECOGNITION USING FFT AND K-NN

CLASSIFIER WITH SYMMETRIC PROBABILISTIC 2)

Oleh :

Frederik Meris

NIM: 115114023

Telah dipertahankan di depan Panitia Penguji

Pada tanggal 20 Agustus 2015

Dan dinyatakan memenuhi syarat

Susunan Panitia Penguji

Nama Lengkap Tanda Tangan

Ketua : Dr. Iswanjono ..........................

Seketertaris : Dr. Linggo Sumarno ..........................

Anggota : Wiwien Widyastuti, S.T.,M.T ..........................

Yogyakarta,……………………

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

Paulina Heruningsih Prima Rosa, S.Si.,M.Sc.


v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya

orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana

layaknya karya ilmiah.

Yogyakarta, 25 Agustus 2015

Frederik Meris


VI

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

MOTTO :

I’m Not Lucky, I’m Blessed

Persembahan Karya ini ku persembahkan kepada ....

Tuhan Yesus yang selalu ada disetiap perjalanan hidupku.

Papa, Mama danKakak-kakak yang selalu

mendukungku dalam segala hal.

Dan semua orang yang mengasihiku dan mendukungku

dalam Tugas Akhir.


LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertandatangan dibawah ini, saya mahasiswa Universitas Sanata Dharma:

Nama

Nomor l\4ahasiswa

: Frederik Meris

: l1 5114023

Dengan pengembangan ilmu pengetahuan. saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berir-radul :

PENGENALAN NADA SAKSOFON ALTO MENGGUNAKAN FFT DANPENGKLASIFIKASIAN K-NN DENGAN JARAK SIMETRIK PROBABILITAS 12

Beserla perangkat yang diperlukan (kalo ada). Dengan demikian saya memberikan kepada

Perpustakaan Universitas Samata Dharma hak untuk menyimpan. rnengalihkan dalam

bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara

terbatas dan mempublikasikannya di internet atau media lainnya untuk kepentingan

akademis tanpa perlu meminta ijin dari saya mallpun rnemberikan royalty kepada saya

selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataa ini saya buat dengan sebenarnya.

(Frederik Meris)

vil


VIII

INTISARI

Kebanyakan orang hanya bisa mendengarkan suatu nada dari alat musik tanpa

mengetahui nada apa yang sedang dimainkan, karena kurangnya ketajaman pendengaran

serta pengetahuan tentang bermusik sangat terbatas. Alat musik yang digunakan pun juga

bervariasi, salah satunya alat musik tiup. Saksofon adalah merupakan bagian dari banyak

alat musik apabila dengan tiupan akan menghasilkan sebuah bunyi. Sistem pengenalan

sangat diperlukan untuk membantu dalam mengenali nada alat musik, khususnya untuk

nada dasar (do, re, mi, fa, sol, la ,si dan do tinggi) pada alat musik saksofon alto.

Sistem pengenalan nada alat musik saksofon alto pada tugas akhir ini menggunakan

mikrofon dan komputer untuk mengoperasikannya. Mikrofon berfungsi untuk menerima

gelombang suara nada alat musik saksofon alto. Komputer berfungsi untuk memproses

data hasil rekaman, menampilkan gelombang hasil rekaman, menampilkan spektrum

ekstraksi ciri dan menampilkan hasil nada yang dikenali berupa teks. Sistem pengenalan

nada alat musik saksofon alto menggunakan FFT, jarak Simetrik Probabilistik 2 dan

klasifikasi k-NN sudah berhasil dibuat dan dapat bekerja sesuai dengan perancangan.

Pada program pengenalan nada secara real time tanpa thresholding dan

menggunakan thresholding mampu mengenali nada sebesar 100%. Parameter pengenalan

terbaik berada pada variasi frame blocking 128, windowing koefisien 50% dan k=1 pada k-

NN. Tingkat pengenalan nada-nada kromatis saksofon alto mencapai 92%. Dengan

database yang sama, hasil pengenalan nada alat musik pianika mencapai 83,75%.

Kata kunci : Saksofon Alto, FFT (Fast Fourier Transform), Simetrik Probabilistik 2,k-

nearest neighbor (k-NN), Pengenalan Nada


IX

ABSTRACT

Most of people can only hear a tone from the instrument without knowing what

tone is being played, because of the lack of hearing acuity and knowledge of music is very

limited. Musical instruments used vary, one wind instrument. The saxophone is a part of

many musical instruments when the puffs will produce a sound. Recognition system is

needed to assist in recognizing musical tones, especially for fundamental tones (do, re, mi,

fa, sol, la, si, do’) on a musical instrument the alto saxophone.

Tone recognition system of alto saxophone at the end of this task using a

microphone and a computer to operate. Functioning microphone to receive sound waves

alto saxophone tones of musical instruments. Computer functions to process data

recording, featuring a wave of record results, spectral feature extraction, and displays the

results of a recognizable tone as text. Tone recognition system of alto saxophone musical

instrument uses FFT, Symmetric Probabilistic 2 distance and classification of k-NN has

been created and capable to work in accordance with design.

At real time program of tone recognition with and without thresholding are able

to recognize the ton of 100%. The best recognition parameter can be found at frame

blocking 128 variation, windowing coefficient of 50% and k=1 for k-NN. Introduction

level of a chromatic tones alto saxophone reached 92%. The result of recognition of

musical instrument tones pianica with the same database reached 83.75%.

Keyword: Alto Saxophone, Fast Fourier Transform (FFT), Symmetric Probabilistic 2

Distance Functions, Classifier k-NN, Recognition Tone.


X

KATA PENGANTAR

Puji dan Syukur kepada Tuhan Yesus karena telah memberikan Berkat-Nya

sehingga penulis dapat menyelesaikan laporan tugas akhir dengan baik, dan dapat

memperoleh gelar sarjana.

Dalam penulisan tugas akhir ini, penulis menyadari bahwa tidak lepas dari seluruh

bantuan dan bimbingan dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis

mengucapkan banyak terimakasih kepada:

1. Tuhan Yesus Kristus atas berkat dan anugerah-Nya kepada penulis

2. Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma.

3. Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elekro

Universitas Sanata Dharma

4. Dr. Linggo Sumarno, selaku dosen pembimbing yang dengan tenang dan penuh

kesabaran untuk membimbing dalam menyelesaikan penulisan Tugas Akhir ini.

5. Dr. Iswanjono, Wiwien Widyastuti, S.T., M.T., selaku dosen penguji yang telah

memberikan bimbingan, saran, dan merevisi Tugas Akhir ini.

6. Papa dan Mama, serta kakak-kakak yang selalu mendoakan dan membantu segala

sesuatunya sampai pencapaian menyelesaiakan studi di jenjang perkuliahan

7. Segenap staff sekretariat, dan laboran Teknik Elektro yang telah memberikan

dukungan secara tidak langung dalam kelancaran tulisan tugas Akhir ini.

8. Ketua kelompok sel saya Daddy Uchu dan saudara sel yang selalu memberikan doa

dan selalu memberikan masukan dan nasihat.

9. Mas Wedha dan Ko Ahwie yang sudah bersedia meminjamkan saksofon alto untuk

kelancaran Tugas akhir.

10. Teman-teman singer ”Youth Impact Singers” Marthen, Littabeth, Meika, Haris,

Jeremy, Albert, Angel, Kak Iren, Kak Siska, adek Fila, Topel, dan Cik Zenia yang

selalu mendukung dan mendoakan dalam kelancaran penulisan Tugas Akhir ini.

11. Papsky Lucky dan Om Topel “3 idiots” yang selalu memberikan dukungan dan doa

dan terus mengingatkan untuk menyelesaikan tugas akhir.


XI

12. Teman-teman group “SKRIPSI” Cahyo, Yohanes, Irfan, Evan, Edwin, Dean, Yugo

yang selalu mendukung, selalu mengingatkan setiap ada konsultasi untuk tugas

akhir dan selalu memberikan semangat.

13. Teman-teman Teknik Elktro 2011 yang telah memberikan semangat pada saat

menempuh pendidikan di Universitas Sanata Dharma.

14. Semua Pihak yang tidak bisa disebutkan satu persatu yang telah banyak

mendukung, dan memberikan banyak bantuan dalam menyelesaikan Tugas Akhir

ini.

Penulis menyadari bahwa dalam penyusunan laporan Tugas Akhir ini masih

mengalami kesulitan dan tidak lepas dari kesalahan. Oleh karena itu, penulis

mengharapkan masukan, saran ,kritikan yang mendukung agar skripsi ini menjadi lebih

baik, dan semoga sripsi ini dapat bermanfaaat sebagaimana mestinya

Penulis

Frederik Meris


xii

DAFTAR ISI

Halaman

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. .............................................................................................. xvi

DAFTAR TABEL. ................................................................................... xviii

BAB I PENDAHULUAN

1.1. Latar Belakang. ................................................................................................. 1

1.2. Tujuan dan Manfaat Penelitian ......................................................................... 2

1.3. Batasan Masalah ............................................................................................... 2

1.4. Metodologi Penelitian ...................................................................................... 3

BAB II DASAR TEORI

2.1. Saksofon Alto .................................................................................................... 4

2.2. Mikrofon ............................................................................................................ 5

2.3. Sound card ......................................................................................................... 6

2.4. Matlab ................................................................................................................ 6

2.5. Teorema Pencuplikan ........................................................................................ 8

2.6. Preprocessing .................................................................................................... 8

2.6.1. Normalisasi... ........................................................................................... 9

2.6.2. Pemotongan Sinyal.... .............................................................................. 9


xiii

2.6.3. Frame Blocking ....................................................................................... 10

2.6.4. Normalisasi 2.... ....................................................................................... 11

2.6.5 Windowing Hamming... ............................................................................ 11

2.7. Dicerete Fourier Transform (DFT) ................................................................... 12

2.8. Fast Fourier Transform (FFT).. ........................................................................ 12

2.9 Template Matching ............................................................................................ 16

2.9.1. Fungsi Jarak Simetrik Probabilitas 2 .............................................................. 16

2.10. Klasifikasi k-NN. .............................................................................................. 16

BAB III PERANCANGAN

3.1. Sistem Pengenalan Nada Saksofon Alto ........................................................... 18

a. Saksofon Alto... ............................................................................................. 19

b. Mikrofon.... .................................................................................................... 19

c. Sound Card .......... ......................................................................................... 20

d. Proses Perekaman.... ...................................................................................... 20

d. Proses Pengenalan Nada.... ............................................................................ 20

3.2. Perancangan Database Nada ............................................................................. 22

3.3. Nada Uji ............................................................................................................ 23

3.4. Perancangan Tampilan Program GUI MatLab ................................................. 23

3.5. Perancangan Alur Program ............................................................................... 24

3.5.1. Rekam ..................................................................................................... 25

3.5.2. Normalisasi ............................................................................................. 26

3.5.3. Pemotongan Sinyal ................................................................................. 27

3.5.4. Frame Blocking ...................................................................................... 28

3.5.5. Normalisasi 2. ......................................................................................... 29

3.5.6. Windowing Hamming. ............................................................................ 30

3.5.7. Fast Fourier Transform (FFT). .............................................................. 31

3.5.8. Perhitungan Jarak Simetrik Probabilistik 2 ........................................... 32

3.5.9. Penentuan Hasil Nada ............................................................................. 33

3.6. Perancangan Subsistem Pengenalan Nada Saksofon Alto ............................... 34

3.6.1 Subsistem Sampling. ................................................................................ 34


xiv

BAB IV HASIL DAN PEMBAHASAN

4.1. Pengujian Program Pengenalan Nada Saksofon Alto menggunakan FFT dan

Pengklasifikasian K-NN dan Fungsi Jarak Simetrik Probabilitas 2 ............... 35

4.1.1. Pengenalan Nada ................................................................................... 37

a. Popup Menu............................................... ........................................ 38

b. Tombol “RECORD”........................................................... ............... 40

c. Tombol “RESET”........................................................... .................... 46

b. Tombol “CLOSE”........................................................... ................... 46

4.2. Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat Pengenalan Nada

Saksofon Alto ................................................................................................... 46

4.2.1. Pengujian Parameter Pengenalan Nada ................................................. 47

4.2.1.1 Pengujian secara Tidak Real-Time............................................. 47

4.2.1.2 Pengujian secara Real-Time...................................................... 50

a) Pengujian Tanpa Thresholding............................................. 50

b) Pengujian Untuk Menentukan Batasan Nilai Jarak Optimal... 51

c) Pengujian Mengunakan Thresholding..................................... 52

4.3. Pengujian Dengan Nada Masukan Pianika... .................................................... 53

4.4. Pengujian Dengan Masukan Nada-Nada Kromatis Pada Saksofon Alto... ...... 54

BAB V KESIMPULAN DAN SARAN

5.1. Kesimpulan ...................................................................................................... 56

5.2. Saran ................................................................................................................ 56

DAFTAR PUSTAKA .............................................................................................. 57

LAMPIRAN

LAMPIRAN 1 PERCOBAAN MENCARI SPEKTRUM FREKUENSI UNTUK SISTEM

PENGENALAN NADA ALAT MUSIK SAKSOFON ALTO MENGGUNAKAN

MATLAB 7.04 2008a ..................................................................................................... L1

LAMPIRAN 2 PERCOBAAN MENCARI DURASI PEREKAMAN PENGENALAN

NADA ALAT MUSIK SAKSOFON ALTO MENGGUNAKAN MATLAB 7.0.4 2008a

.................................................................................................................... L6

LAMPIRAN 3 LISTING PROGRAM GUI MATLAB ................................................. L9

LAMPIRAN 4 LISTING PROGRAM TIDAK REAL-TIME ........................................ L21


xv

LAMPIRAN 5 HASIL PERSENTASE PENGENALAN NADA SECARA TIDAK REAL-

TIME .................................................................................................................... L27

LAMPIRAN 6 TABEL JARAK OPTIMAL. ................................................................. L33


xvi

DAFTAR GAMBAR

Halaman

Gambar 2.1. Dimensi Saksofon Alto dan bentuk Saksofon Alto ............................... 4

Gambar 2.2. Sound Card ............................................................................................ 6

Gambar 2.3. Penulisan Program Matlab Secara Langsung ........................................ 7

Gambar 2.4. M-file Matlab ......................................................................................... 8

Gambar 2.5. Sinyal terekam ....................................................................................... 9

Gambar 2.6. Hasil proses normalisasi dari gambar 2.5. ............................................. 9

Gambar 2.7. Hasil pemotongan awal sinyal Gambar 2.6. .......................................... 10

Gambar 2.8. Hasil Pemotongan sinyal untuk daerah transisi dari gambar 2.7. .......... 10

Gambar 2.9. Hasil Frame Blocking dari gambar 2.8. ................................................. 10

Gambar 2.10. HasiL Proses Normalisasi 2 dari gambar 2.9. ....................................... 11

Gambar 2.11. Hasil Proses Windowing dari gambar 2.10. ........................................... 12

Gambar 2.12. Algoritma kupu-kupu FFT DIT dua dimensi untuk DFT 8 Titik .......... 15

Gambar 2.13. Gambar ilustrasi algoritma Sande-Turkey FFT untuk N = = 8 ......... 15

Gambar 3.1. Diagram Blok Sistem Pengenalan Nada Saksfon Alto.. ........................ 18

Gambar 3.2. GoMic Protable USB Microphone by SAMSON ................................... 19

Gambar 3.3. Proses Pengenalan Nada Saksofon Alto ................................................ 20

Gambar 3.4. Proses Pengambilan database Nada ...................................................... 22

Gambar 3.5. Tampilan Utama Sistem Pengenalan Nada Saksofon Alto ................... 23

Gambar 3.6. Diagram Alir Sistem Pengenalan Nada saksofon Alto .......................... 25

Gambar 3.7. Diagram Alir Sub Rutin Rekam ............................................................ 25

Gambar 3.8. Diagram alir Normalisasi....................................................................... 26

Gambar 3.9. Diagram alir Pemotongan Sinyal ........................................................... 28

Gambar 3.10. Diagram Alir Frame Blocking ............................................................... 28

Gambar 3.11. Diagram alir Normalisasi 2.................................................................... 29

Gambar 3.12. Diagram alir Windowing ........................................................................ 30

Gambar 3.13. Diagram alir Ekstraksi ciri FFT ............................................................. 31

Gambar 3.14. Diagram Alir perhitungan jarak Simetrik Probabilitas 2 ..................... 32

Gambar 3.15. Diagram alir K-NN ................................................................................ 33

Gambar 4.1. Ikon Matlab 7.6.0 (R2008a) .................................................................. 35


xvii

Gambar 4.2. Tampilan Matlab .................................................................................... 36

Gambar 4.3 Tampilan Program Pengenalan Nada Saksofon alto ............................. 36

Gambar 4.4. Tampilan Hasil Pengenalan ................................................................... 37

Gambar 4.5. Grafik Pengaruh Perubahan Windowing Koefisien Terhadap Perenstase

Keberhasilan Pada Frame Blocking 128 ............................................... 48


Keberhasilan Pada Frame Blocking 64 ................................................. 48





Gambar 4.9. Gambar Alat Musik Pianika ................................................................. 54


xviii

DAFTAR TABEL

Halaman

Tabel 2.1. Nilai Frekuensi Nada Saksofon Alto .......................................................... 5

Tabel 2.2. Pembalikan bit ............................................................................................ 14

Tabel 3.1. Spesifikasi GoMic Portable USB Microphone by SAMSON ..................... 19

Tabel 3.1. (Lanjutan) Spesifikasi GoMic Portable USB Microphone by SAMSON ... 20

Tabel 3.2. Keterangan Tampilan Utama Sistem .......................................................... 24

Tabel 4.1. Menggunakan nilai frame blocking 128 dengan 1 database untuk setiap nada

.................................................................................................................... 47


.................................................................................................................... 47


.................................................................................................................... 48


.................................................................................................................... 48

Tabel 4.5. Hasil Pengujian secara real time tanpa Thresholding dengan variasi frame

blocking 128, windowing koefisien 50% dan k=1 pada k-NN dengan

Confusion matriks ...................................................................................... 51

Tabel 4.6. Jarak Optimal Tiap Nada dengan variasi frame blocking 128, windowing koe-

. fisien 50% dan k=1 pada k-NN dengan Confusion matriks ....................... 52

Tabel 4.7. Hasil Pengujian secara real time dengan variasi 128, 50% dan k=1 menggun-

Akan Thresholding dengan Confusion matriks .......................................... 52

Tabel 4.7. (Lanjutan) Hasil Pengujian secara real time dengan variasi 128, 50% dan k=1

menggunakan Thresholding dengan Confusion matriks ............................ 53

Tabel 4.8. Hasil pengujian dengan nada dari alat musik pianika dengan confusion matri-

ks ................................................................................................................ 54

Tabel 4.9. Hasil pengujian dengan masukan nada-nada kromatis pada saksofon alto. 55


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Musik merupakan ekspresi yang timbul dari dalam jiwa manusia yang diwujudkan

dalam bentuk karya seni. Musik terbentuk dari kumpulan nada-nada yang tersusun secara

harmonis sehingga menghasilkan “sesuatu yang indah” menurut indera pendengaran yang

dimiliki manusia. Baik musik tradisional maupun musik pop, rock dan jazz yang masing-

masing memberikan keindahan dalam bermusik. Musik juga bisa menjadi efektif di bidang

akademis dengan membantu pembentukan pola belajar, mengatasi kebosanan dan

menangkal kebisingan eksternal yang mengganggu [1].

Alat musik yang digunakan pun juga bervariasi, salah satunya alat musik tiup yaitu

saksofon. Saksofon merupakan bagian dari banyak alat musik apabila dengan tiupan akan

menghasilkan sebuah bunyi. Tinggi rendahnya nada ditentukan oleh frekuensi dasar

gelombang bunyi [2]. Semakin besar frekuensi dasar gelombang bunyi, maka semakin

tinggi nada yang dihasilkan, demikian pula sebaliknya. Indera pendengaran manusia tidak

dapat mengetahui secara pasti jenis nada apa yang didengar olehnya, terkecuali bagi para

pemusik profesional. Hal ini amatlah penting bagi seorang pemusik untuk mengetahui

apakah alat musiknya sudah menghasilkan nada-nada yang tepat.

Berkaitan dengan hal tersebut, dari beberapa penelitian sebelumnya telah dilakukan

untuk membuat sistem pengenalan nada pada alat musik, seperti suling rekorder dan alat

musik tradisional, seperti “Musical Instruments Sound Recognition”[3] dan “Pengenalan

Nada Suling Rekorder Alto Secara Real Time Menggunakan Ekstraksi Cara DCT dan

Fungsi Korelasi”[4] dan “Pengenalan Nada Gamelan Kenong Secara Real Time

Menggunakan Ekstraksi Ciri DCT Dan Fungsi Jarak Chebyshev”[5]. Kedua sistem ini

meniru kemampuan manusia untuk mengenali nada alat musik yang di gunakan dengan

menggunakan metode Discrete Cosine Transform (DCT) sebagai nada acuan dan nada

acuan tersebut akan dibandingkan dengan nada yang dimainkan dengan menggunakan

fungsi Korelasi dan fungsi jarak Chebyshev.


2

Berdasarkan penelitian yang telah dilakukan sebelumnya, penulis ingin membuat

suatu sistem pengenalan nada saksofon yakni dengan jenis saksofon alto. Metode yang

digunakan juga berbeda yaitu dengan menggunakan metode Fast Fourier Transform

(FFT), fungsi Simetrik Probabilistik 2 dan klasifikasi K-NN.

Sistem ini akan secara

otomatis membandingkan nada dari D, E, Fis, G, A, B, Cis dan D’ atau kita kenal dengan

tangga nada do, re, mi, fa, sol, la, si, do’, dengan nada yang yang telah tersimpan pada

sistem tersebut (data base). Setelah itu, Nada D, E, Fis, G, A, B, Cis dan D’, diproses

terdahulu menggunakan metode Fast Fourier Transform (FFT) dan selanjutnya nada

tersebut digunakan sebagai nada acuan. Nada yang dimainkan kemudian akan

dibandingkan dengan kedelapan nada acuan dengan menggunakan perhitungan jarak

Simetrik Probabilistik 2 dan metode K-NN sebagai hasil keluaran pengenalan nada

dimana mencari kelas nilai yang paling banyak muncul.

1.2 Tujuan dan Manfaat Penelitian

Tujuan penelitian ini adalah menghasilkan aplikasi pengenalan nada pada alat

musik saksofon alto.

Manfaat dari penelitian ini adalah:

a. Sebagai alat bantu pendukung pembelajaran musik khusunya untuk mengenali nada

suara D, E, Fis, G, A, B, Cis, D’.

b. Sebagai alat bantu bagi industri alat musik dalam melakukan pengujian alat musik

saksofon alto.

1.3 Batasan Masalah

Batasan masalah dalam penelitian ini adalah:

a. Pengenalan nada bersifat real time.

b. Saksofon yang digunakan adalah jenis saksofon alto.

c. Nada saksofon alto yang dikenali adalah nada D, E, Fis, G, A, B, Cis, D’ atau biasa

di kenal do, re, mi, fa, sol, la, si, do’.

d. Jarak antara saksofon alto dengan mikrofon adalah 80 cm.

e. Menggunakan software MatLab dalam pembuatan program pengenalan nada.

f. Menggunakan metode Fast Fourier Transform (FFT), Hamming window, dan

fungsi Simetrik Probabilistik2 dan K-NN untuk proses pengenalan nada.


3

1.4 Metodologi Penelitian

Metodelogi yang digunakan pada tugas akhir ini adalah:

a. Studi literature

Metode ini merupakan sumber utama dalam penulisan penelitian yang sumbernya

diperoleh dari jurnal-jurnal, internet, dan handbook untuk mempelajari hal-hal

mengenai sampling, frame blocking, normalisasi, pemotongan sinyal, Hamming

window, ekstraksi ciri FFT, fungsi jarak Simetrik Probabilistik 2 dan klasifikasi K-

NN.

b. Perancangan subsistem perangkat lunak

Tahap perancangan subsistem perangkat lunak bertujuan untuk mencari bentuk

model yang optimal dari sistem yang akan dibuat dengan mempertimbangkan

berbagai faktor–faktor permasalahan dan kebutuhan yang telah ditentukan

c. Pembuatan subsistem perangkat lunak.

Sistem akan bekerja apabila user memberikan interupsi melalui PC dengan media

push button yang sudah disediakan dalam perangkat lunak. Sistem akan mengolah

interupsi yang diterima dan memulai proses recording sampai user memberikan

interupsi kembali untuk menghentikan proses recording. Setelah itu, user

memberikan interupsi untuk memulai proses pengenalan nada. Komputer akan

mengolah nada dan menyajikannya sebagai sebuah informasi.

d. Analisa dan Kesimpulan

Analisa data dilakukan dengan meneliti pengaruh variasi frame blocking,

Windowing koefisien, nilai k pada K-NN, serta memeriksa keakuratan data terhadap

hasil proses pengolahan nada, dengan cara membandingkan antara data di

komputer dengan data di lapangan.


4

BAB II

DASAR TEORI

2.1. Saksofon Alto

Saksofon merupakan alat musik yang termasuk ke dalam kelompok aerophone atau

alat musik tiup[6], single-reed woodwind instrument. Sumber bunyi dari getaran udara di

dalam alat berasal dari mulut yang meniup. Pada umumnya saksofon terbuat dari logam

dan dimainkan menggunakan single-reed seperti klarinet. Saksofon umumnya

dihubungkan dengan popular musik, big band musik dan jazz, tapi awalnya ditujukan

sebagai instrumen orkestra dan band militer. Saksofon berbentuk tabung dengan sumber

suara yang dilengkapi dengan lubang-lubang yang berfungsi sebagai pengatur tinggi

rendah suatu nada. Saksofon alto yang digunakan memiliki dimensi 42 x 65 cm. Gambar

2.1 menunjukkan saksofon alto.

Gambar 2.1. Dimensi Saksofon Alto dan bentuk Saksofon Alto

Saksofon memiliki beberapa jenis yang masing-masing dari setiap jenis ini

memiliki ambitus (rentang nada) yang berbeda-beda. Diantaranya ada yang bernama

saksofon Soprano (Bb), Alto (Eb), Tenor (Bb), dan Baritone (Eb). Saksofon jenis sopran

adalah jenis yang paling umum dipakai. Saksofon sopran memiliki suara yang nyaring dan

tinggi khas sopran. Jenis kedua dari saksofon adalah jenis alto. Suara yang dihasilkan

65 c

m

42 cm


http://id.wikipedia.org/wiki/Jazz

http://id.wikipedia.org/wiki/Orkestra

5

saksofon alto jauh lebih berat. Berbeda dengan dua jenis saksofon sebelumnya, saksofon

jenis tenor memiliki ukuran yang lebih besar sehingga menghasilkan suara yang lebih

rendah dibandingkan dua jenis saksofon sebelumnya. Jenis saksofon yang terakhir adalah

saksofon bass. Saksofon bass menghasilkan suara rendah khas bass.

Saksofon alto memiliki nada dasar di D. Saksofon alto memiliki nilai frekuensi

yang berbeda-beda untuk setiap nada. Tabel 2.1 menunjukkan contoh nilai frekuensi nada

saksofon alto.

Tabel 2.1. Nilai Frekuensi Nada Saksofon Alto[7]

Nada Saksofon Alto Frekuensi (Hz)

Nada D 349

Nada E 392

Nada Fis 440

Nada G 494

Nada A 523

Nada B 587

Nada Cis 659

Nada D’ 698

Cara meniup saksofon alto juga sangat mempengaruhi terjadinya harmonisa frekuensi.

2.2. Mikrofon

Mikrofon berguna untuk merubah suara menjadi getaran listrik sinyal analog untuk

selanjutnya diperkuat dan diolah sesuai dengan kebutuhan[8] . Pengolahan berikutnya

dengan power amplifier dari suara yang berintensitas rendah menjadi lebih keras terakhir

diumpan ke speaker.

Mikrofon harus dipilih dengan lebih hati-hati. Hal ini dilakukan untuk mencegah

berkurangnya kemampuan mikrofon dari performa yang optimal. Hal ini dilakukan untuk

mencegah berkurangnya kemampuan mikrofon dari performa yang optimal. Karakteristik

mikrofon yang harus diperhatikan ketika akan memilih sebuah mikrofon adalah:

a. Prinsip cara kerja mikrofon dari jenis mikrofon itu sendiri.

b. Daerah respon frekuensi suara yang mampu dicuplik oleh mikrofon.

c. Sudut atau arah pencuplikan mikrofon.


6

d. Output sinyal listrik yang dihasilkan mikrofon.

e. Bentuk fisik mikrofon.

Agar lebih efektif, mikrofon yang digunakan haruslah sesuai kebutuhan dan

seimbang antara sumber suara yang ingin dicuplik, misalnya suara manusia, alat musik,

suara kendaraan, atau yang lainnya dengan sistem tata suara yang digunakan seperti sound

sistem untuk live music, alat perekaman, dan sebagainya.

2.3. Sound Card

Sound card merupakan sebuah periperal pada komputer sebagai I/O suara yang

menyediakan kemampuan untuk menghasilkan suara yang dapat didengar oleh pengguna

baik melalui speaker atau headphone [9] . Pada dasarnya setiap kartu suara memiliki:

a. Digital Signal Processor (DSP) yang akan menangani semua jenis komputasi.

b. Digital to Analog Converter (DAC) sebagai keluaran suara ke speaker.

c. Analog to Digital Converter (ADC) sebagai masukan suara.

d. Read Only Memory (ROM) atau Flash sebagai penyimpanan data.

e. Musical Instrument Digital Interface (MIDI) untuk menyambungkan beberapa

peralatan musik eksternal.

f. Jack untuk menyambungkan kartu suara dengan speaker pada jalur line out atau

microphone pada jalur line in.

Beberapa kartu suara sudah terpasang secara pabrikan (on board) pada

motherboard komputer, tetapi bisa juga ditambahkan untuk keperluan pada slot PCI

motherboard.

Gambar 2.2. Sound Card

2.4. MatLab

MATLAB merupakan bahasa pemrograman yang hadir dengan fungsi dan

karakteristik yang berbeda dengan bahasa pemrograman lain yang sudah ada lebih dahulu

seperti Delphi, Basic maupun C++ [10]. MATLAB merupakan bahasa pemrograman level


7

tinggi yang dikhususkan untuk kebutuhan komputasi teknis, visualisasi dan pemrograman

seperti komputasi matematik, analisis data, pengembangan algoritma, simulasi dan

pemodelan, dan grafik-grafik perhitungan. MATLAB adalah software buatan

MathWork.Inc., yang sangat bermanfaat untuk menyelesaikan berbagai masalah komputasi

numerik.

Beberapa bagian penting yang terdapat pada antar muka MATLAB adalah sebagai berikut

:

a. Command Window atau jendela perintah adalah jendela yang dipakai untuk

memberikan perintah secara manual.

b. Workspace berisi daftar variabel yang diciptakan oleh pemakai dan masih ada

dalam memori.

c. Command History mencantumkan perintah-perintah yang pernah diberikan oleh

pemakai.

d. Current Directory menyatakan direktori kerja.

Terdapat dua metode yang digunakan untuk menulis program dalam Matlab. Kedua

metode itu adalah metode langsung dan tidak langsung. Untuk menulis program Matlab

secara langsung maka program itu ditulis langsung di Command window.

Gambar 2.3. Penulisan Program Matlab Secara Langsung

Untuk menulis program Matlab secara tidak langsung maka program itu dapat

ditulis sebagai M-file.


8

Gambar 2.4. M-file Matlab

2.5. Teorema Pencuplikan

Sampling merupakan proses pencuplikan sinyal kontinyu atau analog pada

periode-periode tertentu. Dalam proses ini sinyal suara akan dicuplik menjadi gelombang

diskrit. Pada saat proses sampling dilakukan, pengaturan nilai frekuensi sampling harus

diperhatikan [11]. Frekuensi sampling adalah laju pencuplikan yang menandakan banyak

pencuplikan gelombang analog dalam satu detik. Nilai satuan frekuensi sampling adalah

Hertz (Hz).

Nilai frekuensi sampling sebaiknya tertuju pada kriteria Nyquist. Didalam kriteria

Nyquist dituliskan bahwa frekuensi sampling minimal harus lebih besar sama dengan 2

kali nilai frekuensi sinyal analog yang akan dicuplik [11]. Rumus pada kriteria Nyquist

dapat dituliskan:

(2.1)

Keterangan : Fs = frekuensi sampling (Hz)

Fm = frekuensi sinyal analog (Hz)

2.6. Preprocessing

Preprocessing adalah beberapa proses awal dalam pengenalan nada yang bertujuan

untuk pengkondisian sinyal suara. Preprocessing dilakukan sebelum proses ekstraksi ciri.

Preprocessing mempunyai beberapa tahapan proses yaitu pemotongan sinyal, frame

blocking, normalisasi dan windowing.


9

0 500 1000 1500 2000 2500 3000 3500 4000 4500-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

Data Tercuplik

Am

plitu

do

2.6.1. Normalisasi

Normalisasi merupakan suatu cara untuk mengatasi jarak antara sumber suara

dengan mikrofon. Pada perekaman atau pengambilan suara ini perlu adanya normalisasi

supaya amplitudo nada saat dimainkan dapat menjadi maksimal [12]. Normalisasi

amplitudo dilakukan dengan cara membagi semua nilai input dengan nilai maksimum dari

input sendiri, sehingga untuk semua sinyal masukan memiliki nilai maksimum yang sama

yaitu 1 (satu).

Gambar 2.5. Sinyal terekam

Gambar 2.6. Hasil proses normalisasi dari gambar 2.5

2.6.2. Pemotongan Sinyal

Pemotongan sinyal merupakan proses yang berkaitan dengan ekstraksi ciri. Proses

ini bertujuan untuk memotong beberapa bagian sinyal. Dalam proses perekaman,

pemotongan sering terjadi untuk bagian awal dan akhir sinyal. Pemotongan bagian awal

dan akhir sinyal nada dimaksudkan untuk menghilangkan bagian yang tidak termasuk

bagian dari sinyal nada serta untuk mengurangi cacat sinyal akibat derau ruangan yang ikut

terekam [13].

0 500 1000 1500 2000 2500 3000 3500 4000 4500-0.2

-0.15

-0.1

-0.05

0

0.05

0.1

0.15

0.2

Data Tercuplik

Ampl

itudo


10

Gambar 2.7. Hasil pemotongan awal sinyal Gambar 2.6

Gambar 2.8. Hasil Pemotongan sinyal untuk daerah transisi dari gambar 2.7

2.6.3. Frame Blocking

Frame blocking merupakan pembagian sinyal suara menjadi beberapa frame dan

satu frame terdiri dari beberapa data sample[14]. Pengambilan sample tersebut tergantung

dari tiap detik suara yang akan disample dan berapa besar frekuensi sampling. Gambar 2.8

menunjukkan contoh frame blocking, keseluruhan frame dibagi menjadi 5 M frame. Setiap

M memiliki jumlah data sama yaitu 2 data, dengan N adalah Nyquist

Gambar 2.9. Hasil Frame Blocking dari gambar 2.8

0 500 1000 1500 2000 2500 3000 3500 4000-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

Data Tercuplik

Am

pitu

do

0 500 1000 1500 2000 2500 3000-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

Data Tercuplik

Am

plit

udo

0 20 40 60 80 100 120 140-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0.4

Data Tercuplik (Frame)

Am

plitu

do


11

Fungsi frame blocking yaitu untuk mereduksi data yang akan diproses dalam sistem

pengenalan. Frame blocking juga dapat mempercepat proses perhitungan pada FFT (Fast

Fourier Transform) radix 2 dengan jumlah data pada setiap frame memiliki 2n data sampel

yang di ambil dari keseluruhan data sampel.

2.6.4. Normalisasi 2

Normalisasi 2 merupakan suatu cara untuk mengatasi amplitudo sinyal pada hasil

dari frame blocking yang telah di potong pada bagian transisi dimaksimal. Normalisasi 2

amplitudo dilakukan dengan cara membagi semua nilai input dengan nilai maksimum dari

input sendiri, sehingga untuk semua sinyal masukan memiliki nilai maksimum yang sama

yaitu 1 (satu).

Gambar 2.10. Hasi Proses Normalisasi 2 dari gambar 2.9

2.6.5. Windowing Hamming

Pengenalan nada pada alat musik saksofon alto ini menggunakan windowing

Hamming. Windowing berfungsi untuk menghilangkan discontinuitas. Terjadinya

discontinuitas diakibatkan oleh proses Frame Blocking atau Framing [15]. Untuk

mendapatkan hasil yang maksimal pada proses FFT, maka sample suara yang telah dibagi

menjadi beberapa frame perlu di jadikan suara continue dengan cara mengkalikan tiap

frame windowing tertentu. Pada pengenalan nada alat musik saksofon alto windowing yang

digunakan adalah windowing Hamming. Berikut ini merupakan persamaan dari windowing

Hamming :

( ) (

) (2.2)

Dimana : w(n) = windowing

N = jumlah data dari sinyal

0 20 40 60 80 100 120 140-1

-0.5

0

0.5

1

Data Tercuplik

Am

plit

udo


12

n = waktu diskrit ke-

Gambar 2.11 Hasil Proses Windowing Hamming dari gambar 2.10

2.7. Discerete Fourier Transform (DFT)

Discrete Fourier Transform (DFT) adalah transformasi yang mengubah domain waktu ke

domain frekuensi. Rumus DFT dapat didefinisikan sebagai[17]:

(2.3)

dengan: N = jumlah sempel.

( ) = runtun masukan (time domain).

X(k) = runtun keluaran (frekuensi domain).

2.8. Fast Fourier Transform (FFT)

Fast Fourrier Transform (FFT) merupakan jenis dari ekstraksi ciri dan

pengembangan dari Discrete Fourrier Transform (DFT). DFT merupakan metode

transformasi matematis untuk sinyal waktu diskrit, sementara FFT adalah algoritma yang

digunakan untuk transformasi FFT. Persamaan matematis DFT diuraikan pada persamaan

(2.4).

( ) ∑ ( )

(2.4)

0 20 40 60 80 100 120 140-1

-0.5

0

0.5

1

Waktu

Am

plitu

do


13

dengan , n=0, 1,…, N-1, dan k = 0, 1, 2, …, N-1

X(n) adalah keluaran dalam domain frekuensi, x adalah masukkan dalam domain waktu

dan N adalah runtun masukkan diskret.

e = natural number (2.7182818284…)

k = indeks dalam domain frekuensi (0, 1, 2, …, N-1)

n = indeks dalam domain waktu (0,1,2, …, N-1)

j = konstanta fourrier

Prinsip dasar FFT adalah menguraikan penghitungan N-titik DFT menjadi

penghitungan DFT dengan ukuran yang lebih kecil dan memanfaatkan periodisitas dan

simetri dari bilangan kompleks [18]

Ada dua jenis algoritma FFT yaitu algoritma Fast Fourier Transform Decimation

In Time ( FFT DIT) dan algoritma Fast Fourier Transform Decimation In Frekuensi ( FFT

DIF). Pada penulisan ini, algoritma FFT yang digunakan adalah radiks dua dengan metode

decimation in time. Pada DIT, masukan disusun/dikelompokkan menjadi kelompok ganjil

dan kelompok genap. Runtun bernomor genap adalah x(0), x(2), x(4)…..x(N-2) dan runtun

bernomor ganjul adalah x(1), x(3), x(5)…x(N-1). Kedua runtun berisi N/2-titik. Runtun

genap ditandakan x(2k) dengan x=0 sampai k=N/2-1, sedangkan runtun ganjil menjadi

x(2k-1). Persamaan (2.3) dapat dinyatakan sebagai penjumlahan untuk n ganjil dan genap.

( ) ∑ ( )

∑ ( )

(2.5)

Selanjutnya dengan menggantikan =

maka persamaan (2.5) menjadi

( ) ∑ ( )

∑ ( )

(2.6)

n = 0, 1, 2, …,N-1

Algoritma decimation in time mengharuskan masukkan disusun ulang sedemikian

rupa sehingga hasil perhitungan akhir mempunyai urutan yang sesuai. Tabel 2.2

memperlihatkan penyusunan ulang untuk tujuan tersebut[19].


14

Tabel 2.2. Pembalikan bit

Masukkan Asli Masukkan yang Berkebalikan

Bit

Desimal Biner Biner Desimal

0 000 000 0

1 001 100 4

2 010 010 2

3 011 110 6

4 100 001 1

5 101 101 5

6 110 011 3

7 111 111 7

Berdasarkan persamaan matematis DFT (2.2) memerlukan untuk perkalian

bilangan kompleks, sedangkan pada FFT memerlukan . Penghematan

perhitungan dalam perkalian kompleks adalah sebesar - . Untuk

penjumlahan kompleks DFT membutuhkan N(N-1), sedangkan pada FFT memerlukan

. Penghematan penjumlahan kompleks adalah N(N-1) - [11]. Contoh

pernghematan perhitungan dalam perkalian kompleks apabila nilai N = 64, maka -

= 4096 – 192 = 3094. Penghematan perhitungan DFT dibandingkan FFT

untuk penjumlahan kompleksnya adalah 64(64-1) - = 4032 – 384 = 364


15

Gambar 2.12 Algoritma kupu-kupu FFT DIT dua dimensi untuk DFT 8 Titik [20]

Gambar 2.13 Gambar ilustrasi algoritma Sande-Turkey FFT untuk N = = 8 [20]

Keterangan : a, b, c, d, e, f, g, h adalah keluaran dari tahap pertama

: i, j, k, l, m, n, o, p adalah keluaran dari tahap ke-2

:X(0), X(1), X(2), X(3), X(4), X(5), X(6), X(7) adalah keluaran dari tahap

ke-3


16

Setelah melakukan transformasi FFT, suara asli yang diperoleh dari hasil

perekaman akan diubah ke dalam bentuk pola suara yang merupakan hasil ekstraksi ciri

suara. Data suara yang telah diubah mempunyai bentuk 1 dimensi, keluaran hasil ekstraksi

ciri mempunyai dimensi yang sama dengan masukkan suara asli yaitu 1 dimensi. Jika

masukkan adalah f(x) maka keluarannya adalah F(y).

Definisi FFT untuk 1 dimensi dengan masukkan f(x) dengan ukuran dimensi

sebesar N (sehingga x = 0, 1, 2,…,N-1) maka:

( ) ∑ ( )

(2.7)

2.9. Template Matching

Pendekatan pengenalan pola adalah salah satu yang paling sederhana dan paling

awal dengan didasarkan pada template matching. Matching adalah operasi generik dalam

pengenalan pola yang digunakan untuk menentukan kesamaan antara dua entitas dari jenis

yang sama. Dalam template matching, contoh atau bentuk asli dari pola yang menjadi

pengenalan sudah tersedia. Pola yang menjadi pengenalan dicocokan terhadap template

yang telah tersimpan. Kesamaan ukuran dapat di optimalkan berdasarkan template

tersedia[21].

2.9.1. Fungsi Jarak Simetrik Probabilitas 2

Fungsi Jarak Simetrik Probabilitas 2

adalah menghitung besarnya perubahan dari

dua variabel[22]. Fungsi jarak ini membagi dua variabel satu dengan variabel lainnya yang

saling berhubungan. Fungsi Simetrik Probabilitas 2

dirumuskan sebagai berikut

(2.8)

Dengan : = jarak Simetrik Probabilitas 2

n = panjang vektor

Pi,Qi = vektor yang akan dibandingkan

2.10. Klasifikasi k-NN

Algoritma yang disebut aturan tetangga terdekat atau biasa dikenal k nearest

neighbour (k-NN) adalah diringkas secara berikut[23]. Misal ada vector x yang tidak

diketahui, maka:


17

a. Dari vektor pelatihan N, identifikasi k tetangga terdekat, dengan mengabaikan

label kelas. Untuk masalah dua kelas dipilih nilai k yang ganjil. Secara umum nilai

k ini bukan kelipatan dari jumlah kelas M.

b. Dari sampel k tersebut, identifikasi jumlah vektor, ki, yang masuk dalam kelas

i,i=1, 2, …., M. Hal ini dapat juga dinyatakan dengan i ki = k.

c. Tetapkan x untuk kelas i berdasarkan jumlah ki terbanyak dari sampel.


18

Mikrofon

Proses Perekaman

Proses Pengenalan

Nada Notebook

Saksofon Alto

BAB III

PERANCANGAN

3.1. Sistem Pengenalan Nada Saksofon Alto

Diagram blok sistem pengenalan nada saksofon alto secara keseluruhan

diperlihatkan pada Gambar 3.1.

Gambar 3.1. Diagram Blok Sistem Pengenalan Nada Saksfon Alto

Sistem pengenalan nada saksofon alto terdiri dari perangkat keras dan perangkat

lunak. Perangkat keras terdiri dari saksofon alto, mikrofon, dan notebook. Sedangkan

perangkat lunak terdiri dari program pada notebook yang berfungsi sebagai interface dalam

proses pengenalan nada. Perangkat lunak yang dibuat dengan menggunakan Matlab

tersebut memiliki peran penting dalam proses pengaturan sistem pengenalan nada saksofon

alto seperti merekam nada saksofon alto dan mengenali suara nada yang terekam.

Perekaman suara nada dilakukan oleh notebook melalui mikrofon pada line in notebook.

Sound Card


19

a. Saksofon

Saksofon yang digunakan adalah saksofon jenis alto. Saksofon alto berfungsi untuk

menghasilkan nada D, E, Fis, G, A, B, Cis, D’ yang akan dikenali oleh perangkat lunak.

Nada yang dihasilkan akan direkam menggunakan mikrofon yang terdapat pada line in

notebook.

b. Mikrofon

Mikrofon berfungsi untuk menangkap sinyal analog dan kemudian menyalurkannya ke

sound card pada notebook melewati line in yang ada pada sound card. Mikrofon yang

digunakan adalah GoMic Portable USB Microphone by SAMSON seperti yang

ditunjukkan pada Gambar 3.2. GoMic Portable USB Microphone sangat mudah digunakan

dan dibawa karena bentuknya yang sangat ringan.

Gambar 3.2. GoMic Portable USB Microphone by SAMSON

Tabel 3.1 Spesifikasi GoMic Portable USB Microphone by SAMSON

Pollar pattern Cardiod and Omni

Frequency Response:

Cardiod

Omni

80 Hz – 18 KHz

20Hz – 20 KHz

Element type Fixed Charge electret

Element Diameter 10mm

Diapragm thicknes

Cardiod and Omni 4 Microns and 2 Microns

Sensitivity -47 +/- 2dB/Pa


20

Tabel 3.1 (Lanjutan) Spesifikasi GoMic Portable USB Microphone by SAMSON

SPL 023 lbs (.105)

Weight 2.8” x 1.7 x 23” x 0.9”

Dimensions 70.5mm x 43.5mm x 23mm

c. Sound card

Sound card berfungsi mengubah sinyal analog dari mikrofon menjadi sinyal digital.

Sound card yang digunakan adalah sound card yang sudah terpasang pada motherboard.

Dalam konversi sinyal analog menjadi sinyal digital dan kemudian disimpan diperlukan

pengaturan yang meliputi pengaturan frekuensi sampling dan channel. Pengaturan tersebut

dilakukan pada proses perekaman oleh program yang akan dibuat.

d. Proses perekaman

Proses perekaman merupakan proses masuknya nada terekam melalui mikrofon pada

line in notebook berupa sinyal digital. Proses perekaman berfungsi untuk merubah data

sinyal analog menjadi data sinyal digital. Sinyal digital kemudian disimpan dan

digambarkan dalam sebuah plot. Data nada yang telah disimpan disebut nada terekam dan

kemudian dapat diproses untuk dikenali lewat proses pengenalan nada.

e. Proses pengenalan nada

Proses pengenalan nada adalah proses mengenali nada yang terekam agar dapat

diketahui jenis nada apa yang direkam. Proses ini terdiri dari subproses normalisasi,

pemotongan sinyal, frame blocking, normalisasi 2, windowing, ekstraksi ciri FFT,

perhitungan jarak Simetrik Probabilistik 2

(Database), K-NN sebagai penentuan hasil

nada. Diagram blok proses pengenalan nada dapat dilihat pada Gambar 3.3.

Gambar 3.3. Proses Pengenalan Nada Saksofon Alto

Masukan

(Suara saksofon

alto.wav)

Pemotongan

Sinyal

Frame

Blocking

Windowing

Perhitungan Jarak Simetrik

Probabilitas 2

Penentuan

Hasil

Pengenalan

Nada (K-NN)

Keluaran

(Tampilan

dalam

bentuk teks)

Normalisasi

Ekstraksi Ciri

FFT

Data Base

Normalisasi 2


21

Setiap subproses dalam proses pengenalan nada memiliki fungsi masing-masing, yaitu :

1. Nada Saksofon Alto

Hasil dari sampling nada saksofon alto yang direkam dengan menggunakan mikrofon

akan diproses ke tahap selanjutnya seperti yang ditunjukkan pada Gambar 3.4.

2. Pemotongan Sinyal

Fungsi proses pemotongan sinyal adalah untuk menghilangkan efek noise atau suara

lain yang ikut terekam saat proses perekaman.

3. Frame blocking

Proses ini berfungsi untuk memilih data dari data nada terekam, sehingga data yang

dipilih dapat mewakili semua data pada nada terekam.

4. Normalisasi

Data yang telah melalui proses frame blocking selanjutnya dinormalisasi. Pada tahap

ini semua nada saksofon alto yang sudah terekam akan dinormalisasikan. Tujuan dari

normalisasi ini agar amplitudo pada saat nada dimainkan bisa maksimal.

5. Windowing

Data yang telah dinormalisasikan mengalami proses windowing. Dari jenis windowing

yang ada, dalam penelitian ini menggunakan Hamming Window.

6. Fast Fourier Transform

Proses Fast Fourier Transform merupakan proses ekstraksi ciri suatu data suara

maupun gambar. Evaluasi FFT yang digunakan berdasarkan frame blocking yang

digunakan. Setelah menentukan besar frame blockingnya, kemudian frame blocking

tersebut dievaluasi basis data koefisiennya.

7. Perhitungan Jarak Simetrik Probabilitas 2

Perhitungan Jarak Simetrik Probabilitas 2

merupakan proses dari sistem yang

berfungsi untuk mengenali nada saksofon alto dengan cara menghitung nilai

similiaritas terbesar antara database nada dengan nada uji.

8. Penentuan hasil pengenalan nada

Proses penentuan adalah subproses terakhir dari proses pengenalan nada. Penentuan

hasil pengenalan nada ditentukan berdasarkan hasil perhitungan kelas yang paling

banyak muncul dengan metode K-NN.

9. Hasil pengenalan nada (Result)

Hasil akhir dari proses pengenalan nada adalah nada yang dikenali. Hasil akhir akan

ditampilkan dalam bentuk visual GUI Matlab yang telah dirancang oleh penulis.


22

Keluaran

(Hasil Ekstraksi Ciri Nada)

3.2. Perancangan Database Nada

Untuk merancang suatu pengenalan nada maka dibutuhkan nada acuan atau sering

disebut dengan database nada. Database nada terdiri dari delapan nada yaitu nada D, E,

Fis, G, A, B, Cis, D’. Pengambilan database nada dilakukan melalui beberapa tahap yaitu

perekaman, preprocessing yang terdiri dari proses sampling, normalisasi, pemotongan

sinyal, frame blocking, normalisasi 2, windowing dan ektraksi ciri FFT. Proses

pengambilan database nada ditunjukkan pada Gambar 3.4.

Gambar 3.4. Proses Pengambilan database Nada

Proses pengambilan nada disesuaikan dengan variabel bebas pada pembuatan

sistem pengenalan nada alat musik saksofon alto, tetapi dengan durasi dan frekuensi

sampling yang sudah ditetapkan. Database nada direkam dan di sampling sebanyak, satu

kali, dua kali, empat kali,delapan kali untuk setiap nadanya. Dari database nada tersebut

akan digunakan sebagai perbandingan untuk mengetahui hasil nada dan akan dievaluasi

dari setiap jumlah database tersebut. Hal ini dimaksudkan apakah dengan satu , dua,

empat dan delapan database disetiap nadanya sudah mencukupi untuk mengenali nada dari

sakfon alto.

Dari hasil FFT yang telah dinormalisasi akan diambil sesuai windowing koefisien.

Dimana maksud dari diambilnya sesuai dengan windowing koefisien adalah mengambil

setengah dari hasil FFT yang telah dinormalisasi. Dari hasil tersebut akan diambil lagi

sesuai dengan windowing koefisien yang di pilih oleh user. Kemudian dari hasil tersebut

digunakan sebagai nada sampel agar sistem pengenalan nada alat musik saksofon alto tidak

melakukan perhitungan kembali dalam mendapatkan database nada dan proses pada

sistem pengenalan nada saksofon alto dapat berjalan lebih cepat. Database nada yang

didapat kemudian disimpan dalam fungsi yang ada dalam sistem pengenalan nada alat

musik saksofon alto.

Masukan

(Suara saksofon alto)

Perekaman

(keluaran.wav) Preprocessing Ekstraksi ciri

FFT


23

3.3. Nada Uji

Nada uji merupakan nada yang terekam selain suara database nada. Suara uji yakni

terdiri dari sepuluh nada yang terekam dari masing-masing nada dimana nada tersebut

sebagai nada uji.Suara uji merupakan suara yang digunakan untuk mencari hasil terbaik

dari variasi nilai frame blocking dan Windowing koefisien. Secara garis besar fungsi dari

suara uji ialah untuk menjalankan program pengenalan suara nada saksofon alto secara

offline atau belum real-time. Sehingga hasil penentuan nilai frame blocking dan

Windowing koefisien dari pengenalan nada uji dapat menghasilkan tingkat pengenalan

nada saksofon alto yang tertinggi. Proses pengambilan nada saksofon alto uji sama dengan

proses pengambilan nada saksofon alto terdapat pada gambar 3.4.

3.4. Perancangan Tampilan Program GUI MATLAB

Tampilan utama untuk program pengenalan nada saksofon alto dibuat dengan

menggunakan GUI Matlab yang di tujukan pada gambar 3.5.

Gambar 3.5. Tampilan Utama Sistem Pengenalan Nada Saksofon Alto

Tampilan utama program dibuat agar user dapat menggunakan sistem ini dengan

mudah dan dapat mengerti hasil dari pengenalan nada alat musik saksofon alto. Keterangan

tampilan utama sistem pengenalan nada saksofon alto ditunjukkan pada Tabel 3.2.


24

Tabel 3.2. Keterangan Tampilan Utama Sistem

Nama Keterangan

Tombol RECORD Berfungsi untuk menjalankan program

Variasi Nilai Frame

Blocking

Untuk memilih frame yang digunakan pada

proses pengenalan nada, pilihan berupa 128,

64, 32, dan 16.

Variasi Nilai k pada k-NN Untuk variasi nilai k=1, 3, 5 dan 7 pada k-NN

Variasi Nilai Windowing

Koefisien

Untuk variasi windowing koefisien

menggunakan 10%, 20%, 30%, 40%, 50%,

60%, 70%, 80%, 90% dan 100%

Plot Hasil Perekaman Berfungsi untuk menampilkan grafik hasil

dari perekaman nada

Berfungsi untuk menampilkan grafik data

hasil ekstaksi ciri FFT.

Hasil Nada Berfungsi untuk menampilkan hasil yang

telah diproses oleh program dengan hasil dari

K-NN.

RESET Berfungsi untuk mengembalikan ke tampilan

awal program

CLOSE Berfungsi untuk mengakhiri program

3.5. Perancangan Alur Program

Sistem pengenalan nada Saksofon alto ini akan bekerja pada saat user menjalankan

program. Sebelum menjalankan program, user harus memilih variasi windowing koefisien,

FFT dan nilai k pada k-NN yang ingin digunakan. Saat user menekan tombol “RECORD”,

secara otomatis sistem akan merekam suara nada alat musik saksofon alto yang

dimainkan. Jika suara nada telah terekam, maka proses akan berlanjut untuk mengenali

nada tersebut.

Program keseluruhan yang digunakan dalam sistem pengenalan nada saksofon alto

terdiri dari beberapa subprogram yaitu rekam, normalisasi, pemotongan sinyal, frame

blocking, normalisasi 2, windowing, FFT, perhitungan jarak Simetrik Probabilitas 2 dan


25

penentuan hasil nada dengan menggunakan k-NN. Diagram Alir perancangan keseluruhan

ditujukan pada gambar 3.6.

Gambar 3.6. Diagram Alir Sistem Pengenalan Nada saksofon Alto

3.5.1. Rekam

Diagram alir rekam ditujukan pada gambar 3.7.

Gambar 3.7. Diagram Alir Sub Rutin Rekam


26

Subprogram rekam memiliki proses yang dijalankan yaitu proses sampling suara.

Proses sampling berfungsi untuk merekam nada saksofon alto dengan nilai frekuensi

sampling yang telah ditentukan dalam sistem. Frekuensi sampling yang digunakan adalah

4800 Hz. (lampiran 1). Hasil dari proses perekaman nada akan ditampilkan dalam bentuk

plot atau grafik yang terdapat pada interface GUI Matlab. Nilai frekuensi sampling

tersebut didapat melalui proses perhitungan menggunakan persamaan 2.1 berikut :

Lama waktu penangkapan ucapan ditentukan sebesar 3 detik. Waktu tersebut

ditentukan agar nada yang dihasilkan dapat terekam secara utuh. Penetuan lama waktu

berdasarkan hasil percobaan yang disertakan dalam lampiran (Lampiran 2). Nilai waktu

tersebut juga mempengaruhi banyaknya data yang tercuplik. Banyaknya data yang

tercuplik dihitung dari persamaan berikut :

(3.1)

Hasil dari frekuensi sampling berupa sinyal dari data-data yang tercuplik.

3.5.2. Normalisasi

Diagram alir normalisasi ditujukan pada gambar 3.8.

Gambar 3.8. Diagram alir Normalisasi


27

Proses ini digunakan agar besarnya nilai amplitudo dari data sinyal ucapan

terbentuk pada skala yang sama. Tujuannya agar pengaruh dari kuat atau lemahnya suara

yang diucapkan dapat diminimalkan. Hasil dari normalisasi dirancang agar batasan nilai

amplitudo puncak dari data ucapan bernilai 1 atau -1 dan nilai amplitudo yang lainnya

menyesuikan dengan skala tersebut. Proses normalisasi pada nilai-nilai amplitudo dibentuk

dengan rumus berikut:

)) (3.2)

dengan keterangan sebagai berikut :

= hasil data sinyal normalisasi (1,2,3,…,N)

= data input (1,2,3,…,N)

N merupakan banyaknya data sinyal.

Program normalisasi akan dieksekusi ketika fungsi ini dipanggil. Diagram alir dari

program normalisasi ditunjukkan pada gambar 3.8. Data-data pada sinyal hasil sampling

akan dijadikan nilai masukan pada fungsi ini. Normalisasi terhadap sinyal tersebut

dilakukan menggunakan persamaan 3.2. Keluaran dari fungsi ini berupa sinyal yang

ternormalisasi.

3.5.3. Pemotongan Sinyal

Proses pemotongan sinyal bertujuan untuk menghilangkan suara lain yang ikut

terekam sebelum suara yang diinginkan terekam. Hal ini diperlukan agar proses

pengenalan mampu benar-benar hanya mengenali suara nada yang diperlukan saja.

Pemotongan sinyal menggunakan batas potong sebesar 0,3 yang didapat berdasarkan

referensi[24]. Variasi pemotongan ini didapat berdasarkan penelitian yang dilakukan oleh

penulis ketika mencoba perancangan sistem secara tidak real-time dengan tujuan agar

mendapat nilai terbaik ketika pengujian.

Pemotongan sinyal juga bertujuan untuk masukan variabel perhitungan dalam

proses selanjutnya, sehingga nilai yang diproses untuk tahap selanjutnya adalah suara nada

yang diperlukan saja tanpa adanya suara gangguan yang lain. Diagram alir pemotongan

sinyal ditujukan pada gambar 3.9.


28

Gambar 3.9. Diagram alir Pemotongan Sinyal

3.5.4. Frame Blocking

Diagram alir Frame Blocking ditujukan pada gambar 3.10.

Gambar 3.10. Diagram Alir Frame Blocking

Selesai proses pemotongan sinyal maka proses yang selanjutnya dilakukan adalah

proses frame blocking. Frame blocking bertujuan untuk mengurangi jumlah data sinyal

yang akan di proses.


29

Frame blocking berfungsi untuk memilih data dari keseluruhan data yang terekam

dan hasil dari pemotongan sinyal. Proses pertama yang dilakukan dalam proses frame

blocking adalah menentukan nilai titik tengah dari data sampling. Jumlah data yang

diambil dalam proses ini sesuai dengan variasi yang dipilih user. Dari titik tengah data

yang diperoleh, ditentukan besarnya data yang akan diambil untuk proses selanjutnya.

Proses frame blocking ditunjukkan diagram alir pada gambar 3.10. Proses frame blocking

dimulai dengan pencarian titik tengah dari suatu data yang terekam. Proses selanjutnya

yaitu menentukan data yang diambil dari titik tengah data tersebut sesuai dengan nilai

variasi frame blocking yang dipilih user. Nilai variasi frame blocking yang digunakan yaitu

16, 32, 64 dan 128.

3.5.5. Normalisasi 2

Diagram alir normalisasi 2 ditujukan pada gambar 3.11.

Gambar 3.11. Diagram alir Normalisasi 2

Proses ini digunakan agar besarnya nilai amplitudo dari data sinyal nada yang

sudah di frame blocking terbentuk pada skala yang sama. Tujuannya agar pengaruh dari

kuat atau lemahnya suara nada dapat diminimalkan. Hasil dari normalisasi dirancang agar

batasan nilai amplitudo puncak dari data nada tersebut bernilai 1 atau -1 dan nilai


30

amplitudo yang lainnya menyesuikan dengan skala tersebut. Proses normalisasi pada nilai-

nilai amplitudo dibentuk dengan rumus berikut:

)) (3.3)

dengan keterangan sebagai berikut :

= hasil data sinyal normalisasi (1,2,3,…,N)

= data input (1,2,3,…,N)

N merupakan banyaknya data sinyal.

3.5.6. Windowing Hamming

Diagram alir Windowing ditujukan pada gambar 3.12.

Gambar 3.12. Diagram alir Windowing

Tahap setelah normalisasi yaitu tahap windowing. Untuk pengelanan nada saksofon

alto ini menggunakan windowing Hamming sebagai proses selanjutnya. Fungsi dari pada

proses windowing ini untuk mengurangi efek diskontinuitas saat sinyal ditransformasikan

ke domain frekuensi.

Untuk mendapatkan hasil yang maksimal pada proses FFT, maka sample suara

yang telah dibagi menjadi beberapa frame perlu di jadikan suara continue dengan cara

mengkalikan tiap frame windowing tertentu.. Berikut ini merupakan persamaan dari

windowing Hamming :


31

) (

) (3.4)

Dimana : w(n) = windowing

N = jumlah data dari sinyal

n = waktu diskrit ke-

Sinyal hasil windowing didapat dari perkalian elemen dari data windowing

Hamming dan data sinyal hasil normalisasi.

3.5.7. Fast Fourier Transform (FFT)

Diagram alir Windowing ditujukan pada gambar 3.13.

Gambar 3.13. Diagram alir Ekstraksi ciri FFT

Proses selanjutnya adalah ekstraksi ciri FFT. Proses ekstraksi ciri FFT dimulai

dengan mencari nilai komputasi FFT yang dilanjutkan dengan mencari nilai absolute dari

hasil komputasi FFT tersebut. Proses dilanjutkan dengan mencari nilai absolute dari nilai

log hasil perhitungan matematis FFT. Hasil-hasil komputasi tersebut kemudian dipotong

sebanyak setengah dari ukuran sinyal yang telah ditentukan, kemudian dari hasil


32

pemotongan tersebut dipilih bagian yang akan diproses. Proses terakhir dalam ekstraksi ciri

adalah pengubahan dimensi dari sinyal.

Masing-masing subproses dari ekstraksi ciri mempunyai tujuan khusus masing-

masing yang membentuk satu kesatuan. Pencarian nilai mutlak pada tiap perhitungan

ditujukan agar nilai yang didapat merupakan bilang real sehingga proses perhitungan dapat

dilanjutkan. Komputasi secara matriks adalah subproses untuk mengolah matriks hasil

ekstraksi ciri FFT. Pengolahan yang dimaksud adalah pemilihan banyak data yang akan

digunakan untuk proses pengenalan nada.

3.5.8. Perhitungan Jarak Simetrik Probabilitas 2

Diagram alir perhitungan jarak ditujukan pada gambar 3.14.

Gambar 3.14 Diagram Alir perhitungan jarak Simetrik Probabilitas 2

Proses selanjutnya yaitu proses fungsi jarak, pada pengenalan nada saksofon alto

ini menggunakan jarak Simetrik Probabilitas 2

. Untuk mencari kedekatan antara dua

obyek atau mencari kedekatan antara dua vector, dimana antara database nada dan nada

uji. Perhitungan jarak Simetrik Probabilitas 2

dirumuskan sebagai berikut :

(3.5)

Dengan : = jarak Simetrik Probabilitas 2

n = panjang vektor


33

Pi,Qi = vektor yang akan dibandingkan antara nada uji dan database nada

3.5.9. Penentuan Hasil Nada

Diagram alir perhitungan jarak ditujukan pada gambar 3.15.

Gambar 3.15. Diagram alir k-NN

Pada proses penentuan keluaran ini data hasil perhitungan jarak di sort ascending

dengan tujuan mengurutkan hasil perhitungan jarak dari yang terkecil. Setelah data di sort

ascending, maka akan ada penggambilan nilai k terkecil, dimana nilai k dipilih oleh user.

Setelah nilai k dipilih maka akan ada pembanding. Dimana maksud disini adalah apabila

ada suara nada dari alat musik lain maka akan dibandingkan berdasarkan jarak (k) ≤

Thresholding. Apabila nilai jarak dari k yang dipilih kurang dari nilai thresholding, maka

akan dilanjutkan ke proses mencari indeks kelas dari jarak k terkecil, jika tidak, akan

muncul display error. Hasil pengenalan nada saksofon alto ditentukan berdasarkan kelas

Tidak


34

yang paling banyak muncul dengan menggunakan metode k-Nearest Neighbor (k-NN).

Kemudian hasil dari nilai kelas yang paling banyak muncul tersebut akan ditampilkan

berupa keluaran teks. Dimana ketentuan k-NN adalah misal ada vector x yang tidak

diketahui, maka:

a. Dari vektor pelatihan N, identifikasi k tetangga terdekat, dengan mengabaikan

label kelas. Untuk masalah dua kelas dipilih nilai k yang ganjil. Secara umum nilai

k ini bukan kelipatan dari jumlah kelas M.

b. Dari sampel k tersebut, identifikasi jumlah vektor, ki, yang masuk dalam kelas

i,i=1, 2, …., M. Hal ini dapat juga dinyatakan dengan i ki = k.

c. Tetapkan x untuk kelas i berdasarkan jumlah ki terbanyak dari sampel.

3.6. Perancangan Subsistem Pengenalan Nada Saksofon Alto

Sistem pengenalan nada saksofon alto memiliki dua subsistem yang penting yaitu

subsistem sampling dan subsistem pengenalan nada. Perancangan subsistem tersebut

memerlukan variabel terikat. Pengujian awal untuk mencari variabel tersebut dilakukan

agar proses pengenalan dapat berhasil dengan waktu yang optimal. Pengujian ini

menggunakan Matlab, karena dalam program tersebut sudah memiliki fungsi-fungsi yang

menunjang subsistem dari sistem program pengenalan nada.

3.6.1. Subsistem Sampling

Subsistem sampling terdiri dari dua variabel terikat yaitu frekuensi sampling dan

durasi perekaman. Setelah melakukan pengujian awal, dapat disimpulkan:

a. Frekuensi sampling yang digunakan 4800Hz. Di ambil dari nilai dua kali dari

frekuensi fundamental (Lampiran 1).

b. Durasi perekaman menggunakan 3 detik (Lampiran 2).


35

BAB IV

HASIL DAN PEMBAHASAN

Program yang telah dibuat perlu dilakukan sebuah pengujian. Pengujian berguna

untuk mengetahui kinerja program tersebut dalam melakukan pengenalan nada. Pada

pengujian akan diperoleh hasil pengujian berupa data-data. Data-data hasil pengujian

menunjukan program yang telah dirancang dapat berjalan dengan baik atau tidak. Pada bab

ini akan dilakukan analisa dan pembahasan pada data hasil pengujian yang telah diperoleh.

4.1. Pengujian Program Pengenalan Nada Saksofon Alto menggunakan

FFT dan Pengklasifikasian K-NN dan Fungsi Jarak Simetrik

Probabilitas 2

Perancangan program menggunakan software Matlab 7.6.0 (R2008a). Pada

pengujian program menggunakan laptop dengan spesifikasi:

Prosesor : Intel® Pentium Inside CPU @ 2.40 GHz

RAM : 2 GB

Tipe sistem : Sistem operasi 32 bit

Proses pengenalan nada saksofon alto dapat dilakukan dengan menjalankan langkah-

langkah di bawah ini:

1. Mengklik dua kali ikon Matlab pada layar desktop dengan gambar ikon seperti

Gambar 4.1.

Gambar 4.1. Ikon Matlab 7.6.0 (R2008a)

2. Setelah melakukan langkah 1, akan tampil tampilan utama software Matlab seperti

Gambar 4.2.


36

Gambar 4.2. Tampilan Matlab

3. Sebelum membuka tampilan program, perlu memastikan terlebih dahulu pada

Current Directory sudah sesuai dengan tempat penyimpanan program yang telah

dirancang.

4. Mengetikan perintah gui pada Command window untuk memunculkan tampilan

program pengenalan nada. Setelah itu akan muncul tampilan program pengenalan

nada seperti pada Gambar 4.3.

Gambar 4.3. Tampilan Program Pengenalan Nada Saksofon alto


37

5. User memilih nilai variasi frame blocking, windowing koefisien dan nilai k pada K-

NN yang akan digunakan terlebih dahulu sebelum melakukan pengenalan nada.

Nilai variasi frame blocking yang disediakan adalah 16, 32, 64 dan 128. Nilai

variasi windowing koefisisen yang disediakan adalah 10%, 20%, 30%, 40%, 50%,

60%, 70%, 80%, 90%, 100%. Nilai variasi K-NN yang disediakan adalah 1, 3, 5

dan 7.

6. Apabila langkah 5 sudah dilakukan, user dapat memulai pengenalan nada dengan

menekan tombol “RECORD”. Hasil pengenalan nada saksofon alto terlihat seperti

pada gambar 4.4.

Gambar 4.4 Tampilan Hasil Pengenalan

7. User dapat mengulang kembali pengenalan nada dengan menekan tombol “RESET”

dan mengulang kembali langkah 5 dan 6.

8. User dapat mengakhiri pengenalan nada dengan menekan tombol “CLOSE”.

4.1.1. Pengenalan Nada

Pengenalan nada dapat dilakukan dengan melakukan berbagai langkah-langkah

seperti yang telah dijelaskan di atas. Tampilan program pengenalan nada dapat dilihat pada

Gambar 4.3. Pada tampilan pengenalan nada terdapat 3 pop up menu, 2 axes, 3 push

button, dan 1 edit text. User dapat memulai pengenalan nada dengan melakukan


38

pengaturan terlebih dahulu pada program pengenalan nada. Pengaturan yang perlu

dilakukan adalah dengan memilih nilai nilai variasi frame blocking, windowing koefisien

dan nilai k pada k-NN yang terdapat pada pop up menu. Setelah menentukan nilai variasi

yang akan digunakan, user dapat memulai pengenalan nada dengan menekan tombol tekan

”RECORD”. Hasil pengenalan yang ditampilkan adalah plot perekaman, plot FFT, dan

nada yang berhasil dikenali. User dapat mengulang pengenalan nada dengan menekan

tombol “RESET” dan mengakhiri pengenalan dengan menekan tombol “CLOSE” seperti

yang telah dijelaskan di atas.

a. Pop Up Menu

Pada tampilan program pengenalan nada terdapat 3 pop up menu yaitu variasi

frame blocking, windowing koefisien dan nilai K-NN. Nilai variasi frame blocking yang

ditampilkan pada pop up menu yaitu 16, 32, 64, 128. Nilai variasi windowing koefisien

yang ditampilkan pada pop up menu yaitu 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%,

90% dan 100%. Pada variasi frame blocking menampilkan menjalankan perintah program

yang telah dirancang sebagai berikut:

indeks=get(handles.popupmenu1,'Value');

switch indeks

case 1

framebl=128;

case 2

framebl=64;

case 3

framebl=32;

case 4

framebl=16;

end

handles.frame=framebl;

guidata(hObject,handles);

Pada program di atas, nilai frame blocking diinisialisai menggunakan nama frame

yang dibagi dalam 4 kondisi sesuai dengan banyaknya variasi. Inisialisasi frame tersebut

diproses menggunakan perintah handles. Perintah ini digunakan untuk data atau nilai frame

blocking yangtelah diinisialisasi sebagai masukan apabila dilakukan callback. Pada pop up

menu variasi windowing koefisien listing program sebagai berikut:


39


switch indeks

case 1

koef=100;

case 2

koef=90;

case 3

koef=80;

case 4

koef=70;

case 5

koef=60;

case 6

koef=50;

case 7

koef=40;

case 8

koef=30;

case 9

koef=20;

case 10

koef=10;

end

handles.pct=koef;


Proses yang dilalui oleh pop up menu pada variasi windowing koefisien sama

dengan proses pada pop up menu variasi frame blocking. Nilai windowing koefisien

diinisialisasikan dengan nama pct. Pada pop up menu variasi nilai K-NN listing program

sebagai berikut :


switch indeks

case 1

knn=7;

case 2


40

knn=5;

case 3

knn=3;

case 4

knn=1;

end

handles.varn=knn;


b. Tombol “RECORD”

Tombol “RECORD” adalah tombol yang berfungsi untuk melakukan pengenalan

nada saksofon alto. User dapat melakukan pengenalan nada saksofon alto dengan menekan

tombol tersebut. Tombol “RECORD” memulai pengenalan nada dengan menjalankan

beberapa subproses. Subproses yang dijalankan dimulai dari perekaman nada, ekstraksi ciri

FFT, penghitungan jarak Simetrik Probabilitas 2, dan penentuan hasil pengenalan nada

berdasarkan kelas yang dipilih oleh user pada nilai k-NN. Program yang digunakan untuk

perekaman nada sebagai berikut:

sample_length=3;

sample_freq=4800;

sample_time=(sample_length*sample_freq);

x=wavrecord(sample_time, sample_freq);

wavwrite(x, sample_freq, 's.wav');

axes(handles.axes1)

plot(x);

x=wavread('s.wav');

Perekaman nada pada Matlab menggunakan perintah wavrecord dan wavwrite

untuk menyimpan nada yang telah direkam. Nada yang telah terekam tersebut diplot pada

tampilan program pengenalan menggunakan perintah plot. Nada terekam diplot pada axes

yang telah tersedia di dalam tampilan program perekaman dan ekstraksi ciri FFT (Gambar

3.14).

%Ekstraksi ciri FFT

x5=abs(fft(x4));


41

x6=x5(1:fb/2);

%Ambil sesuai persen koefisien

jumkoef=floor((pctkoef/100)*(fb/2));

x7=x6(1:jumkoef);

x7=x7(:)

axes(handles.axes2)

bar (x7);

Nada terekam dan yang telah disimpan dipanggil kembali menggunakan perintah

wavread. Dilakukan penginisialisasian nilai frame blocking, batas potong, dan windowing

koefisien untuk memudahkan menjalankan proses ekstraksi ciri. Proses ekstraksi ciri

memilki 3 masukan yaitu variabel b0, fb, dan pctkoef. bo adalah nilai batas potong. Fb dan

pctkoef merupakan nilai masukan yang telah dipilih oleh user. Hasil dari ekstrasi ciri

ditampilkan pada tampilan program seperti halnya hasil perekaman.

if (b0==0.3) && (fb==128) &&(pctkoef==100) load db1128100;

elseif (b0==0.3) && (fb==128) &&(pctkoef==90) load db112890;

















42
























end

Ekstraksi database diperoleh dari proses dengan menggunakan program sebagai

berikut:

function coba1

b0 = 0.3;


43

fb=128; %variasi frameblocking yang digunakan 16,32,64 dan 128

pctkoef=50; %variasi windowing koefisien yang digunakan 10%-100%

z1=zciri ('Do',b0,fb,pctkoef);

z2=zciri ('Re',b0,fb,pctkoef);

z3=zciri ('Mi',b0,fb,pctkoef);

z4=zciri ('Fa',b0,fb,pctkoef);

z5=zciri ('Sol',b0,fb,pctkoef);

z6=zciri ('La',b0,fb,pctkoef);

z7=zciri ('Si',b0,fb,pctkoef);

z8=zciri ('Do_',b0,fb,pctkoef);

z=[z1 z2 z3 z4 z5 z6 z7 z8];

save db112850 z

Program di atas untuk memanggil database yang akan dibandingankan dengan

nada yang telah terekam menggunakan perhitungan jarak. Database yang dipanggil sesuai

dengan pilihan variasi frame blocking dan windowing koefisien yang telah dipilih user.

Proses yang dilakukan selanjutnya adalah membandingkan database dengan nada terekam

menggunakan perhitungan jarak. Nilai perhitungan jarak tersebut dimasukkan ke dalam

metode penentuan keluaran yaitu k-Nearest Neighbor (k-NN), dimana k-Nearest Neighbor

(k-NN) akan mengurutkan dari kecil sampai besar nilai dari hasil perhitungan jarak.

Setelah mendapatkan nilai yang paling minimum dari pengurutan nilai hasil penghitungan

jarak akan diambil nilai minimum sebanyak k (nilai yang dipilih oleh user) pada k-Nearest

Neighbor (k-NN), sesuai dengan urutan sampel dari database. Nilai kelas yang paling

banyak muncul akan menjadi penentuan keluaran nada saksofon alto yang dikenal.

Perintah program perhitungan jarak (Gambar 3.15) sebagai berikut:

for k=1:8

z2(k)=jarak(x7,z(:,k));

end

Setelah didapatkan proses perhitungan jarak selanjutnya masuk dalam penentuan

pengeluan kelauran nada dalam tahap ini menggunakan metode k-NN. Kelas yang

digunakan k-Nearest Neighbor (k-NN) adalah bilangan ganjil seperti 1, 3, 5, dan 7. Kelas

k=1 sama dengan tidak menggunakan k-Nearest Neighbor (k-NN) karena nilai

minimumnya hanya mencari satu nilai sampel dari database dan juga kelasnya hanya ada


44

satu. k=1 tidak bisa mencari nilai yang paling minimum dari nada lain, sedangkan kelas

k=3, 5, 7 menggunakan k-Nearest Neighbor (k-NN) karena mencari nilai minimum dari

sampel database disetiap variasi sesuai dengan nilai k nya. k-Nearest Neighbor (k-NN)

yang diambil sebagai keluaran adalah kelas yang paling banyak muncul. Perhitungan

pengurutan nilai minimum ini menggunakan jarak simetrik probabilisitik 2 yang

digunakan sebagai perhitungan nilai jarak minimum yang didapatkan dari perbandingan

nada masukan dengan database. Karena keterbatasan Matlab 7.6.0 perintah program

ditambah modus (mode) yang digunakan untuk mencari nilai yang paling sering muncul, di

dalam modus terdapat sampel sesuai dengan variasi dari database. Berikut perintah

program k-NN (Gambar 3.16):

% Cari n tertangga terdekat

k=vark % k pada knn

m=1; % jumlah sampel per kelas

[s1,s2]=sort(z2,'ascend'); % urut dari kecil terbesar

jarakc=sort(z2,'ascend')

kj=s1(1:k) % k (jarak

tekecil)atau(similaritas terbesar)

kn=s2(1:k) % k kelas terdekat

hk=ceil(kn/m) % penentuan kelas-kelas yang

terpilih

zout=mode(hk) % pilih kelas yang paling

sering muncul

idxkout=find(hk==zout);

jpilih=kj(idxkout);

fjpilih=fliplr(jpilih);

jmaks=fjpilih(1)

%Penentuan keluaran nada

nadaout=kel(zout)

set(handles.edit2,'String',nadaout);

if (zout == 1)&&(jmaks<55.0487)

korout = {'Do'};

elseif (zout == 1) && (jmaks>=55.0487)

korout = {'ERROR'};

end

if (zout == 2) && (jmaks<81.5725)

korout = {'Re'};


korout = {'ERROR'};

end

if (zout == 3) && (jmaks<42.4711)

korout = {'Mi'};


korout = {'ERROR'};


45

end

if (zout == 4) && (jmaks<54.8266)

korout = {'Fa'};


korout = {'ERROR'};

end

if (zout == 5) && (jmaks<57.4214)

korout = {'Sol'};


korout = {'ERROR'};

end

if (zout == 6) && (jmaks<105.5574)

korout = {'La'};


korout = {'ERROR'};

end

if (zout == 7) && (jmaks<36.6529)

korout = {'Si'};


korout = {'ERROR'};

end

if (zout == 8) && (jmaks<62.7467)

korout = {'Do_T'};


korout = {'ERROR'};

end

hasilout=korout

set(handles.edit2,'string',hasilout)

Perintah program di atas adalah untuk menjalankan hasil penentuan keluaran nada

apa yang dihasilkan dari penamaan keluaran teks dari 8 nada. Pada program tersebut

penentuan keluaran metode k-Nearest Neighbour dan menentukan bukan nada yang

dihasilkan menggunakan metode thresholding. Variasi k-NN menggunakan variabel

“vark”. Pada metode k-Nearest Neighbour bertujuan untuk mengambil kelas terdekat atau

tetangga terdekat dari perhitungan nilai jaraknya. Fungsi “ascend” pada program berfungsi

untuk mengurutkan nilai jarak dari yang terkecil sampai yang terbesar. Metode

Thresholding bertujuan untuk menentukan hasil keluaran yang tidak sesuai dengan nada

pada database dengan penamaan “ ERROR”. Nilai thresholding didapatkan dari nilai batas

optimal pada setiap nada (lampiran 6). Penentuan keluaran menggunakan fungsi logika “if

dan else” dimana meliahat beberapa syarat yaitu kelas dan nilai thresholding, jika salah

satu tidak terpenuhi maka program akan lanjut ke proses else. Hasil keluaran yang sesuai


46

dengan persyaratan kelas dan nilai thresholding akan di tampilkan dengan format

“set(handles.edit2,’string’,hasilout)” dimana hasil keluaran akan ditampilan pada edit2

berupa text yakni delapan nada tersebut berdasarkan penamaan pada program hasil

pengeluaran. Variabel kel adalah inisialisasi 8 nada. Nilai kelas yang paling banyak

muncul akan dipanggil sebagai keluaran sesuai dengan nama yang telah diinisialisasi

sebagai berikut:

%deskripsi string keluaran

kel={'Do';'Re';'Mi';'Fa';'Sol';'La';'Si';'Do_T'};

c. Tombol “RESET”

Tombol “RESET” digunakan apabila user masih ingin melakukan pengenalan nada

untuk nada lainnya. Tombol “RESET” berfungsi mengembalikan atau mengulang tampilan

program ke tampilan awal. Program yang digunakan untuk tombol RESET adalah sebagai

berikut:

axes(handles.axes5);

plot(0);


plot(0);

set(handles.edit3,'String',' ');

Program di atas berfungsi untuk mengembalikan atau mengosongkan axes plot dan

kolom edit yang menampilkan hasil pengenalan nada.

d. Tombol “CLOSE”

Tombol “CLOSE” berfungsi untuk mengakhiri proses pengenalan nada. Program

untuk tombol CLOSE yaitu:

delete(figure(gui));

4.2. Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat

Pengenalan Nada Saksofon Alto

Pengujian program pengenalan nada saksofon alto terdiri dari tiga tahap pengujian.

Tiga tahap pengujian yang dilakukan antara lain pengujian untuk menentukan batasan nilai

jarak optimal, pengujian parameter pengaturan pengenalan nada meliputi pengujian secara

tidak real-time dan pengujian secara real-time dan pengujian program menggunakan suara

masukan dari alat musik lain.


47

4.2.1. Pengujian Parameter Pengenalan Nada

Pada pengujian ini bertujuan untuk menguji seberapa besar tingkat pengenalan nada

dari setiap parameter. Parameter ini antara lain frame blocking, windowing koefisien. Dan

nilai k pada K-NN. Pengujian program pengenalna alat musik saksofon alto ini

mengguanakan 2 cara, yaitu pengujian secara tidak real-time, dan pengujian secara real-

time. Untuk pengujian secara real-time dibagi menjadi 2 cara, real-time tanpa

Thresholding, dan real-time menggunakan Thresholding.

4.2.1.1. Pengujian Secara Tidak Real-Time

Nada uji digunakan sebagai nada masukan untuk pengujian tidak real time. Proses

pengambilan nada uji sama dengan proses pengambilan database nada. Pengujian tidak

real time menggunakan nada uji sebanyak 8, 16, 32 dan 64 data (setiap nada memiliki 1, 2,

4 dan 8 database). Hasil pengujian tidak real time adalah data tingkat pengenalan nada dari

pengujian yang telah dilakukan. Persentase tingkat pengenalan sistem dapat dicari dengan

menggunakan program (lampiran 4).

Data tingkat pengenalan untuk database 1, 2, 4 dan 8 disetiap nadanya (lampiran

5) tersebut dipresentasikan dengan persentase yang menunjukan tingkat pengenalan nada

berdasarkan variasi nilai frame blocking, windowing koefisien dan nilai k pada k-NN

seperti yang ditunjukkan pada tabel 4.1, 4.2, 4.3, dan 4.4.


nilai k

Windowing Koefisien

100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5%

5 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 37,5% 25%

3 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 37,5% 62,5% 25%

1 100% 100% 100% 100% 100% 100% 100% 100% 75% 12,5%

Tabel 4.2. Menggunakan nilai frame blocking 64 dengan database 1 untuk setiap nada

nilai k

Windowing Koefisien

100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5%

5 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 0%

3 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 25% 0%

1 100% 100% 100% 100% 100% 100% 87,5% 87,5% 50% 0%


48


nilai k

Windowing Koefisien

100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5%

5 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 25% 12,5%

3 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 12,5% 25% 0%

1 100% 100% 87,5% 87,5% 75% 75% 62,5% 62,5% 37,5% 12,5%

Tabel 4.4. Menggunakan nilai frame blocking 16 dengan 1 database disetiap nadanya

nilai k

Windowing Koefisien

100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 0% 12,5% 12,5% 12,5%

5 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 12,5% 12,5%

3 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 37,5% 25% 37,5% 12,5%

1 50% 50% 62,5% 50% 37,5% 37,5% 37,5% 37,5% 37,5% 0%

Gambar 4.5. Gambar Pengaruh Perubahan Windowing koefisien terhadap persentase

keberhasilan pada frame blocking 128




49





Hasil pengenalan di atas berdasarkan dari tabel dan (lampiran 5) merupakan hasil

pengenalan nada dari program yang menggunakan database 1, 2, 4 dan 8. Dari hasil

pengenalan nada tersebut di evaluasi apakah dengan menggunakan database nada 1, 2, 4

dan 8 sudah mampu mengenali nada saksofon alto. Setelah dievaluasi diperoleh

pengenalan terbaik yang akan digunakan sebagai pengenalan nada secara real time.

Berdasarkan tabel 4.1, 4.2, 4.3, 4.4 dan (lampiran 5) menunjukkan kenaikan dan

penurunan kinerja sistem dari hasil pengenalan nada dikarenakan oleh pengaruh variasi

nilai frame blocking, windowing koefisien dan nilai k pada K-NN.

Kelas yang digunakan k-Nearest Neighbour (k-NN) adalah bilangan ganjil seperti 1,

3, 5, dan 7. Berdasarkan data dari tingkat persentase keberhasilan mengenali nada saksofon


50

alto, dengan menggunakan database satu disetiap nadanya sudah mampu untuk mengenali

nada-nada pada saksofon alto. Sehingga pada peneltian ini k-NN tidak diperlukan pada

proses pengenalan nada saksofon alto, dikarenakan untuk kelas k=1 sama dengan tidak

menggunakan k-Nearest Neighbor (k-NN) karena nilai minimumnya hanya mencari satu

nilai sampel dari database dan juga kelasnya hanya ada satu. k=1 tidak bisa mencari nilai

yang paling minimum dari nada lain, sedangkan kelas k=3, 5, 7 menggunakan k-Nearest

Neighbor (k-NN) karena mencari nilai minimum dari sampel database disetiap variasi

nada sesuai dengan nilai k. Syarat dari k-Nearest Neighbor (k-NN) yang diambil sebagai

keluaran adalah kelas yang paling banyak muncul.

4.2.1.2. Pengujian Real Time

Pada pengujian secara real-time dibagi menjadi 2, pengujian tanpa Thresholding,

dan pengujian untuk mencari nilai batas optimal sebelum ke pengujian menggunakan

Thresholding

a) Pengujian tanpa Thresholding

Pengujian tanpa menggunakan Thresholding ini bertujuan untuk mengetahui

kinerja program pengenalan nada saksofon alto yang telah dibuat. Dengan kesalahan yang

terjadi adalah pengenalan nada dengan keluaran pengenalan secara salah.

Pada program pengenalan nada saksofon alto ini user memilih variasi frame

blocking, Windowing koefisien dan nilai k pada k-NN dan memilih Ya atau Tidak pada

bagian pilihan Threshodling. Setelah user selesai memilih variasi- variasi yang ada maka,

user dapat menjalankan program pengenalan nada saksofon alto.

Pengujian real time dilakukan dengan menggunakan masukan nada saksofon alto

secara langsung. Jumlah data yang diambil untuk pengujian ini adalah sebanyak sepuluh

kali untuk setiap nada saksofon alto. Parameter yang digunakan dalam pengujian real time

adalah parameter terbaik yang telah didapat pada pengujian tidak real time sebelumnya

atau pengujian secara offline. Parameter yang didapat secara tidak realtime yakni dengan

variasi frame blocking, windowing koefisien dan nilai k pada k-NN yang terbaik adalah

frame blocking 128, windowing koefisien 40%, 50%, 60%, 70%, 80%, 90%, 100% dan

nilai k=1 pada k-NN dengan menggunakan database 1.


51

Berdasarkan percobaan yang telah dilakukan, sistem pengenalan nada dapat

mengenali nada saksofon alto dengan baik. Hasil pengujian real time sesuai dengan hasil

pengujian tidak real time yaitu mendapatkan nilai variasi parameter terbaik. Pada sistem

pengenalan nada saksofon alto tersebut menggunakan variasi terbaik yakni frame blocking

128, windowing koefisien 50% dan nilai k=1 pada k-NN dengan menggunakan database

1.Tabel 4.17 memperlihatkan hasil pengujian secara real time yang dilakukan sebanyak 10

kali pengujian seperti pada tabel berikut :

Tabel 4.5. Hasil Pengujian secara real time tanpa Thresholding dengan variasi frame

blocking 128, windowing koefisien 50% dan k=1 pada k-NN dengan confusion matriks

Input

Output Persentase

Keberhasilan Do Re Mi Fa Sol La Si Do

Tinggi

Do 10 0 0 0 0 0 0 0 100%

Re 0 10 0 0 0 0 0 0 100%

Mi 0 0 10 0 0 0 0 0 100%

Fa 0 0 0 10 0 0 0 0 100%

Sol 0 0 0 0 10 0 0 0 100%

La 0 0 0 0 0 10 0 0 100%

Si 0 0 0 0 0 0 10 0 100%

DoTinggi 0 0 0 0 0 0 0 10 100%

Rata-rata tingkat persentase keberhasilan pengenalan nada 100%

Pada tabel 4.5. dapat dilihat dari 10 kali percobaan tidak terdapat nada yang

dikenali secara salah. Dengan demikian pengujian secara real-time tanpa menggunakan

Thresholding sama dengan percobaan saat pengujian secara tidak real-time.

b) Pengujian untuk Menentukan Batasan Nilai Jarak yang Optimal

Pada pengujian ini dilakukan untuk menentukan batasan nilai jarak yang optimal

sebelum ke pengujian real-time menggunakan thresholding. Parameter yang digunakan

untuk menentukan batas nilai ini menggunakan variasi frame blocking 128, windowing

koefisien 50%, dan nilai k=1 pada k-NN. Pengujian ini menggunakan 15 kali percobaan

setiap nadanya dan dari 15 percobaaan setiap nada tersebut akan mendapatkan nilai

optimal (lampiran 6). Pada tabel 4.6 menunjukan nilai optimal yang di dapat untuk setiap

nada. Jarak optimal pada tabel tersebut yang digunakan sebagai batas atas penengenalan


52

setiap nada. jika melebihi batas atas tersebut maka sistem tidak akan mengenali nada- nada

yang lain selain nada yang di inginkan, dan akan terdeteksi “ERROR”.

Tabel 4.6. Jarak Optimal Tiap Nada dengan variasi frame blocking 128, windowing

koefisien 50% dan k=1 pada k-NN.

Nada Jarak Optimal

Do 55,0587

Re 81,5725

Mi 42,4711

Fa 54,8266

Sol 57,4214

La 105,5574

Si 36,6529

Do Tinggi 62,7467

c) Pengujian menggunakan Thresholding

Pada pengujian ini bertujuan untuk mengetahui kinerja program pengenalan nada

saksofon alto yang telah dibuat dengan penambahan thresholding, sehingga kesalahan

yang dikenal sebagai keluaran teks “ERROR”. Thresholding merupakan nilai batas yang

ditentukan untuk mengurangi pengenalan nada yang salah. Dalam program thresholding di

inisialisasi dengan “jmaks”. Nilai “jmaks” di dapat dari pengujian sebelumnya yaitu

pengujian menentukan batas nilai jarak yang optimal. Nilai jarak optimal yang digunakan

dalam fungsi logika dalam penentuan keluaran.

User langsung dapat menjalankan program dengan thresholding karena

Thresholding telah aktif pada sistem pengenalan nada saksofon alto.

Tabel 4.7. Hasil Pengujian secara real time dengan variasi frame blocking 128, windowing

koefisien 50% dan k=1 pada k-NN menggunakan thresholding dengan confusion matriks

Input

Output

ERROR Persentase


Tinggi

Do 10 0 0 0 0 0 0 0 0 100%

Re 0 10 0 0 0 0 0 0 0 100%

Mi 0 0 10 0 0 0 0 0 0 100%

Fa 0 0 0 10 0 0 0 0 0 100%

Sol 0 0 0 0 10 0 0 0 0 100%

La 0 0 0 0 0 10 0 0 0 100%


53

(Lanjutan) Tabel 4.7. Hasil Pengujian secara real time dengan variasi frame blocking 128,

windowing koefisien 50% dan k=1 pada k-NN menggunakan thresholding dengan

confusion matriks

Input

Output

ERROR Persentase


Tinggi

Si 0 0 0 0 0 0 10 0 0 100%

DoTinggi 0 0 0 0 0 0 0 10 0 100%


Dari hasil pengujian menggunakan thresholding yang telah dilakukan, sistem

pengenalan nada saksofon alto tersebut sudah mampu menggenali nada-nada yang terdapat

pada saksofon alto sesuai dengan perancangan dimana untuk nada do sampai do tinggi

tidak dikenali sebagai ERROR meskipun sudah menggunakan nilai thresholding yang

didapatkan dari hasil pengujian 15 kali percobaan untuk mencari nilai thresholding disetiap

nadanya.

4.3. Pengujian Dengan Nada Masukan Pianika

Pada pengujian ini bertujuan untuk mengetahui tingkat pengenalan sistem dalam

mengetahui nada. Sistem diharapkan tidak dapat mengenali nada alat musik lain selain

nada saksofon alto. Untuk pengujian program pengenalan nada saksofon alto digunakan

alat musik pianika sebagai masukan nadanya. Ada pula langkah- langkah untuk melakukan

percobaaan sebagai berikut:

1. Menyiapkan alat musik pianika yang akan digunakan.

2. Nada- nada yang akan digunakan antara lain Do, re, mi, fa, sol, la, si dan DoTinggi.

3. Menggunakan variasi frame blocking 128, windowing koefisien 50% dan k=1

karena variasi tersebut mempunyai tingkat pengenalan yang baik. Menggunakan

masukan Thresholding untuk batasan setiap nadanya.

4. Melihat hasil keluaran nada, apakah pengujian tersebut dapat mengenali nada

masukan, dikenali dengan keluaran “ERROR”, dikenali dengan nada lain, atau

bahkan dikenali nada dengan nada saksofon alto.

Setelah melakukan langkah-langkah diatas, berikut ini gambar alat musik pianika dan

hasil pengujian dengan nada dari alat musik pianika :


54

Gambar 4.9. Gambar Alat Musik Pianika

Setelah melakukan langkah-langkah diatas, hasil yang diperoleh sebagai berikut:

Tabel 4.8. Hasil pengujian dengan nada dari alat musik pianika dengan confusion matriks

Input

Output

ERROR Persentase


Tinggi

Do 0 0 0 0 0 0 0 0 10 100%

Re 0 0 0 0 0 0 0 0 10 100%

Mi 0 0 0 0 0 0 0 0 10 100%

Fa 0 0 0 0 0 0 0 0 0 100%

Sol 0 0 3 0 0 0 0 0 6 70%

La 0 0 0 10 0 0 0 0 0 0%

Si 0 0 0 0 0 0 0 0 10 100%

DoTinggi 0 0 0 0 0 0 0 0 10 100%

Rata-rata tingkat persentase keberhasilan pengenalan nada 83,75%

Dari hasil pengujian dengan nada dari alat musik pianika dimana nada dasar yang

dipakai adalah nada dasar sesuai dengan perancangan. Pada nada sol dan la dikenal dengan

nada lain yakni pada nada sol dikenal nada mi dan pada nada la dikenal nada fa ini

dikarenakan menurut teori musik bahwa nada dasar yang dipakai pada peracangan

pengenalan saksofon alto adalah nada Do=D dan pada piano Do=F atau bisa dikatakan

sama dengan pianika, dengan kata lain ada beberapa nada yang kemungkinan akan dikenali

berbeda, karena tangga nada masih dalam jarak range yang sama atau masih dalam 1 oktaf

yang sama. Pada perocobaan dengan alat musik pianika, pemilihan nilai Thresholding

yang digunakan sangat berpengaruh dalam hal tersebut.

4.4. Pengujian Dengan Nada-Nada Kromatis Pada Saksofon Alto

Pada pengujian dengan nada-nada kromatis bertujuan untuk mengetahui tingkat

pengenalan sistem dalam mengetahui nada. Sistem diharapkan tidak dapat mengenali nada-

nada kromatis pada saksofon alto. Nada-nada kromatis atau biasa dikenal nada-nada tengah


55

yakni Cis, Fis, Gis dan Ais. Dalam pengujian ini apakah nilai thresholding bekerja dan

berpengaruh pada hasil dari pengenalan nada. Pengujian dilakukan sebanya sepuluh kali

untuk setiap nada-nada kromatis. Hasil pengujian dengan nada kromatis ditujukan pada

tabel 4.9.

Tabel 4.9. Hasil pengujian dengan masukan nada-nada kromatis pada saksofon alto

Input

Output

ERROR Persentase


Tinggi

Cis 0 0 0 0 0 0 0 0 10 100%

Dis 0 4 0 0 0 0 0 0 6 60%

Fis 0 0 0 0 0 0 0 0 10 100%

Gis 0 0 0 0 0 0 0 0 10 100%

Ais 0 0 0 0 0 0 0 0 10 100%


Dari hasil pengujian dengan nada-nada kromatis pada tabel 4.8 dapat dilihat bahwa

pada masukan nada Dis dikenal sebagai nada Re, dimana nada Dis merupakan nada antara

Do dan Re sehingga kemungkinan sistem akan mengenali nada Re. Berdasarkan dari hasil

tersebut bahwa nilai thresholding yang digunakan sangat mempengaruhi pengenalan nada

yang dihasilkan dan nilai jarak antara nada Dis dan Re cukup dekat. Nilai variasi

windowing koefisien juga sangat mempengaruhi hasil pengenalan nada, apabila variasi

windowing koefisien digunakan semakin besar maka jarak antara nada akan semakin jauh.

Apabila jarak semakin jauh maka tingkat pengenalan nada yang dihasilkan semakin baik.

Selain itu, kuat lemahnya tiupan juga mempengaruhi hasil pengenalan nada apakah nada

dikenali ERROR atau dikenali nada lain.


56

BAB V

KESIMPULAN DAN SARAN

5.1 KESIMPULAN

Berdasarkan percobaan dan pengujian sistem pengenalan nada saksofon alto maka

dapat disimpulkan sebagai berikut :

1. Pada pengujian untuk setiap 1, 2, 4 dan 8 database untuk setiap nadanya secara

tidak real-time bahwa dengan menggunakan database nada sedikit yakni dengan 1

database sudah mampu untuk mengenali nada saksofon alto.

2. Pengujian pengenalan nada saksofon alto secara real-time menggunakan 1

database dengan variasi frame blocking 128, windowing koefisien 50% dan nilai

k=1 pada k-NN tanpa menggunakan Threshoding memiliki persentase pengenalan

nada mencapai 100%.

3. Pengenalan nada-nada kromatis pada saksofon alto mencapai 92%. Dengan

database yang sama pengenalan nada dengan masukan pianika menghasilkan

83,75%.

5.2 SARAN

Sistem pengenalan saksofon alto ini masih memiliki kekurangan. Ada beberapa saran

yang diharapkan dapat mengurangi kekurangan tersebut, antara lain:

1. Pengembangan dapat dilakukan agar sistem dapat mengenali nada tanpa harus

merekam masukan secara manual melainkan secara continuous.

2. Pengembangan sistem dengan menambahkan tombol pemutaran nada yang telah

direkam, sehingga user dapat mengetahui nada tersebut telah terekam dengan baik.


57

DAFTAR PUSTAKA

[1] Ortiz, M., 2002, Menumbuhkan Anak-anak Yang Bahagia, Cerdas, dan Percaya Diri

Dengan Musik, Jakarta : Gramedia Pustaka Utama.

[2] Kurnia, Andi, Penala, Nada Alat Musik Menggunakan Alih Ragam Fourier, Jurusan

Teknik Elektro UNDIP, Semarang.

[3] Darmawan, Tomi, 2012, Musical Instruments Sound Recognition

[http://www.slideshare.net/mezzoblues diakses tanggal 5 Januari 2015

[4] Rubiyo, Melanie, Pradipta, 2014, Pengenalan Nada Seruling Rekorder Alto Secara

Realtime Menggunakan Ekstraksi Ciri DCT dan Fungsi Korelasi, Tugas Akhir,

Fakultas Sains dan Teknologi Sanata Dharma, Yogyakarta.

[5] Walasakti, Isoworo, Yogi , 2013, Pengenalan Nada Gamelan Kenong Secara Real

Time Menggunakan Ekstraksi Ciri DCT dan Fungsi Jarak Chebyshev, Tugas Akhir,

Fakultas Sains dan Teknologi Sanata Dharma, Yogyakarta.

[6] Sinaga, Doli, Pembelajaran Saxophone Alto Pada Lagu Nothings Gonna Change My

Love, Tugas Akhir, Fakultas Seni Musik Universitas Negeri Medan, Medan.

[7] Hasugian,Jimmy,2008,TeoriMusik,

https://yoyokpm.files.wordpress.com/2008/04/teori_musik1.pdf diakses pada tangal

5 Januari 2015

[8] Elsea, P., 1996, Microphones,

http://artsites.ucsc.edu/EMS/Music/tech_background/TE-20/teces_20.html diakses

pada tanggal 5 Januari 2015

[9] Computer Hope, Sound Card, http://www.computerhope.com/jargon/s/souncard.htm

diakses tanggal 28 Februari 2015

[10] Irawan, A, Feriza, 2012, Buku Pintar Pemrograman Matlab, MediaKom,Yogyakarta.

[11] Juang, B. H., & Rabiner, L., 1993, Fundamentals Of Speech Recognition. Signal

Processing Series, Prentice Hall, Englewood Cliffs, NJ.

[12] Hakim, L., 2012, Analisa Suara Serak Berbasis Transformasi Wavelet dan Algoritma

Jaringan Syaraf Tiruan, Tugas Akhir Jurusan Teknik Elektro, Institut Teknologi

Sepuluh Nopember, Surabaya.

[13] Pemotongan Sinyal, httpeprints.undip.ac.id253441ML2F003484.pdf 16 Februari

2015


http://www.slideshare.net/mezzoblues

https://yoyokpm.files.wordpress.com/2008/04/teori_musik1.pdf

http://artsites.ucsc.edu/EMS/Music/tech_background/TE-20/teces_20.html

http://www.computerhope.com/jargon/s/souncard.htm

58

48

[14] Eka Kartikasari, Yesika, 2006, Pembuatan Software Pembuka Program aplikasi

Komputer Berbasis Pengenalan Sinyal Suara, PENS-ITS, Surabaya.

[15] Kushidayati. Milla Fitriani, Pembuatan Data Base Transkrip Akord Instrumen

Tunggal Menggunakan Metode Enhanced Pitch Class Profile (EPCP),Tugas Akhir,

Institue Teeknologi Bandung, Bandung.

[16] Sutiknyo, Prabowo Hadi Putro, Pengolahan Suara Berdasarkan Usia Dengan

Menggunakan Metode K-Means, Paper, Jurusan Teknik Telekomunikasi Politeknik

Elektronika Negeri Surabaya, Institut Teknologi Sepuluh Nopember Kampus ITS,

Surabaya.

[17] Kriptografi,2010,http://www.informatika.org/~rinaldi/Kriptografi/2010-

2011/Makalah1/Makalah1-IF3058-Sem1-2010-2011-052.pdf diakses pada tanggal 28

Februari 2015.

[18] E. Oran Brigham, “The Fast Fourier Transform And Its Application”, Prentice-Hall

International, Inc.s

[19] Nandra Pradipta, “Implementasi Algoritma FFT (Fast Fourier Transform) Pada

Digital Signal Precessor TMS320C542”,Tugas Akhir, Universitas Diponegoro,

Semarang.

[20] Linggo Sumarno,”Pengolahan Signal Digital”, Diktat Edisi 2013.

[21] Jain, A. K., Duin, R. P. W., & Mao, J. (2000). Statistical pattern recognition: A

review. Pattern Analysis and Machine Intelligence, IEEE Transactions on,22(1), p.

4-37.

[22] Hyuk, Sung, Cha, 2007, Comprehensive Survey on Distance/Similarity Measures

between Probability Density Functions, International Jurnal Of Mathematical Models

and Methods In Apllied Sciences, Issue 4 Volume 1, p. 300-307, Pace University,

New York.

[23] Koutroumbas, Konstantinos, Theodoridis, Sergios, 2009, Pattern Recognition

“Fourth Edition”, Academic Press is an imprint of Elsevier 30 Corporate Drive, p.

61, San Diego, California.


LAMPIRAN


L1

LAMPIRAN 1

PERCOBAAN MENCARI SPEKTRUM FREKUENSI UNTUK SISTEM

PENGENALAN NADA ALAT MUSIK SAKSOFON ALTO

MENGGUNAKAN MATLAB 7.0.4 2008a

Tujuan:

1. Mengetahui frekuensi maksimum pada nada alat musik saksofon alto.

2. Mengetahui frekuensi minimum yang dapat digunakan.

Variabel:

1. Frekuensi sampling yang digunakan 4800Hz.

2. Durasi sampling perekaman yang digunakan sebesar 3 detik.

Listing Program fs = 4800; y=wavrecord (2*fs,fs,'double'); wavwrite(y,fs,'4800Hz4Fa.wav'); [y,fs]=wavread('4800Hz4Fa.wav'); Y=fft(y,fs); Spek=Y.*conj(Y); f = fs*(0:(1/2*fs))/fs; plot(f,Spek(1:(1/2*fs+1)));grid;

4800Hz D (Do)

0 500 1000 1500 2000 2500

0

0.5

1

1.5

2

2.5

3

3.5x 10

4

X: 696

Y: 1.414e+004

X: 348

Y: 3.401e+004

X: 1044

Y: 6888

Frekuensi(Hz)

Am

plit

udo


L2

E (Re)

Fis (Mi)

0 500 1000 1500 2000 25000

1

2

3

4

5

6x 10

4

X: 1968

Y: 1535

Frekuensi(Hz)

Am

plit

udo

X: 1574

Y: 641

X: 1181

Y: 843.4

X: 787

Y: 4588

X: 394

Y: 5.589e+004

0 500 1000 1500 2000 25000

0.5

1

1.5

2

2.5x 10

5

X: 1315

Y: 5825

Frekuensi(Hz)

Am

plit

udo

X: 877

Y: 3.097e+004

X: 438

Y: 2.155e+005


L3

G (Fa)

A (Sol)

0 500 1000 1500 2000 25000

1000

2000

3000

4000

5000

X: 466

Y: 3434

X: 702

Y: 108.5

X: 932

Y: 1575

X: 1170

Y: 53.56

X: 1397

Y: 4416

X: 1627

Y: 104.4

X: 1862

Y: 101.7

X: 2328

Y: 181.3

Frekuensi(Hz)

Am

pltudo

0 500 1000 1500 2000 25000

2000

4000

6000

8000

10000

12000

14000

X: 522

Y: 3802

X: 1043

Y: 1.307e+004

X: 1565

Y: 6752

X: 2088

Y: 364.7

Frekuensi(Hz)

Am

plitu

do


L4

B (La)

Cis (Si)

0 500 1000 1500 2000 25000

1000

2000

3000

4000

5000

6000

7000

X: 587

Y: 6924

X: 1175

Y: 3356

X: 1762

Y: 167.3

X: 2350

Y: 267.3

Frekuensi(Hz)

Am

plitu

do

0 500 1000 1500 2000 25000

1000

2000

3000

4000

5000

6000

7000

8000

X: 667

Y: 7748

X: 1335

Y: 824.8

X: 2003

Y: 5333

Frekuensi(Hz)

Am

plitu

do


L5

D’ (Do Tinggi)

Kesimpulan 1. Frekuensi maksimum yang didapat sebesar 697Hz untuk nada Do tinggi (D’).

2. Berdasarkan kriteria Nyquist, bahwa frekuensi sampling minimal harus lebih besar sama

dengan 2 kali dari sinyal analog, sehingga untuk frekuensi sampling 4800Hz sudah

memenuhi.

0 500 1000 1500 2000 25000

0.5

1

1.5

2

2.5x 10

4

X: 697

Y: 2.2e+004

Frekuensi(Hz)

Am

plitu

do

X: 1394

Y: 8186

X: 2091

Y: 732.9


L6

LAMPIRAN 2

PERCOBAAN MENCARI DURASI PEREKAMAN PENGENALAN

NADA ALAT MUSIK SAKSOFON ALTO MENGGUNAKAN MATLAB

7.0.4 2008a

Tujuan:

1. Mendapatkan durasi perekaman yang tepat untuk perekaman.

2. Mengetahui pengaruh durasi perekaman pada data sinyal yang terekam.

Variabel:

1. Frekuensi sampling yang digunakan 4800Hz.

2. Durasi perekaman yang digunakan sebesar 1 detik, 2 detik, dan 3 detik.

Listing Program :

clc fs =4800;%%fsampling 4800Hz %y = wavrecord (fs,fs,'double');%% 1 detik %wavwrite(y,fs,'1detSi7sample1.wav'); %[y,fs]=wavread('1detSi7sample1.wav'); %y = wavrecord (2*fs,fs,'double');%% 2 detik %wavwrite(y,fs,'2detSi7sample2.wav'); %[y,fs]=wavread('2detSi7sample2.wav'); y = wavrecord (3*fs,fs,'double');%% 3 detik wavwrite(y,fs,'3detSi7sample3.wav'); [y,fs]=wavread('3detSi7sample3.wav'); plot(y);grid;%output title('fs=4800; t=3detik') xlabel('frequency (Hz)') ylabel('amplitudo ')


L7

0 500 1000 1500-0.25

-0.2

-0.15

-0.1

-0.05

0

0.05

0.1

0.15

0.2

0.25Fs=4800Hz; t=1detik

Data Tercuplik

Am

plit

udo

0 500 1000 1500 2000 2500 3000 3500 4000 4500-0.2

-0.15

-0.1

-0.05

0

0.05

0.1

0.15

0.2

Data Tercuplik

Am

plitu

do

Fs=1500Hz t=2 detikFs=4800Hz; t=2detik


L8

Kesimpulan

1. Pada hasil percobaan terlihat sistem membutuhkan waktu untuk mendapatkan data sinyal

rekaman.

2. Pada hasil percobaan, secara visual waktu yang dibutuhkan untuk durasi perekaman adalah

3 detik.

0 500 1000 1500 2000 2500 3000 3500 4000 4500-0.25

-0.2

-0.15

-0.1

-0.05

0

0.05

0.1

0.15

0.2

0.25

Data Tercuplik

Am

plit

udo

Fs=4800Hz t=3 detik

data1


L9

LAMPIRAN 3

LISTING PROGRAM GUI MATLAB

Program Utama

function varargout = gui(varargin)

% GUI M-file for gui.fig

% GUI, by itself, creates a new GUI or raises the existing

% singleton*.

%

% H = GUI returns the handle to a new GUI or the handle to

% the existing singleton*.

%

% GUI('CALLBACK',hObject,eventData,handles,...) calls the local

% function named CALLBACK in GUI.M with the given input

arguments.

%

% GUI('Property','Value',...) creates a new GUI or raises the

% existing singleton*. Starting from the left, property value

pairs are

% applied to the GUI before gui_OpeningFcn gets called. An

% unrecognized property name or invalid value makes property

application

% stop. All inputs are passed to gui_OpeningFcn via varargin.

%

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows

only one

% instance to run (singleton)".

%

% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help gui

% Last Modified by GUIDE v2.5 07-Jul-2015 21:31:02

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @gui_OpeningFcn, ...

'gui_OutputFcn', @gui_OutputFcn, ...

'gui_LayoutFcn', [] , ...

'gui_Callback', []);

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});


L10

else

gui_mainfcn(gui_State, varargin{:});

end

% End initialization code - DO NOT EDIT

% --- Executes just before gui is made visible.

function gui_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn.

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% varargin command line arguments to gui (see VARARGIN)

% Choose default command line output for gui

handles.output = hObject;

% Update handles structure

guidata(hObject, handles);

% UIWAIT makes gui wait for user response (see UIRESUME)

% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.

function varargout = gui_OutputFcn(hObject, eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT);

% hObject handle to figure



% Get default command line output from handles structure

varargout{1} = handles.output;

% --- Executes on selection change in popupmenu1.

function popupmenu1_Callback(hObject, eventdata, handles)

% hObject handle to popupmenu1 (see GCBO)



% Hints: contents = get(hObject,'String') returns popupmenu1 contents

as cell array

% contents{get(hObject,'Value')} returns selected item from

% popupmenu1


switch indeks

case 1

framebl=128;

case 2

framebl=64;

case 3


L11

framebl=32;

case 4

framebl=16;

end

handles.frame=framebl;


% --- Executes during object creation, after setting all properties.

function popupmenu1_CreateFcn(hObject, eventdata, handles)



% handles empty - handles not created until after all CreateFcns

called

% Hint: popupmenu controls usually have a white background on

Windows.

% See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');

end







as cell array


popupmenu2


switch indeks

case 1

koef=100;

case 2

koef=90;

case 3

koef=80;

case 4

koef=70;

case 5

koef=60;

case 6

koef=50;

case 7

koef=40;

case 8


L12

koef=30;

case 9

koef=20;

case 10

koef=10;

end

handles.pct=koef;







called


Windows.





end







as cell array


% popupmenu3


switch indeks

case 1

knn=7;

case 2

knn=5;

case 3

knn=3;

case 4

knn=1;

end

handles.varn=knn;




L13





called


Windows.





end

function edit2_Callback(hObject, eventdata, handles)

% hObject handle to edit2 (see GCBO)



% Hints: get(hObject,'String') returns contents of edit2 as text

% str2double(get(hObject,'String')) returns contents of edit2

as a double


function edit2_CreateFcn(hObject, eventdata, handles)

% hObject handle to edit2 (see GCBO)



called

% Hint: edit controls usually have a white background on Windows.





end

% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton1 (see GCBO)



sample_length=3;

sample_freq=4800;

sample_time=(sample_length*sample_freq);

x=wavrecord(sample_time, sample_freq);


L14

wavwrite(x, sample_freq, 's.wav');

axes(handles.axes1)

plot(x);

x=wavread('s.wav');

b0=0.3;

fb=handles.frame; %Variasi nilai FrameBlocking 128,64,32 dan 16

pctkoef=handles.pct; %Variasi nilai persenkoefisien 50%-100%

vark=handles.varn; %Variasi nilai K-NN 7,5,3 dan 1

% Normalisasi

x1=x/max(abs(x));

% Potong kiri

b1=find(x1>b0 | x1<-b0);

x1(1:b1(1))=[];

% Potong kiri 2

bts=floor(0.25*length(x1));

x1(1:bts)=[];

%frame blocking

x2=x1(1:fb);

% Normalisasi 2

x3=x2/max(abs(x2));

% Windowing

h=hamming(fb);

x4=x3.*h;

%Ekstraksi ciri FFT

x5=abs(fft(x4));

x6=x5(1:fb/2);

%Ambil sesuai persen koefisien


x7=x6(1:jumkoef);

x7=x7(:);%hanya pemilihan fungsi vektor saja tidak berpengaruh dalam

fungsi progam keseluruhan

axes(handles.axes2)

bar (x7);

if (b0==0.3) && (fb==128) &&(pctkoef==100) load db1128100;




L15




























L16












end

for k=1:8

z2(k)=jarak(x7,z(:,k));

end

%Deskripsi string keluaran

kel={'Do';'Re';'Mi';'Fa';'Sol';'La';'Si';'Do_T'};


k=vark

m=1;

[s1,s2]=sort(z2,'ascend');

jarakc=sort(z2,'ascend')

kj=s1(1:k)

kn=s2(1:k)

hk=ceil(kn/m)

zout=mode(hk)

idxkout=find(hk==zout);

jpilih=kj(idxkout);

fjpilih=fliplr(jpilih);

jmaks=fjpilih(1)


%[s1,idx]=sort(z2,'ascend')

%zidx=idx(1:vark);

%znn=ceil(zidx/1);

%zout=mode(znn);


L17

%Penentuan keluaran nada

nadaout=kel(zout);

set(handles.edit2,'String',nadaout);

if (zout == 1)&&(jmaks<55.0487)

korout = {'Do'};


korout = {'ERROR1'};

end

if (zout == 2) && (jmaks<81.5725)

korout = {'Re'};



end

if (zout == 3) && (jmaks<42.4711)

korout = {'Mi'};



end

if (zout == 4) && (jmaks<54.8266)

korout = {'Fa'};



end

if (zout == 5) && (jmaks<57.4214)

korout = {'Sol'};



end

if (zout == 6) && (jmaks<105.5574)

korout = {'La'};



end

if (zout == 7) && (jmaks<36.6529)

korout = {'Si'};



end

if (zout == 8) && (jmaks<62.7467)

korout = {'Do_T'};



end


L18

hasilout=korout

set(handles.edit2,'string',hasilout)

% --- Executes on mouse press over figure background.



plot(0);


plot(0);

set(handles.edit2,'String',' ');




% --- Executes on button press in pushbutton4.





delete(figure(gui));

Program Fungsi Jarak Simetrik Probabilitas 2

function z1=jprob(x,z)

c1=(x-z).^2;

c2=x+z;

c3=c1./c2;

z1=2*sum(c3);

Program Pembuatan Database

function coba1

b0 = 0.3;

fb=128; %16,32,64,128

pctkoef=70; %50%-100%

z1=zciri ('Do',b0,fb,pctkoef);

z2=zciri ('Re',b0,fb,pctkoef);

z3=zciri ('Mi',b0,fb,pctkoef);

z4=zciri ('Fa',b0,fb,pctkoef);

z5=zciri ('Sol',b0,fb,pctkoef);

z6=zciri ('La',b0,fb,pctkoef);

z7=zciri ('Si',b0,fb,pctkoef);

z8=zciri ('Do_',b0,fb,pctkoef);

z=[z1 z2 z3 z4 z5 z6 z7 z8];

save db112870 z


L19

%=======================================

%INTERNAL FUNCTION

%=======================================

function z=zciri (fwav,b0,fb,pctkoef)

x1=wavread([fwav '_8.wav']);

y=potong(x1,b0,fb);

z=xfft(y,fb,pctkoef);

%============================================================

function y=potong(x0,b0,fb)

% Normalisasi

x1=x0/max(abs(x0));

%figure(1)

%plot(x1)

% Potong kiri

b1=find(x1>b0 | x1<-b0);

x1(1:b1(1))=[];

%figure(2)

%plot(x1)

% Potong kiri 2


x1(1:bts)=[];

%figure(3)

%plot(x1)

% Frame blocking

x2=x1(1:fb);

%figure(4)

%plot(x2)

% Normalisasi 2

x3=x2/max(abs(x2));

%figure(5)

%plot(x3)

% Windowing

h=hamming(fb);

x4=x3.*h;

y=x4;

figure(6)

plot(y)

% ============================================================

function x3=xfft(x0,fb,pctkoef)

%Ekstraksi ciri FFT

x1=abs(fft(x0));

sx1=size(x1)

x2=x1(1:fb/2);


L20

sx2=size(x2)

%Ambil seusuai persen koefisien


sx3=size(jumkoef)

x3=x2(1:jumkoef);

sx4=size(x3)



% ============================================================


L21

LAMPIRAN 4

LISTING PROGRAM TIDAK REAL-TIME

function base1c

% Menggunakan ekstraksi ciri FFT

% Semua data pelatihan disimpan

clc

% ============================================================

b0=0.3; % batas potong

fb=128; % ukuran frame blocking

pctkoef=50; % persen koefisien

n=1; % n tetangga terdekat

% ============================================================

% Pembentukan database

[s1,s1p,s1x]=proses('Do_1.wav',b0,fb,pctkoef);

[d1,d1p,d1x]=proses('Re_1.wav',b0,fb,pctkoef);

[g1,g1p,g1x]=proses('Mi_1.wav',b0,fb,pctkoef);

[p1,p1p,p1x]=proses('Fa_1.wav',b0,fb,pctkoef);

[l1,l1p,l1x]=proses('Sol_1.wav',b0,fb,pctkoef);

[e1,e1p,e1x]=proses('La_1.wav',b0,fb,pctkoef);

[t1,t1p,t1x]=proses('Si_1.wav',b0,fb,pctkoef);

[a1,a1p,a1x]=proses('Do__1.wav',b0,fb,pctkoef);

% Database

sx=[s1x];

dx=[d1x];

gx=[g1x];

px=[p1x];

lx=[l1x];

ex=[e1x];

tx=[t1x];

ax=[a1x];

z=[sx dx gx px lx ex tx ax];

%save database z

% ============================================================

% Percobaan pengenalan

[a,b,c]=proses('Do_11.wav',b0,fb,pctkoef);j1=hjarak(c,z);


L22











k1=pout(j1,n);k2=pout(j2,n);k3=pout(j3,n);k4=pout(j4,n);k5=pout(j5,n)

;

k6=pout(j6,n);k7=pout(j7,n);k8=pout(j8,n);k9=pout(j9,n);k10=pout(j10,

n);

input_do={k1,k2,k3,k4,k5,k6,k7,k8,k9,k10}

[a,b,c]=proses('Re_11.wav',b0,fb,pctkoef);j1=hjarak(c,z);











;


n);

input_re={k1,k2,k3,k4,k5,k6,k7,k8,k9,k10}

[a,b,c]=proses('Mi_11.wav',b0,fb,pctkoef);j1=hjarak(c,z);











;


n);

input_mi={k1,k2,k3,k4,k5,k6,k7,k8,k9,k10}

[a,b,c]=proses('Fa_11.wav',b0,fb,pctkoef);j1=hjarak(c,z);



L23










;


n);

input_fa={k1,k2,k3,k4,k5,k6,k7,k8,k9,k10}

[a,b,c]=proses('Sol_11.wav',b0,fb,pctkoef);j1=hjarak(c,z);











;


n);

input_sol={k1,k2,k3,k4,k5,k6,k7,k8,k9,k10}

[a,b,c]=proses('La_11.wav',b0,fb,pctkoef);j1=hjarak(c,z);











;


n);

input_la={k1,k2,k3,k4,k5,k6,k7,k8,k9,k10}

[a,b,c]=proses('Si_11.wav',b0,fb,pctkoef);j1=hjarak(c,z);






L24







;


n);

input_si={k1,k2,k3,k4,k5,k6,k7,k8,k9,k10}

[a,b,c]=proses('Do__11.wav',b0,fb,pctkoef);j1=hjarak(c,z);











;


n);

input_do_t={k1,k2,k3,k4,k5,k6,k7,k8,k9,k10}

% Hitung tingkat pengenalan

h1=cekout(input_do,1);

h2=cekout(input_re,2);

h3=cekout(input_mi,3);

h4=cekout(input_fa,4);

h5=cekout(input_sol,5);

h6=cekout(input_la,6);

h7=cekout(input_si,7);

h8=cekout(input_do_t,8);

jumlah_dikenal=h1+h2+h3+h4+h5+h6+h7+h8

% ============================================================

% INTERNAL FUNCTION

% ============================================================

function [s1,s1p,s1x]=proses(fwav,b0,fb,pctkoef)%penulisan ini step

dan variabel

% Pemrosesan dari wavread hingga ekstraksi ciri FFT

s1=wavread(fwav);

s1p=prepro(s1,b0,fb); %plot pertanyaan awal

s1x=xfft(s1p,fb,pctkoef);

%============================================================

function x4=prepro(x0,b0,fb)

% Normalisasi


L25

x1=x0/max(abs(x0));

%figure(1)

%plot(x1)

% Potong kiri

b1=find(x1>b0 | x1<-b0);

x1(1:b1(1))=[];

%figure(2)

%plot(x1)

% Potong kiri 2


x1(1:bts)=[];

%figure(3)

%plot(x1)

%frame blocking

x2=x1(1:fb);

%figure(4)

%plot(x2)

% Normalisasi 2

x3=x2/max(abs(x2));

%figure(5)

%plot(x3)

% Windowing

h=hamming(fb);

x4=x3.*h;

%figure(6)

%plot(x4)

% ============================================================

function x3=xfft(x0,fb,pctkoef)

%Ekstraksi ciri FFT

x1=abs(fft(x0));

%figure(1)

%zc=plot(x1)

x2=x1(1:fb/2);

%figure(2)

%zc=plot(x2)

%Ambil seusuai persen koefisien


x3=x2(1:jumkoef);



% ============================================================

function z2=hjarak(x,y)

% Menghitung jarak


L26

for k=1:8

z2(k)=jprob(x,y(:,k));

end

% ============================================================

function z1=jprob(x,y)

% x, y : data masukan

% z : data keluaran

c1=(x-y).^2;

c2=x+y;

c3=c1./c2;

z1=2*sum(c3);

% ============================================================

function y=pout(x,n)

% Penentuan keluaran

kel={'Do';'Re';'Mi';'Fa';'Sol';'La';

'Si';'Do_T'};


[z2,idx]=sort(x);

%zjarak=z2(1:n);

zidx=idx(1:n);

znn=ceil(zidx/1);

zout=mode(znn);

y=kel{zout};

% ============================================================

function z=cekout(x,y)

% Penghitungan keluaran yang benar

kel={'Do';'Re';'Mi';'Fa';'Sol';'La';

'Si';'Do_T'};

z=0;

for k=1:10

if length(x{k})==length(kel{y})

if x{k}==kel{y}

z=z+1;

end

end

end

% ===========================================================


L27

LAMPIRAN 5

Hasil Pengenalan Nada Secara Tidak Real-Time

Hasil persentase tingkat pengenalan nada secara tidak real-time pada tabel di bawah ini

merupakan hasil pada database nada 2, 4 dan 8.

Tabel L.1 Hasil Persentase pengenalan nada dengan menggunakan database nada 2 (Hasil

dalam bentuk %)

fb=128 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 12,5 12,5 12,5 12,5 12,5 43,75 18,75 18,75 56,25 25

5 68,75 68,75 75 81,25 75 68,75 75 87,5 81,25 37,5

3 100 100 100 100 100 100 100 93,75 68,75 6,25

1 100 100 100 100 100 100 100 93,75 62,5 18,75

fb=64 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 12,5 12,5 12,5 12,5 12,5 37,5 18,75 25 25 12,5

5 37,5 43,75 50 50 62,5 62,5 62,5 56,25 37,5 25

3 100 100 100 100 100 100 81,25 81,25 43,75 18,75

1 100 100 100 100 100 100 87,5 81,25 37,5 12,5

fb=32 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 18,75 18,75 18,75 18,75 18,75 18,75 18,75 6,25 18,75 18,75

5 50 62,5 43,75 56,25 56,25 62,5 43,75 6,25 18,75 18,75

3 100 93,75 87,5 87,5 87,5 81,25 68,75 50 50 0

1 100 100 87,5 87,5 87,5 87,5 75 62,5 43,75 18,75

fb=16 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 25 18,75 18,75 18,75 25 25 37,5 25 25 12,5

5 25 25 25 37,5 31,25 31,25 43,75 37,5 25 12,5

3 68,75 62,5 62,5 50 50 50 43,75 43,75 18,75 12,5

1 56,25 56,25 56,25 56,25 50 50 56,25 50 18,75 12,5


L28


dalam bentuk %)

fb=128 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 96,875 96,875 96,875 96,875 96,875 96,875 96,875 96,875 78,125 25

5 100 100 96,875 96,875 100 100 100 100 78,125 25

3 100 100 100 100 100 100 100 100 71,875 21,875

1 100 100 100 100 100 100 100 100 78,125 28,125

fb=64 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 96,875 96,875 96,875 96,875 90,625 84,375 75 75 56,25 25

5 96,875 96,875 96,875 96,875 96,875 96,875 90,625 84,375 56,25 15,625

3 96,875 96,875 96,875 96,875 96,875 96,875 93,75 93,75 56,25 9,375

1 100% 96,875 96,875 96,875 96,875 100% 100% 96,875 59,375 15,625

fb=32 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 93,75 90,625 84,375 84,375 71,875 68,75 65,625 65,625 40,625 3,125

5 93,75 90,625 84,375 87,5 84,375 84,375 68,75 65,625 50 12,5

3 96,875 96,875 96,875 96,875 90,625 87,5 78,125 78,125 56,25 6,25

1 96,875 96,875 96,875 96,875 90,625 93,75 84,375 78,125 46,875 15,625

fb=16 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 50 50 53,125 43,75 46,875 46,875 40,625 37,5 18,75 12,5

5 59,375 56,25 56,25 43,75 46,875 46,875 46,875 34,375 15,625 12,5

3 56,25 56,25 56,25 53,125 62,5 62,5 53,125 40,625 21,875 12,5

1 59,375 53,125 59,375 65,625 65,625 65,625 53,125 46,875 25 12,5


L29


dalam bentuk %)

fb=128 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 100 100 100 100 100 100 100 100 73,437 21,87

5 100 100 100 100 100 100 100 100 76,562 18,75

3 100 100 100 100 100 100 100 100 81,25 25

1 100 100 100 100 100 100 100 100 78,125 23,43

fb=64 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 100 100 98,437 98,437 95,312 96,875 96,875 95,312 70,312 28,12

5 100 100 100 100 100 100 98,437 96,875 70,312 29,68

3 100 100 100 100 100 100 100 96,875 71,875 26,56

1 100 100 100 100 100 100 100 100 62,5 25

fb=32 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 95,312 95,312 92,187 92,187 90,625 93,75 92,187 87,5 62,5 14,06

5 96,875 98,437 95,312 95,312 90,625 95,312 93,75 95,3125 75 18,75

3 62 98,437 96,875 96,875 93,75 95,312 93,75 95,312 75 14,06

1 98,437 98,437 98,437 96,875 95,312 96,875 95,312 93,75 73,437 15,62

fb=16 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 70,312 70,312 65,625 59,375 64,062 64,062 54,687 59,375 29,687 12,5

5 70,312 73,437 70,312 57,812 64,062 64,062 56,25 59,375 23,437 12,5

3 79,687 78,12 67,187 68,75 70,312 70,312 65,62 60,937 21,875 12,5

1 79,687 81,25 76,562 75 73,437 73,437 65,625 56,25 26,562 12,5


L30

Tabel L.4 Hasil Persentase pengenalan nada dengan menggunakan database nada 1 dengan

masukan 10 tiap masing-masing nada (Hasil dalam bentuk %)

fb=128 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 12,5 12,5 12,5 12,5 12,5 12,5 12,5 12,5 12,5% 11,25%

5 12,5 12,5 12,5 12,5 12,5 23,75 12,5 12,5 37,5% 11,25%

3 12,5 12,5 12,5 13,75 12,5 38,75 26,25 22,5 57,5% 17,5%

1 100 100 98,75 100 100 100 100 98,75 72,5% 21,25%

fb=64 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 12,5 12,5 12,5 12,5 12,5 12,5 12,5 12,5 12,5% 12,5%

5 12,5 12,5 12,5 12,5 12,5 12,5 12,5 13,75 18,75% 15%

3 12,5 12,5 12,5 12,5 12,5 30 15 16,25 36,25% 12,5%

1 97,5 96,25 96,25 96,25 95 90 83,75 83,75 62,5% 17,5%

fb=32 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 12,5 12,5 12,5 12,5 12,5 12,5 12,5 12,5 12,5% 12,5%

5 13,75 13,75 13,75 13,75 13,75 12,5 13,75 16,25 17,5% 12,5%

3 13,75 13,75 13,75 13,75 15 13,75 17,5 12,5 22,5% 18,75%

1 85 85 85 85 77,5 73,75 70 66,25 51,25% 10%

fb=16 100% 90% 80% 70% 60% 50% 40% 30% 20% 10%

7 12,5 12,5 12,5 12,5 12,5 12,5 12,5 12,5 7,5% 12,5%

5 11,25 11,25 10 7,5 7,5 7,5 7,5 13,75 15% 12,5%

3 17 18,75 20 21,25 25 25 22,5 16,25 18,75% 12,5%

1 60 60 61,25 58,75 51,25 51,25 50 52,5 32,5% 12,5%


L31

Gambar L.1 Gambar Grafik Perubahan Windowing Koefisien Terhadap Persentase

Keberhasilan pada Frame Blocking 16, 32, 64 dan 128 pada 2, 4, dan 8 database untuk setiap

nadanya.


L32


L33

LAMPIRAN 6

Tabel Jarak Optimal

Tabel di bawah ini digunakan untuk menentukan jarak optimal dari setiap nada.

Pengujian dilakukan dengan menggunakan variasi frame blocking 128, windowing koefisien

50% dan nilai k=1 pada K-NN. Pengujian dilakukan sebanyak 15 kali setiap nadanya.

Do Re Mi Fa Sol La Si Do Tinggi

48.4736 62.1906 11.8329 34.0884 43.6225 97.1024 24.8000 50.4602

51.8049 25.2931 22.1020 37.4926 30.5701 88.0583 23.6257 56.6333

55.0587 65.6902 11.1323 47.0723 34.7650 91.9188 26.0813 47.6388

16.2815 54.9275 22.5755 50.0004 34.4428 86.4520 33.2275 38.0504

32.4245 70.0843 16.4630 32.3239 29.8996 91.9185 24.6953 38.2918

11.4640 46.4862 24.6297 20.4328 57.4214 75.2401 22.9299 48.5768

47.1785 71.5027 13.1462 47.3492 40.5972 75.9746 25.2111 48.9106

21.4210 60.8480 12.6422 35.6173 39.3530 79.5656 16.3684 59.6432

40.3578 45.4710 13.1968 54.8266 49.7949 70.6487 33.8031 18.8119

23.3423 81.5725 42.4711 41.3815 43.7963 105.5574 21.3046 41.6932

52.0327 75.0843 24.6297 50.1204 43.3534 70.3912 23.5883 13.8787

16.2134 42.4462 33.1462 32.2229 31.9323 81.5352 20.6425 40.6030

31.2424 71.5247 32.6422 20.4148 48.1955 93.7781 29.4788 36.0333

11.5545 64.8120 23.1968 47.3462 49.1001 79.1452 15.5194 41.9933

47.6563 47.4129 40.4211 31.2233 33.6461 73.9760 36.6529 62.7467


Documents

PENGENALAN NADA SAKSOFON ALTO MENGGUNAKAN FFT … · Kebanyakan orang hanya bisa mendengarkan suatu nada dari alat musik tanpa mengetahui ... ekstraksi ciri dan menampilkan ... hasil