PENGENALAN NADA PIANIKA MENGGUNAKAN · Sistem pengenalan nada alat musik pianika pada tugas akhir...

i

TUGAS AKHIR

PENGENALAN NADA PIANIKA MENGGUNAKAN

SEGMENT AVERAGING KOEFISIEN DFT

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Elektro

Oleh:

RESPATI AJI PAMUNGKAS

NIM :115114004

PROGRAM STUDI TEKNIK ELEKTRO

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FINAL PROJECT

RECOGNITION OF PIANICA TONES USING

SEGMENT AVERAGING OF DFT COEFFICIENTS

Presented as Partial Fullfillment of The Requirements

To Obtain Sarjana Teknik Degree

In Electrical Engineering Study Program

By :

RESPATI AJI PAMUNGKAS

NIM : 115114004

ELECTRICAL ENGINEERING STUDY PROGRAM

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2016


VI

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

MOTTO :

KUNCI KESUKSESAN ADALAH

MENGALAHKAN KEMALASAN DALAM DIRI

SENDIRI

Persembahan Karya ini ku persembahkan kepada ....

Tuhan Yesus Kristus yang selalu menyertaiku dalam

segala masalah dalam hidupku.

Bapak, Ibu danKakak-kakak yang selalu mendukungku

dalam segala hal.

Dan semua orang yang mengasihiku dan mendukungku

dalam Tugas Akhir.


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. Pianika 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

(C, C# D, D# E, F, F#, G, G#, A, A#, B) pada alat musik Pianika.

Sistem pengenalan nada alat musik pianika pada tugas akhir ini menggunakan

mikrofon

dan komputer untuk mengoperasikannya. Mikrofon dalam penelitian ini berfungsi untuk

merekam gelombang suara nada alat musik pianika. Sedangkan komputer berfungsi untuk

memproses data hasil rekaman, menampilkan gelombang hasil rekaman, menampilkan

spektrum frekuensi hasil dari proses DFT, mengenali nada terekam, dan menampilkan hasil

nada yang dikenali.

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 dan Segment averaging 2. Sistem pengenalan nada alat

musik pianika dengan metode fungsi korelasi sudah berhasil dibuat dan dapat bekerja dengan

baik. Penampil hasil nada, spektrum frekuensi hasil DFT, dan masing-masing nada mampu

menampilkan data sesuai perancangan. Program pengenalan nada alat musik pianika hanya

mengenali nada-nada dasar, sehingga dalam pengembangan berikutnya masih bisa

dikembangkan untuk pengenalan nada yang lebih kompleks.

Kata kunci : Pianika, DFT (Discrete Fourier Transform), Fungsi Korelasi, Pengenalan

Nada.


ix

ABSTRACT

Many people only can hear the tone of musical instrument without knowing the tone is

being played. The lack of hearing acuity and knowledge about music is very limited. The

musical instrument is used has many varies, the one of a musical instrument is a ( C, C#, D,

D#, E, F, F,# G, G#, A, A#, B) music. Pianica is a part of musical instrument, when we blow

that pianica it will produce a sound. Recognition system is very needed to help in recognizing

the tone of musical instrument especially fundamental tone.

Musical tone recognition system at pianika this thesis using a microphone a

microphone and a computer to operate. Microphones in this study serves to record the musical

tone sound waves pianica. While the computer functions to process data recording, featuring a

wave of record result showing the frequency spectrum of the DFT process, recognize the tones

recorded, and displays the result of a recognizable tone.

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

recognize the tone of 100%. The best recognition parameter can be found at frame blocking

128 variation and Segment averaging of 2. Recognition systems pianica musical tones with a

correlation function method has been successfully established and can work well. The tone

recognition display show the frequency spectrum of the DFT, and capable of displaying data

according to the design. Musical tone recognition programs pianica only recognize basic

tones, resulting in the subsequent development can still be developed for the introduction of a

more complex tone.

Key words: Pianica, DFT (Discrete Fourier Transform), Correlation Function,

recognition of Musical Tones.


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 penuh kesabaran untuk

membimbing dalam menyelesaikan penulisan Tugas Akhir ini.

5. Wiwien Widyastuti, S.T., M.T. dan Dr. Rita Widiarti selaku dosen penguji yang telah

memberikan bimbingan, saran, dan merevisi Tugas Akhir ini.

6. Bapak dan Ibu, 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. Teman-teman SMA ” Bella, Funny kris, Ripta, Deni, Awang, Andika, Sigit, Tio, Anggun”

yang selalu mendukung dan mendoakan dalam kelancaran penulisan Tugas Akhir ini.

9. Terimakasih kepada Funny Yunita yang slalu memberi semangat dan memberikan solusi

disetiap masalah.

10. Teman-teman main selama di jogja” mbak Anin, Deni, Ripta, Deta, Yuli, April, Ika, Norris,

Eva, Garda, Anton budi, jendra, Vista, Yohana, Mas Kris” yang selalu mendukung dan

menemani.

11. Terimakasih kepada teman sekelompok konsultasi pak Linggo, yang sangat membantu sekali

dalam perjalanan skripsi ini” Monica, Agnes, Anton, Yovita, Yohanes, Yugo, Evan, Heri

dan Mas Maleh”.


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 ......................................................................................... 2

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

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

BAB II DASAR TEORI

2.1. Pianika ............................................................................................................... 4

2.2. Sampling ............................................................................................................ 5

2.3. Normalisasi ........................................................................................................ 5

2.4. Pemotongan Sinyal ............................................................................................ 6

2.5. Frame blocking.................................................................................................. 6

2.6. Windowing ......................................................................................................... 7

2.7. Ekstraksi ciri Dicrete Fourier Transform (DFT) .............................................. 7

2.8. Segment averaging ............................................................................................ 8


xiii

2.9 Perhitungan korelasi .......................................................................................... 8

BAB III PERANCANGAN

3.1. Sistem Pengenalan Nada Pianika ...................................................................... 10

3.1.1. Suara Pianika... ........................................................................................ 11

3.1.2. Proses perekaman.... ................................................................................ 11

3.1.3. Proses pengenalan nada......................................................................…. 11

3.2. Perancangan Nada Referensi ............................................................................. 13

3.3. Nada Uji ............................................................................................................ 14

3.4. Perancangan Diagram blok ............................................................................... 16

3.4.1. Rekam ..................................................................................................... 17

3.4.2. Normalisasi ............................................................................................. 18

3.4.3. Pemotongan Sinyal ................................................................................. 20

3.4.4. Frame Blocking ...................................................................................... 20

3.4.5. Normalisasi 2. ......................................................................................... 21

3.4.6. Windowing Hamming. ............................................................................ 22

3.4.7. Discrete Fourier Transform (DFT). ....................................................... 24

3.4.8. Segment averaging ................................................................................. 24

3.4.9. Korelasi ................................................................................................... 25

3.5. Perancangan Subsistem Program...................................................................... 26

3.5.1 Subsistem Sampling. ................................................................................ 27

3.5.2 Subsistem pengenalan nada…………………………………………….. 27

BAB IV HASIL DAN PEMBAHASAN

4.1. Pengujian Program Pengenalan Nada Pianika....................................................... 28

4.1.1. Pengenalan Nada ................................................................................... 30

a. Popup Menu 1............................................... ..................................... 31

b. Popup Menu 2........................................................... ......................... 32

c. Pushbutton, axes dan static text......................................................... 32

d. Tombol Reset………………………………………………………. 38

4.2. Hasil Pengujian Program Pengenalan NadaTerhadap Tingkat Pengenalan Nada

Pianika .............................................................................................................. 38

4.2.1. Pengujian Parameter Pengenalan Nada ............................................... 39

4.2.1.1. Pengujian secara Tidak Real-Time............................................. ......... 39

4.2.1.2. Pengujian secara Real-Time ................................................................ 40


xiv

a) Pengujian Tanpa Thresholding............................................. .......... 41

b) Pengujian Untuk Menentukan Batasan Nilai Korelasi…………… 43

c) Pengujian Mengunakan Thresholding.....................................…….. 46

4.3. Pengujian Dengan Nada Masukan Kencrung... ................................................ 47

BAB V KESIMPULAN DAN SARAN

5.1. Kesimpulan ...................................................................................................... 50

5.2. Saran ................................................................................................................ 50

DAFTAR PUSTAKA .............................................................................................. 51

LAMPIRAN

LAMPIRAN 1 PERCOBAAN MENCARI SPEKTRUM FREKUENSI DARI NADA

PIANIKA DENGAN MATLAB ..................................................................................... L1

LAMPIRAN 2 GAMBAR SINYAL DARI HASIL SAMPLING HINGGA EKSTRAKSI

CIRI…………. .............................................................................................. ….…. . .... L9

LAMPIRAN 3 LISTING PROGRAM GUI MATLAB ................................................. L14

LAMPIRAN 4 LISTING PROGRAM TIDAK REAL-TIME ........................................ L30

LAMPIRAN 5 HASIL PERSENTASE PENGENALAN NADA SECARA REAL-TIME

………………………………………………………………………………………….. L43


xv

DAFTAR GAMBAR

Halaman

Gambar 1.1. Blok Model Perancangan....................................................................... 3

Gambar 2.1. Pianika ................................................................................................... 4

Gambar 2.1.1 Gambar tangga nada dinaikkan setengah……………………………... 4

Gambar 2.2. Contoh Frame Blocking ........................................................................ 6

Gambar 2.3. Segment averaging……………………………………………………. 8

Gambar 3.1. Blok Diagram Keseluruhan Sistem ....................................................... 10

Gambar 3.2. Proses Pengenalan Nada Pianika ........................................................... 11

Gambar 3.3. Diagram blok proses pengambilan Nada referensi. ............................... 14

Gambar 3.4. Diagram blok proses pengambilan Nada Uji. ........................................ 15

Gambar 3.5. Tampilan utama program....................................................................... 16

Gambar 3.6. Diagram blok keseluruhan. .................................................................... 17

Gambar 3.7. Diagram alir proses rekam. .................................................................... 18

Gambar 3.8. Alur program normalisasi 1. .................................................................. 19

Gambar 3.9. Diagram alir pemotongan sinyal ........................................................... 20

Gambar 3.10. Alur program Frame blocking…………………………………………….. 21

Gambar 3.11. Diagram Alir normalisasi akhir.. ........................................................... 22

Gambar 3.12. Diagram blok Windowing hamming…………………………………. 23

Gambar 3.13. Diagram Alir DFT dan Segment averaging …………………………. 24

Gambar 3.14. Diagram Alir proses korelasi………………………………………. 25

Gambar 3.15. Diagram blok penentuan nada hasil pengenalan ................................... 26

Gambar 3.6. Diagram Alir Sistem Pengenalan Nada Pianika .................................... 25

Gambar 4.1. Tampilan program pengenalan nada pianuka ........................................ 29

Gambar 4.2. Tampilan hasil pengenalan .................................................................... 30

Gambar 4.3. Pengaruh perubahan Segment averaging terhadap presentase keberhasilan

pada frame blocking............................................................................... 39

Gambar 4.4. Gambar alat musik Kencrung ................................................................ 49


xvi

DAFTAR TABEL

Halaman

Tabel 3.1. Keterangan tampilan program .................................................................... 16

Tabel 4.1. Menggunakan data base 10…………………………………………………… 38

Tabel 4.2. Hasil pengujian secara real time tanpa thresholding dengan variasi frame

blocking 128 dan Segment averaging 2, menggunakan Confusion matrix.. 42

Tabel 4.3. Pengaruh pengenalan nada dengan batas korelasi 0.5……………………. 43

Tabel 4.4. Pengaruh pengenalan nada dengan batas korelasi 0.6……………………. 44

Tabel 4.5. Hasil pengujian secara real time menggunakan Thresholding dengan variasi

Frame blocking 128, Segment averaging 2 dengan Confusion matrix…… 46

Tabel 4.6. Pengujian nada alat musik kencrung dengan Frame blocking 128 dan

Segment averaging 2……………………………………………………... 48


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Musik adalah penghayatan isi hati manusia yang diungkapkan dalam bentuk bunyi yang

teratur dalam melodi atau ritme serta mempunyai unsur atau keselarasan yang indah[1]. Istilah

musik dikenal dari bahasa yunani yaitu musike,berasal dari kata muse-muse, yaitu Sembilan

dewa yunani dibawah dewa Apollo yang melindungi seni dan ilmu pengetahuan. Dalam

metodologi yunani konon mempunyai suatu arti sesuatu kehidupan.

Sejarah perkembangan musik tidak dapat dilepaskan dari perkembangan budaya. Musik

tidak lepas dengan adanya alat musik, musik dibagi menjadi 2 yaitu musik populer, dan musik

tradisional[2]. Musik populer contohnya pop, jazz, blus, rock, tradisional tradisional atau musik

yang hidup di masyarakat secara turun temurun.

Pada tugas akhir ini, penulis ingin membuat suatu sistem untuk mengenali nada dari alat

musik pianika. Tujuannya untuk membantu pemula yang ingin belajar memainkan pianika.

Pianika disebut juga dengan melodeon atau melodika,yaitu alat musik yang memakai bilah-bilah

nada dalam susunan khusus untuk dapat dimainkan dengan jari pemain, sementara untuk

perolehan bunyinya dengan cara ditiup.

Pada pembuatan sistem ini, penulis menemukan penelitian yang mirip mengenai

pengenalan nada pada pianika yaitu” PENGENALAN NADA ALAT MUSIK PIANIKA

MENGGUNAKAN METODE KORELASI” yang dilakukan oleh Dionysius Edwin Surya[3].

Dalam penelitian ini sistem dapat mengenali nada yang dipukul secara real time, pada penelitian

sebelumnya sistem dalam mengenali nada belum secara real time[4]. Metode yang digunakan

penulis yaitu metode Discrete Fourier Transform (DFT). Pembandingan nada yang dimainkan

menggunakan fungsi korelasi. Dari langkah ini diperoleh korelasi yang terbesar dengan nada

database. Korelasi yang terbesar ini merupakan nada yang dimainkan dan dipilih sebagai

keluaran. Peneliti memilih metode ini untuk mengembangkan pengenalan nada alat musik

pianika dan metode ekstraksi ciri yang digunakan.


2

1.2 Tujuan dan Manfaat

Tujuan dari penulisan tugas akhir ini adalah menghasilkan sistem pengenalan nada alat

musik pianika. Manfaat dari penelitian ini adalah sebagai alat bantu bagi masyarakat yang

sedang belajar memainkan alat musik pianika supaya mengetahui nada dasar “C , C#, D, D#, E,

F, F#, G, G#, A, A# dan B”.

1.3 Batasan masalah

Sistem pengolahan nada pada alat musik pianika terdiri dari hardware dan software.

Fungsi dari hardware itu sendiri, yaitu untuk memasukan nada yang dimainkan pada alat musik

pianika. Sedangkan untuk software yang berada pada komputer untuk mengatur semua proses

pengenalan suara yang dimainkan alat musik pianika. Pada perancangan sistem ini, penulis pada

pembuatan software komputer untuk memproses pengenalan nada suara, sedangkan untuk

hardware berupa microphone yang sudah tersedia di pasaran. Penulis menetapkan beberapa

batasan masalah yang dianggap perlu pada perancangan ini, yaitu sebagai berikut:

a. Nada pianika yang digunakan “ C, C#, D, D#, E, F, F#, G, G#, A, A#, dan B”.

b. Hasil pengolahan secara real time.

c. Menggunakan Hamming Window, fungsi korelasi.

d. Jarak antara pianika ke microphone adalah 10cm.

e. Menggunakan perangkat lunak/software matlab dalam pembuatan program.

f. Menggunakan microphone JAZZ MIC 0-13.

1.4 Metode penelitian

Sistem otomatisasi pengenalan suara pada alat musik pianika, terdiri dari hardware dan

software. Hardware berfungsi untuk memasukkan suara yang dimainkan pada alat musik pianika

sedangkan software pada laptop berfungsi untuk mengatur semua proses pengenalan suara yang

dimainkan pada alat musik pianika.

Prinsip kerja dari sistem ini, input berupa suara yakni suara alat musik pianika. Suara ini

akan direkam dengan microphone yang kemudian diteruskan pada sistem pengenalan ini. Suara

akan disampling dan dicocokan dengan suara dasar yang ada pada database dengan

menggunakan metode DFT. Database ini berisi 12 nada yang direkam sebanyak 10 kali setiap

nada. Hasil dari sistem pengenalan nada ini ditampilkan pada layar yang berupa teks. Pada


3

perancangan sistem ini, penulis fokus pada pembuatan software komputer untuk memproses

pengenalan suara alat musik, sedangkan untuk hardware berupa Microphone JAZZ MIC 0-13

yang sudah tersedia di pasaran.

Langkah-langkah yang dilakukan dalam pengerjaan tugas akhir :

a. Pengupulan berbagai macam referensi

Seperti buku, jurnal dan artikel serta mempelajari teori yang mendukung dalam

penulisan tugas akhir.

b. Membuat sistem sebagai alat uji:

(i). Membuat rancangan tampilan utama pengenalan instrument alat musik menggunakan

GUI Matlab.

(ii). Merekam suara pianika yang akan digunakan sebagai database.

(iii). Membuat program secara tidak real time agar dapat mengetahui apakah program

berjalan atau tidak dengan mengggunakan database dan data uji.

(iv). Membuat database sebagai suara acuan untuk merancang suatu pengenalan suara.

(v). Membuat program secara realtime.

(vi). Melakukan pengujian program secara real time dengan alat musik pianika supaya

menghasilkan output sesuai yang diinginkan.

(vii). Melakukan pengujian dengan alat musik lain untuk penegas bahwa apabila dengan

alat musik selain pianika, akan menghasilkan keluaran error.

c. Analisa data dilakukan dengan meneliti pengaruh variasi DFT, Variasi Segment

averaging, serta memeriksa keakuratan data terhadap hasil proses pengolahan nada, dengan cara

membandingkan antara data di komputer dengan data di lapangan dan penyimpulan hasil

percobaan. Analisa data dilakukan dengan menyelidiki pengaruh variasi jumlah koefisien DFT

terhadap tingkat pengenalan nada alat musik pianika.

Gambar 1.1 Blok Model Perancangan


4

BAB II

DASAR TEORI

2.1 Pianika

Pianika merupakan bentuk miniature dari piano atau keyboard. Pianika dimainkan

dengan ditiup langsung atau memakai pipa lentur yang dihubungkan ke mulut. Alat musik

pianika biasanya digunakan untuk memainkan melodi pokok, kontra melodi dan bila

memungkinkan dapat juga untuk mengiringi lagu [5]. Pianika mempunyai dua bilahan warna tuts

yaitu warna putih dan hitam [6]. Bilahan-bilahan yang berwarna putih untuk nada-nada asli

(natural) dan yang berwarna hitam untuk memainkan nada-nada kromatis (lihat Gambar 2.1).

Dalam memainkan alat musik pianika, tangan kiri memegang pianika dan tangan kanan menekan

untuk memainkan melodi lagu, sedangkan mulut meniupnya.

Gambar 2.1. Pianika

Tangga nada kres adalah nada dasar yang dalam menentukan susunan nada dalam sebuah tangga

nada, terdapat nada yang dinaikkan setengah nada,dapat dilihat pada gambar 2.1.1.

Gambar 2.1.1. Tangga nada dinaikkan setengah.


5

2.2 Sampling

Sampling adalah proses pencuplikan gelombang suara yang akan menghasilkan

gelombang diskret [7]. Dalam proses sampling ada yang disebut dengan laju pencuplikan

(sampling rate). Dengan Fs adalah frekuensi sampling, sedangkan Fm adalah frekuensi

tertinggi sinyal suara analog. Sampling adalah proses pengambilan sebuah sinyal terhadap

waktu tertentu. Pada saat proses sampling, nilai frekuensi sampling harus diperhatikan.

Frekuensi sampling merupakan laju pengambilan yang menandakan banyak pengambilan

sinyal analog dalam satu detik. Nilai satuan frekuensi sampling yakni Hertz (Hz).

Sampling rate menandakan berapa banyak pencuplikan gelombang analog dalam 1 detik.

Pada proses sampling, sebaiknya sampling rate memenuhi kriteria Nyquist. Kriteria Nyquist

menyatakan bahwa sampling rate harus lebih besar dari 2 kali frekuensi tertinggi sinyal

suara analog. Harry Nyquist dari Bell Laboratory mempelajari proses sampling dan

membuat kriteria untuk menentukan laju sampling (sampling rate) minimun untuk sinyal

analog kontinyu. Nilai frekuensi sampling sebaiknya tertuju pada kriteria Nyquist. Saat ini

laju sampling minimum dikenal sebagai Nyquist sampling rate yang menyatakan bahwa

frekuensi sampling minimal harus dua kali lebih besar dari frekuensi tertinggi dari sinyal

yang disampling tersebut. Rumus pada kriteia Nyquist dapat dituliskan [8].

𝐹𝑠 ≥ 2𝐹𝑚 (2.1)

Keterangan : Fs = frekuensi sampling (Hz)

Fm = frekuensi sinyal analog (Hz)

2.3 Normalisasi

Normalisasi merupakan suatu cara untuk mengatasi jarak antara sumber suara

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

amplitudo nada saat dimainkan dapat menjadi maksimal. Proses normalisasi awal dilakukan

dengan cara membagi tiap nilai data masukanya itu nada terekam dengan nilai absolute

maksimal dari data masukan tersebut. Gambar normalisasi awal dapat dilihat pada

Lampiran L.2.1 sample nada ‘Do’, sebelum dinormalisasi dan L.2.2 setelah dinormalisasi.


6

2.4 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 suara dimaksudkan untuk menghilangkan bagian yang tidak termasuk

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

terekam. Sinyal yang dianggap sebagi noise tersebut berasal dari suara lingkungan sekitar

atau derau pernapasan. Keberadaan sinyal tersebut akan lebih baik jika diminimalisir

dengan cara dihilangkan. Untuk proses pemotongan 1 dan 2, pada gambar L.2.3 dan L.2.4.

2.5 Frame blocking

Frame Blocking adalah pembagian sinyal suara menjadi beberapa frame dan

biasanya untuk satu frame terdiri dari beberapa data sample. Pembagian frame blocking

memiliki jumlah data yang sama yaitu 2𝑁 data. Frame blocking itu sendiri berfungsi untuk

memilih data yang akan diproses dalam sistem pengenalan nada. Berikut merupakan

gambar dari frame blocking yang dapat dilihat pada gambar 2.2.

Gambar 2.2. Contoh Frame Blocking [9]


7

2.6 Windowing

Pengenalan nada pada alat musik pianika ini, menggunakan windowing. Windowing

berfungsi untuk menghilangkan discontinuitas. Terjadinya discontinuitas diakibatkan oleh

proses Frame Blocking atau Framing. Untuk mendapatkan hasil yang maksimal pada

proses DFT maka sample suara yang telah dibagi menjadi beberapa frame perlu di jadikan

suara kontinu dengan cara mengkalikan tiap frame windowing tertentu. Pada pengenalan

nada alat musik pianika, windowing yang digunakan adalah windowing hamming.

Windowing Hamming adalah salah satu dari berbagai macam jenis windowing. Hamming

window merupakan window yang mempunyai sidelobe yang paling kecil dan mainlobe

yang paling besar sehingga hasil dari Windowing Hamming akan lebih halus dalam

menghilangkan efek discontinuitas. Untuk Windowing dapat dilihat pada Lampiran gambar

L.2.7 [Persamaan Windowing Hamming]. Berikut ini merupakan persamaan windowing

Hamming :

𝑤 𝑛 = 0.54 − 0.46. cos 2.𝜋 .𝑛

𝑁−1 (2.3)

Dimana : W(n)= windowing

N= jumlah data dari sinyal

n = waktu diskrit

2.8 DFT (Discrete Fourier Transform)

DFT merupakan perluasan dari transformasi fourier yang berlaku untuk sinyal-

sinyal diskrit dengan panjang yang terhingga. Untuk gambar hasil sinyal eksraksi cirri ada

pada lampiran L.2.8. Semua sinyal periodik terbentuk dari gabungan sinyal-sinyal

sinusoidal yang menjadi satu yang dirumuskan pada persamaan sebagai berikut [10]:

𝑋 k = 𝑥 𝑛 𝑁−1𝑛=0 𝑒−𝑗(2𝜋/𝑁)𝑛𝑘 (2.4)

Dengan: e = natural number (2.7182818284…) j = √-1

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

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

X= indeks domain


8

2.10 Segment averaging

Segment averaging merupakan metode untuk mengurangi jumlah data sinyal

dengan data masukan disegmentasi dengan lebar segment,yang kemudian dicari rata-

ratanya pada tiap segment. Keluaran dari proses Segment averaging adalah rata-rata dari

setiap segment[11]. Gambar sinyal hasil Segment averaging masukan dari Ekstraksi ciri

DFT dapat dilihat pada lampiran L.15.

(2.5)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

S1 S2 S3 S4

1 2 3 4

S1 C1

5 6 7 8

S2 C2

9 10 11 12

S3 C3

13 14 15 16

S4 C4

Gambar 2.3. Segment averaging

2.11 Perhitungan Korelasi

Korelasi digunakan untuk menghitung besarnya perubahan antara dua variabel.

Korelasi ini membagi dua variabel yang satu dengan yang lainnya yang saling

berhubungan. Korelasi dirumuskan sebagai berikut [12] :

𝐷(𝑥, 𝑦) = (𝑥𝑖𝑚𝑖=1 −𝑥𝑖 )(𝑦 𝑖−𝑦𝑖 )

(𝑥𝑖𝑚𝑖=1 −𝑥𝑖 )2 (𝑦 𝑖

𝑚𝑖=1 −𝑦𝑖 )2

(2.6)


9

Dengan keterangan sebagai berikut :

𝑥𝑖 = rata-rata variable data masukan

𝑦𝑖 = rata-rata variable data referensi

𝑥𝑖 = data masukan

𝑦𝑖 = data referensi

𝐷 𝑥, 𝑦 = hasil jarak antara x dan y


10

BAB III

PERANCANGAN

3.1. Sistem Pengenalan Nada Alat Musik Pianika

Sistem pengenalan nada alat musik pianika menggunakan sebuah software yang

berfungsi untuk user interface, Software yang dibuat menggunakan program Matlab. Software

bertujuan untuk memudahkan user saat melakuan pengenalan nada. Software ini berperan

sebagai pusat proses pengenalan nada, seperti memulai perekaman hingga menampilkan hasil

nada yang dikenali.

Sistem pengenalan nada ini dilakukan secara real time. Diperlukan beberapa komponen

selain software yang digunakan dalam pengenalan nada. Diantaranya alat musik pianika sebagai

sumber suara, microphone, laptop yang didalamnya terdapat soundcard. Gambar 3.1

memperlihatkan blok diagram keseluruhan dari sistem pengenalan nada pada alat musik pianika.

Gambar 3.1 Blok Diagram Keseluruhan Sistem


11

1. Pianika

Sistem pengenalan nada alat musik pianika terdiri dari software pada computer yang

berfungsi sebagai user interface dalam proses pengenalan. Software komputer yang dibuat dalam

bentuk user interface dengan program Matlab berperan sebagai pusat pengaturan semua proses

pengenalan nada alat musik pianika, seperti merekam suara nada pianika dan mengenali suara

nada yang terekam. Perekaman suara dilakukan komputer melalui mikrofon (microphone)[13]

dan jalur line in pada kartu suara (SoundCard)[14]). Pada proses pengenalan nada pianika, data

berupa input Wav dinormalisasi. Kemudian,data diolah melalui proses windowing untuk analisa

sinyal menggunakan DFT. Untuk tahap terakhir, penyelesaian dengan fungsi korelasi digunakan

dalam sistem pengenalan nada pianika.

2. Proses Perekaman

Proses perekaman adalah proses masuknya data nada terekam berupa sinyal digital. Saat

proses perekaman berlangsung, sinyal analog dikonversi menjadi sinyal digital dengan frekuensi

sampling yang sudah ditentukan. 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.

3. Proses Pengenalan Nada

Proses pengenalan nada adalah proses dimana nada terekam dikenali nadanya. Proses ini

terdiri dari subproses frame blocking, normalisasi, Windowing, DFT, perhitungan korelasi dan

penentuan. Proses pengenalan nada dapat dilihat pada Gambar 3.2.

Gambar 3.2 Proses Pengenalan Nada Pianika


12

a. Frame blocking

Proses ini memilih data dari data nada terekam, sehingga data yang dipilih dapat mewakili semua

data pada nada terekam. Besarnya data nada terekam yang dipilih sesuai dengan nilai frame

blocking yang sudah ditentukan pada program.

b. Normalisasi

Proses ini bertujuan untuk menyetarakan amplitudo maksimum baik nada terekam dengan nada

referensi, sehingga efek dari kuat lemahnya suara yang dikeluarkan pianika tidak terlalu

mempengaruhi proses pengenalan.

c. Pemotongan Sinyal

Fungsi proses pemotongan sinyal adalah untuk menghilangkan efek noise atau suara

lain yang ikut terekam saat proses perekaman. Hal ini diperlukan agar proses pengenalan mampu

benar-benar hanya mengenali suara nada yang diperlukan saja. Proses pemotongan sinyal akan

memotong sinyal pada bagian silence dan bagian transisi yang terletak pada awal perekaman.

d. Windowing

Windowing merupakan perkalian antar elemen yang berfungsi untuk mengurangi efek

diskontinuitas dari sinyal digital hasil rekaman. Dalam perancangan ini penulis menggunakan

window hamming dari jenis-jenis windowing yang ada.

e. Ekstraksi ciri DFT

Setelah melalui proses windowing, proses selanjutnya adalah penghitungan ekstraksi ciri

DFT. Ektraksi ciri DFT digunakan untuk mengubah sinyal menjadi komponen frekuensi

dasarnya. Pada proses DFT dilakukan proses penghitungan nilai absolut DFT dan pemotongan

setengah bagian dari hasil perhitungan nilai DFT. Setelah proses ekstraksi ciri dilakukan proses

Segment averaging yang berfungsi untuk melakukan segmentasi pada data hasil ekstraksi ciri.

Segment averaging merupakan metode untuk mengurangi jumlah data sinyal dengan data

masukan disegmentasi dengan lebar segment, yang kemudian dicari rata-ratanya pada tiap

segment. Keluaran dari proses Segment averaging adalah rata-rata dari setiap Segment.


13

f. Fungsi Korelasi

Proses ini membandingkan nada terekam dengan 12 nada referensi. Hasil dari perbandingan

yang kemudian akan digunakan dalam proses selanjutnya. Pada proses pengenalan, yang diambil

adalah jarak yang terdekat dengan nada terekam. Dalam proses ini penulis menggunakan fungsi

korelasi untuk pengenalan nada alat musik pianika.

g. Penentuan keluaran

Penentuan keluaran adalah subproses terakhir dari proses pengenalan nada. Pada proses ini,

hasil pengenalan nada ditentukan berdasarkan nilai jarak minimum yang diperoleh setelah proses

fungsi korelasi.

h. Keluaran (Teks)

Dari penentuan nada, dapat diketahui nada yang dimainkan. Keluarannya berupa teks nada.

3.2 Perancangan Nada Referensi

Sebagai penentuan pengenalan nada alat musik pianika dibutuhkan nada acuan yang

disebut nada referensi. Nada referensi hendaknya memiliki ciri yang sudah diketahui oleh

sistem. Nada referensi diperlukan sebagai database yang nantinya akan dibandingkan dengan

nada yang akan dikenali. Untuk memperoleh nada refrensi pada setiap nada yang akan dikenali

pada sistem pengenalan nada alat musik pianika, penulis mengambil 10 sampel pada setiap nada

yang akan dikenali tersebut (nada C , C# , D , D# , E , F , F# G , G# , A , A# dan B).

Pengambilan nada refrensi melalui beberapa proses. Proses pengambilan nada referensi dapat

dilihat pada Gambar 3.3. Pengambilan nada yang akan dijadikan nada referensi melalui proses

sampling, frame blocking, normalisasi, windowing dan DCT. Pengambilan dilakukan dengan

menggunakan program Matlab yang akan dibuat.


14

Gambar 3.3 Diagram blok Proses Pengambilan Nada Referensi

Proses pengambilan nada disesuaikan dengan variabel bebas pada pembuatan sistem

pengenalan nada alat musik pianika, tetapi dengan durasi dan frekuensi sampling yang sudah

ditetapkan. Setelah 10 nada sampel pada setiap nada diperoleh, maka dilakukan perhitungan

(3.1) untuk mendapatkan nada referensi. Digunakan hasil DFT yang telah dinormalisasi sebagai

nada sampelnya, sehingga sistem pengenalan nada alat musik pianika tidak melakukan

perhitungan kembali dalam mendapatkan nada referensi dan proses pada sistem pengenalan nada

alat musik pianika dapat berjalan lebih cepat.

Nada referensi 1 =𝑥𝑐 𝑛𝑎𝑑𝑎 𝑠𝑎𝑚𝑝𝑒𝑙 1+𝑥𝑐 𝑛𝑎𝑑𝑎 𝑠𝑎𝑚𝑝𝑒𝑙 2+..+𝑥𝑐 𝑛𝑎𝑑𝑎 𝑠𝑎𝑚𝑝𝑒𝑙 10

10 (3.1)

Nada referensi yang didapat kemudian disimpan dalam fungsi yang ada dalam sistem

pengenalan nada alat musik pianika. Sehingga sewaktu-waktu nada referensi dapat dipanggil

dalam proses perhitungan korelasi yang ada dalam sistem pengenalan alat musik pianika.

3.3 Nada Uji

Nada uji merupakan nada terekam selain nada referensi. Nada uji berfungsi untuk

mengetahui DFT yang baik untuk pengenalan nada. Pengambilan nada uji sama halnya dengan

pengambilan nada referensi. Proses yang dilakukan yaitu sampling, frame blocking, normalisasi,

windowing dan DFT. Untuk memperoleh nada uji pada setiap nada pada pengenalan nada alat


15

musik pianika, penulis mengambil 10 sample pada setiap nada yang akan digunakan, untuk

menguji sistem (nada C, C#, D, D#, E, F, F# G, G#, A, A# dan B). Proses pengambilan dapat

dilihat pada Gambar 3.6. Pengambilan nada yang akan digunakan sebagai nada uji harus melalui

proses sampling.

Gambar 3.4 Diagram blok proses pengambilan nada uji

Gambar 3.5 Tampilan Utama Program


16

Tabel 3.1 KeteranganTampilan Program

Nama Bagian

Keterangan

Tombol Rekam

Digunakan untuk mengambil suara nada alat

musik pianika yang sedang dimainkan.

Tampilan Nada Untuk menampilkan nada yang didapat setelah

dilakukan proses pengenalan.

Tombol Reset Digunakan bila ingin memulai proses

pengenalan nada yang baru.

Plot Hasil Rekaman

Tampilan grafik suara hasil perekaman.

Plot Hasil DFT

Tampilan data berupa grafik data hasil DFT

baik dari rekaman maupun dari 12 nada

referensi.

3.4 Perancangan Diagram Blok

Dalam melakukan pengenalan nada, ada beberapa tahap yang dilalui. Gambar 3.8

memperlihatkan alur dari proses-proses yang dilaui dalam melakukan pengenalan nada. Pada

gambar ini memperlihatkan alur dari mulai perekaman hingga menampilkan nada yang dikenali

oleh program. pengenalan nada alat musik pianika akan dieksekusi saat user mulai menjalankan

program ini. Setelah tampilan utama terlihat, proses pengujian sudah dapat dilakukan. User

pertama kali harus mengisikan parameter yang digunakan dalam pengujian pada list box” Frame

blocking dan Segment averaging”. Setelah mengambil data acuan dengan menekan tombol

“Rekam”, selanjutnya program akan melakukan proses pengambilan nada.


17

Gambar 3.6 Diagram blok keseluruhan.

3.4.1 Rekam

Alur program rekam dapat dilihat pada Gambar 3.9. Proses rekam suara nada alat

musik pianika bermula dari komputer menjalankan fungsi untuk merekam. Hasil yang didapat

dari proses rekam yaitu sampling. Proses sampling adalah proses pengambilan nada alat musik

pianika dengan parameter frekuensi sampling yang sudah ditentukan dalam sistem. Setelah

perekaman selesai, komputer menggambar bentuk spektrum nada terekam hasil perekaman. Nilai

frekuensi tersebut didapat melalui proses perhitungan menggunakan persamaan 2.1 berikut:

Hasil dari proses perekaman nada akan ditampilkan dalam bentuk plot atau grafik yang

terdapat pada interface GUI Matlab. Banyaknya data yang tercuplik dihitung dari persamaan

berikut:

Data tercuplik = frekuensi sampling x waktu sampling (3.2)

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

Mulai

Nada Pianika

Rekam

Normalisasi 1

Pemotongan

Sinyal

Frame Blocking

Normalisasi 2

Windowing

DFT

Segment

averaging

Selesai

Perhitungan

korelasi

Penentuan

hasil pengenalan

Keluaran teks


18

Gambar 3.7. Diagram alir Proses Rekam

3.4.2 Normalisasi awal (1)

Alur program normalisasi 1 diperlihatkan pada Gambar 3.8. Tujuan dari proses

normalisasi 1 adalah untuk menyetarakan amplitude dari data sinyal nada terekam sehingga

dapat terbentuk pada skala yang sama agar kuat atau lemahnya suara nada yang dimainkan tidak

terlalu mempengaruhi proses pengenalan nada . Dalam proses normalisasi ini, nilai-nilai data

masukan nada terekam dibagikan dengan nilai absolute maksimal dari data itu sendiri sehingga

didapatkan sinyal yang ternormalisasi untuk nada terekam.


19

Gambar 3.8. Alur program normalisasi 1

Proses normalisasi pada nilai nilai amplitude dibentuk dengan rumus berikut:

(3.3)

dengan keterangan sebagai berikut :

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

X_in = data input (1,2,3,…,N)

N = merupakan banyaknya data sinyal.


20

3.4.3 Pemotongan Sinyal

Alur program pemotongan sinyal dapat dilihat pada gambar 3.9, pemotongan sinyal

adalah proses pemotongan sinyal awal yang tidak digunakan, yang terdapat di sisi kiri atau

bagian awal sebelum sinyal nada pianika. Tujuan dari proses pemotongan ini adalah untuk

menghilangkan sinyal efek noise atau suara lain yang ikut terekam pada saat proses perekaman

agar didapatkan sinyal yang benar-benar suara nada alat musik pianika.

Gambar 3.9 Diagram Alir Pemotongan Sinyal.

3.4.4 Frame Blocking

Alur program frame blocking dapat dilihat pada gambar 3.10. Setelah proses pemotongan

sinyal sisi kiri, maka proses selanjutnya yaitu frame blocking. Nilai frame telah ditentukan dalam

program yaitu sebesar 512, nilai ini didapatkan berdasarkan penelitian-penelitian sebelumnya

yang telah dilakukan. Proses ini akan mengambil data sepanjang nilai frame yang telah

ditentukan. Data yang telah diambil dapat mewakili data terekam, tujuannya agar dapat


21

memudahkan dalam perhitungan dan analisa sinyal. Data yang diambil tersebut merupakan

keluaran untuk proses frame blocking.

Gambar 3.10. Alur program Frame blocking.

3.4.5 Normalisasi akhir (2)

Data masukan yang telah melalui proses sebelumnya dibagi dengan nilai maksimal dari

frame blocking, sehingga didapatkan keluaran untuk proses normalisasi. Data dari 12 nada

referensi dan data dari nada terekam digambarkan dalam bentuk sinyal. Hasil konversi

ternormalisasi kemudian dibandingkan dengan 12 nada referensi dengan menggunakan fungsi

korelasi.


22

Gambar 3.11. Diagram Alir Normalisasi Akhir.

Proses ini digunakan agar besarnya nilai amplitude 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

amplitude puncak dari data nada tersebut bernilai 1 atau -1 dan nilai amplitude yang lainnya

menyesuaikan dengan skala tersebut. Proses normalisasi pada nilai-nilai amplitude menggunakan

persamaan 3.3.

3.4.6 Windowing Hamming

Pada proses ini masukan (hasil dari normalisasi) dikalikan dengan windowing hamming

sehingga didapatkan hasil dari proses windowing. Fungsi dari proses windowing ini untuk

mengurangi efek diskontinuitas saat sinyal ditransformasikan ke domain DFT.


23

Gambar 3.12. Diagram Blok Windowing hamming

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 DFT, 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 :

(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.

Mulai

Masukan hasil normalisasi

Perkalian elemen

Keluaran hasil windowing

Selesai


24

3.4.7 DFT

Nilai dari DFT yang diperoleh kemudian dicari nilai absolutnya. Pada proses ini diperoleh

keluaran hasil ekstraksi ciri berupa matriks . Diagram alir dari proses DFT diperlihatkan pada

gambar 3.13. Hasil dari proses ini kemudian ditampilkan dalam bentuk grafik

.

3.4.8 Segment averaging

Segment Averaging merupakan metode untuk mengurangi jumlah data sinyal dengan data

masukan disegmentasi dengan lebar segment,yang kemudiandicari rata-ratanya pada tiap

segment.Keluaran dari proses segment averaging adalah rata-rata dari setiap segment. Diagram

alir Segment Averaging dapat dilihat pada gambar 3.15.

Gambar 3.13. Diagram Alir DFT dan Segment Averaging


25

3.4.9 Korelasi

Pada proses ini korelasi berfungsi untuk mengetahui besarnya perubahan antara dua variable.

Fungsi ini membagi dua variable yang satu dengan lainnya saling berhubungan. Dalam hal ini

menjadi variable yang akan dibandingkan adalah data referensi atau data terekam.

Gambar 3.14 Diagram alir proses korelasi


26

Gambar 3.15 Diagram blok Penentuan Nada Hasil Pengenalan.

3.5. Perancangan Subsistem Program

Terdapat dua subsistem penting dalam sistem pengenalan nada pianika, yaitu subsistem

sampling dan subsistem pengenalan nada. Perancangan subsistem tersebut memerlukan variabel

terikat, sehingga pengenalan dapat berhasil dan dengan waktu proses yang optimal. Pengujian

awal untuk mencari variabel tersebut sangat diperlukan karena dalam program tersebut memiliki

fungsi–fungsi menunjang subsistem dari sistem program pengenalan nada.


27

3.6. Subsistem Sampling

Dalam subsistem ini terdapat dua variabel terikat berupa frekuensi sampling dan durasi

perekaman. Setelah melakukan pengujian awal, dapat disimpulkan:

a. Frekuensi sampling yang digunakan adalah 4800 Hz. (lihat lampiran)

b. Durasi perekaman yang digunakan adalah 2 detik. (lihat lampiran)

3.7. Subsistem Pengenalan Nada

Subsistem ini terdiri dari tiga proses menggunakan variabel terikat yaitu proses frame

blocking, windowing dan DFT. Pengujian berikutnya adalah mencari nilai-nilai yang optimal

untuk proses pengenalan nada khususnya dalam subsistem pengenalan nada ini, karena subsistem

ini adalah inti dari sistem pengenalan pianika. Pencarian nilai-nilai yang optimal berpengaruh

pada unjuk kerja dalam subsistem ini.

a. Variasi DFT yang digunakan untuk mengkonversi data hasil windowing adalah 16, 32,

64, 128. Dalam subsistem pengenalan nada, data hasil DFT yang digunakan adalah data riil atau

amplitudonya.

b. Frame blocking mengambil sampel data dari data suara terekam (data yang diperoleh

dalam proses sampling). Nilai variasi frame blocking sama dengan nilai variasi dari DFT.

c. Variasi Segment averaging digunakan untuk mengkonversi data hasil DFT.


28

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. Program Pengujian pengenalan Nada Pianika

Perancangan program menggunakan software Matlab 7.6.0 (R2008a). Pada

pengujian program menggunakan laptop dengan spesifikasi:

Prosesor : Intel®Core™ i3 CPU @ 2.53 GHz

RAM : 4 GB

Tipe sistem : Sistem operasi 32 bit

Dalam perancangan ini, dibuat GUI agar user dengan lebih mudah menggunakan aplikasi

dalam penelitian ini. Proses pengenalan suara pianika dapat dilakukan dengan menjalankan

perintah-perintah yang terdapat dalam GUI, seperti berikut :

1. Sebelum membuka tampilan program, perlu memastikan terlebih dahulu pada Current

Directory sudah sesuai dengan tempat penyimpanan program yang telah dirancang.

2. Mengetikan perintah gui pada Command window untuk memunculkan tampilan program

pengenalan suara instrument musik. Setelah itu akan muncul tampilan program

pengenalan suara instrument musik seperti pada Gambar 4.1.


29

Gambar 4.1 Tampilan Program Pengenalan nada pianika

3. User memilih nilai variasi frame blocking, Segment averaging dan data base yang akan

digunakan terlebih dahulu sebelum melakukan pengenalan nada. Nilai variasi frame

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

yang disediakan adalah 2, 4, 8, 16, 32 dan 64 .

4. Apabila langkah 3 sudah dilakukan, user dapat memulai pengenalan nada dengan

menekan tombol “REKAM”. Hasil pengenalan nada pianika terlihat seperti pada gambar

4.4.


30

Gambar 4.2 Tampilan Hasil Pengenalan

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

mengulang kembali langkah 3 dan 4.

4.1.1 Pengenalan Nada

Untuk memulai pengenalan nada, Pengaturan yang perlu dilakukan adalah dengan

memilih nilai nilai variasi frame blocking, Segment averaging dan nilai Data base yang terdapat

pada pop up menu. Setelah menentukan nilai variasi yang akan digunakan, user dapat memulai

pengenalan nada dengan menekan tombol tekan ”REKAM”. Hasil pengenalan yang ditampilkan

adalah plot perekaman, plot DFT, dan nada yang berhasil dikenali. User dapat mengulang

pengenalan nada dengan menekan tombol “RESET”.


31

a. PopUp Menu 1

Pada program ini, pop up menu digunakan untuk variasi nilai frame blocking yaitu 16, 32. 64

dan 128. Listing program untuk variasi nilai frame blocking adalah sebagai berikut :

Pada program di atas, Frame blocking diinisialisasi menggunakan nama framebl 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 yang

telah diinisialisasi sebagai masukan apabila dilakukan callback. Pada pop up menu variasi

jumlah sampel per kelas listing program sebagai berikut:

indeks=get(handles.popupmenu1,'Value

');

switch indeks

case 1

framebl=16;

case 2

framebl=32;

case 3

framebl=64;

case 4

framebl=128;

end

handles.frame=framebl;

guidata(hObject,handles);


32

b. PopUp Menu 2

Pada program ini, pop up menu digunakan untuk variasi nilai Segment averaging yaitu 2,

4, 8, 16, 32 dan 64. Listing program untuk variasi nilai Segment averaging sebagai

berikut:

indeks=get(handles.popupmenu2,'Value');

switch indeks

case 1

segaveragl=2;

case 2

segaveragl=4;

case 3

segaveragl=8;

case 4

segaveragl=16;

case 5

segaveragl=32;

case 6

segaveragl=64;

end

handles.segaverag=segaveragl;


Nilai-nilai variasi Segment averaging diinisialisasikan dengan nama Segaverag kemudian

diproses dengan perintah handles.

c. PushButton, Axes, dan Static Text

Dalam program ini menggunakan 2 Push Button, masing-masing untuk memulai dan

mengakhiri program pengenalan nada yaitu tombol “REKAM”. Tombol “REKAM” adalah

tombol yang berfungsi untuk melakukan pengenalan suara instrumen musik. User dapat

melakukan pengenalan suara instrumen musik dengan menekan tombol tersebut. Tombol

“REKAM” memulai pengenalan suara musik dengan menjalankan beberapa subproses.

Subproses yang dijalankan dimulai dari perekaman suara musik, ekstraksi ciri DFT,

penghitungan Korelasi dan penentuan hasil pengenalan suara musik berdasarkan data yang


33

dipilih oleh user pada nilai Segment averaging. Berikut listing program untuk proses perekaman

suara dan untuk menampilkan plot sinyal suara terekam:

sample_length=2;

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);

xlabel ('data ke');

ylabel ('amplitudo');

Pada program perekaman suara, panjang sampel yang digunakan adalah 2 detik dengan

frekuensi sampling sebesar 4.8 kHz. Waktu sampelnya didapatkan dari panjang sampel dikalikan

dengan frekuensi sampel. Untuk menyimpan nada yang direkam, perintah yang digunakan

adalah wavrecord dan wavwrite, hasil plot perekaman tersebut ditampilkan pada kotak axes 1.

Perekaman suara instrumen musik pada Matlab menggunakan perintah wavrecord dan wavwrite

untuk menyimpan suara yang telah direkam. Suara yang telah terekam tersebut diplot pada

tampilan program pengenalan menggunakan perintah plot. Suara terekam diplot pada axes yang

telah tersedia di dalam tampilan program perekaman dan ekstraksi ciri DFT.

% DFT

x5=abs(dftx(x4));

x5=x5(1:length(x5)/2);

x5(1)=0; % komponen DC dinolkan

x5=x5/max(x5) % normalisasi

Suara terekam dan yang telah disimpan dipanggil kembali menggunakan perintah wavread.

Dilakukan penginisialisasian nilai frame blocking dan Segment averaging untuk memudahkan

menjalankan proses ekstraksi ciri. Proses ekstraksi ciri memiliki 2 masukan yaitu variabel b0,

frame, dan Segment averaging. bo adalah nilai batas potong. Frame dan Segment averaging

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

tampilan program seperti halnya hasil perekaman.


34

Listing program untuk menampilkan plot spektrum :

b0=0.3;

fb=handles.frame;

segaverag=handles.segaverag;

dbx=handles.dbx;

%Segment averaging

% 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 Hamming

h=hamming(fb);

x4=x3.*h;

% DFT

x5=abs(dftx(x4));




%Segment averaging

x6=reshape(x5,segaverag,[]); %hasil max:16


35

x6=mean(x6);

x6=x6(:);

Dalam program untuk menampilkan plot spektrum, proses pertama yang dilakukan

adalah normalisasi awal untuk sinyal nada terekam yang ditampilkan pada kotak axes 1.

Normalisasi dilakukan dengan cara membagi data masukan (data sinyal nada terekam) dengan

nilai absolut data tersebut. Proses selanjutnya adalah pemotongan sinyal yang dilakukan

sebanyak dua kali. Pemotongan yang pertama pada bagian silence atau bagian awal sinyal yang

tidak termasuk sinyal nada dan pemotongan kedua pada bagian transisi. Tujuan dari proses

pemotongan adalah untuk menghilangkan sinyal yang tidak termasuk sinyal nada belira dan

untuk mengurangi cacat sinyal akibat derau ruangan yang ikut terekam. Pada pemotongan sinyal

silence, b1 diinisialisasikan sebagai data yang tingginya lebih besar dari 0,3 dan lebih kecil dari

(-0,3). Data yang tidak memenuhi syarat b1 merupakan sinyal silence sehingga sinyal tersebut

dihilangkan. Pada pemotongan sinyal transisi, bts diinisialisasikan sebagai ¼ bagian sinyal yang

terdapat di bagian awal.Sinyal tersebut dihilangkan untuk mendapatkan sinyal yang benar-benar

sinyal suara nada belira. Proses selanjutnya adalah frame blocking yang tujuannya untuk

mengambil sebagian data sesuai panjang nilai frame blocking yang dipilih oleh user.Data yang

diambil tersebut untuk mewakili seluruh data yang terekam. Sinyal hasil frame blocking

kemudian melalui proses normalisasi akhir yang bertujuan untuk menyetarakan amplitudo hasil

frame blocking. Proses normalisasi akhir sama dengan normalisasi awal yaitu membagi data

masukan yaitu hasil frame blocking dengan nilai absolut data tersebut. Selanjutnya akanmelalui

proses windowing untuk menghilangkan diskontinuitas yang diakibatkan oleh proses frame

blocking. Proses windowing ini menggunakan Hamming Window. Dalam prosesnya, hasil

normalisasi akhir dikalikan dengan hamming. Setelah proses windowing, selanjutnya adalah

perhitungan dengan DFT, perhitungan ini untuk membangkitkan spektrum yang kemudian akan

dianalisis untuk mengetahui nada yang dimainkan oleh user.

Listing program untuk menampilkan hasil teks nada keluaran :

axes(handles.axes2)

bar (x6);

xlabel ('data ke');


36


if (fb==16) &&(segaverag==2)

load dbdft16seg2;

elseif (fb==16) &&(segaverag==4)

load dbdft16seg4;


load dbdft16seg8;


load dbdft32seg2;


load dbdft32seg4;


load dbdft32seg8;


load dbdft32seg16;


load dbdft64seg2;


load dbdft64seg4;


load dbdft64seg8;


load dbdft64seg16;


load dbdft64seg32;


load dbdft128seg2;


load dbdft128seg4;


load dbdft128seg8;



37

load dbdft128seg16;


load dbdft128seg32;


load dbdft128seg64;

end

Ektraksi database diperoleh dari proses dengan menggunakan program pada Lampiran 4.

% Perhitungan korelasi

for n=1:12 % Ada 12 data nada pada database

z(n)=korelasi(x6,dbz(:,n));

end

% Pengurutan hasil perhitungan korelasi

[s1,s2]=sort(z,'descend');

bataskorelasi=0.5; % Batas korelasi untuk deteksi error

if s1(1)>bataskorelasi

% Kelas keluaran

kelasout=s2(1);

% Nada keluaran

nada={'A';'A#';'B';'C';'C#';'D';'D#';'E';'F';'F#';'G';'G#'};

% Ada 12 nada keluaran

nadaout=nada{kelasout};

else

nadaout='error';

end

set(handles.text1,'String',nadaout);


38

Perintah program di atas adalah untuk menjalankan hasil penentuan keluaran nada apa

yang keluar. Untuk menentukan bukan suara yang dihasilkan menggunakan metode

Thresholding. bertujuan untuk mengambil kelas terdekat atau tetangga terdekat dari perhitungan

nilai korelasinya. Metode Thresholding bertujuan untuk menentukan hasil keluaran yang tidak

sesuai dengan suara pada database dengan penamaan “ ERROR ”. Nilai Thresholding didapatkan

dari nilai batas optimal pada setiap suara. Penentuan keluaran menggunakan fungsi logika “if dan

else” dimana melihat beberapa syarat yaitu kelas dan nilai thresholding, jika salah satu tidak

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

persyaratan kelas dan nilai Thresholding akan di tampilkan dengan format “set

(handles.text1,’string’,nadaout)” dimana hasil keluaran akan ditampilan pada text1 berupa text

yakni berdasarkan penamaan pada program hasil pengeluaran. Variabel keluaran adalah

inisialisasi nada alat musik. Nilai data yang paling banyak muncul akan dipanggil sebagai

keluaran sesuai dengan nama yang telah diinisialisasi.

d . Tombol “RESET”

Tombol “RESET” digunakan apabila user masih ingin melakukan pengenalan suara untuk suara

lainnya. Tombol “RESET” berfungsi mengembalikan atau mengulang tampilan program

ketampilan awal. Program yang digunakan untuk tombol RESET adalah sebagai berikut:

axes(handles.axes1);

plot(0);


plot(0);

set(handles.text1,'String',' ');

4.1. Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat

Pengenalan Nada Alat Musik Pianika

Untuk pengujian program pengenalan alat musik pianika, tahapan pengujian yang

dilakukan adalah pada parameter pengenalan nada yaitu pengujian parameter pengaturan

pengenalan nada meliputi pengujian secara tidak real-time dan pengujian secara real-time .


39

Tujuannya adalah untuk mencari nilai perameter yang menghasilkan tingkat pengenalan

(recognition rate) yang paling baik dan untuk mengetahui tingkat kesalahan program dalam

mendeteksi masukan nada alat musik pianika.

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, segment averaging dan data base.

Pengujian program pengenalna alat musik pianika ini menggunakan 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.

4.1.1.1. 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 16, 32, 64 dan 128 data (database 10). 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 10 disetiap nadanya (lampiran 5) tersebut

dipresentasikan dengan persentase yang menunjukan tingkat pengenalan nada berdasarkan

variasi nilai frame blocking, Segment averaging dan data base seperti yang ditunjukkan pada

tabel 4.1.

Tabel 4.1. Menggunakan data base 10

Frame

blocking

Segment averaging

2 4 8 16 32 64

16 33% 23,3% 18,3% - - -

32 90,8% 75,8% 45% 23,3% - -

64 100% 100% 83,3% 50% 32,5% -

128 100% 100% 100% 86,6% 54,1% 30,83%


40

Gambar 4.3. Gambar Pengaruh Perubahan Segment averaging terhadap persentase

keberhasilan pada frame blocking.

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

nada dari program yang menggunakan database 10. Dari hasil pengenalan nada tersebut di

evaluasi apakah dengan menggunakan database nada 10 sudah mampu mengenali nada pianika.

Setelah dievaluasi diperoleh pengenalan terbaik yang akan digunakan sebagai pengenalan nada

secara real time.

Berdasarkan tabel 4.1 dan (lampiran 5) menunjukkan kenaikan dan penurunan kinerja

sistem dari hasil pengenalan nada dikarenakan oleh pengaruh variasi nilai frame blocking,

segment averaging dan data base.

4.1.1.2. 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.


41

a) Pengujian tanpa Thresholding

Pengujian tanpa menggunakan Thresholding ini bertujuan untuk mengetahui kinerja

program pengenalan nada pianika yang telah dibuat. Dengan kesalahan yang terjadi adalah

pengenalan nada dengan keluaran pengenalan secara salah.

Pada program pengenalan nada pianika ini user memilih variasi frame blocking dan

Segment averaging. Setelah user selesai memilih variasi- variasi yang ada maka, user dapat

menjalankan program pengenalan nada pianika.

Pengujian real time dilakukan dengan menggunakan masukan nada pianika secara

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

setiap nada pianika. 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,

segment averaging dan database yang terbaik adalah frame blocking 128 dan Segment

averaging 2 dan 4. .

Berdasarkan percobaan yang telah dilakukan, sistem pengenalan nada dapat mengenali

nada pianika dengan baik. Hasil pengujian real time sesuai dengan hasil pengujian tidak real

time yaitu mendapatkan nilai variasi parameter terbaik. Pada sistem pengenalan nada pianika

tersebut menggunakan variasi terbaik yakni frame blocking 128, Segment averaging 2 dan

dengan database 10. Tabel 4.2 dan memperlihatkan hasil pengujian secara real time yang

dilakukan sebanyak 10 kali pengujian seperti pada tabel berikut :


42

Tabel 4.2. Hasil Pengujian secara real time tanpa Thresholding dengan variasi frame blocking

128, Segment averaging 2 dengan confusion matriks.

Input Output Jumlah

dikenali

benar C C# D D# E F F# G G# A A# B Error

C 10 0 0 0 0 0 0 0 0 0 0 0 0 10

C# 0 10 0 0 0 0 0 0 0 0 0 0 0 10

D 0 0 10 0 0 0 0 0 0 0 0 0 0 10

D# 0 0 0 10 0 0 0 0 0 0 0 0 0 10

E 0 0 0 0 10 0 0 0 0 0 0 0 0 10

F 0 0 0 0 0 10 0 0 0 0 0 0 0 10

F# 0 0 0 0 0 0 10 0 0 0 0 0 0 10

G 0 0 0 0 0 0 0 10 0 0 0 0 0 10

G# 0 0 0 0 0 0 0 0 10 0 0 0 0 10

A 0 0 0 0 0 0 0 0 0 10 0 0 0 10

A# 0 0 0 0 0 0 0 0 0 0 10 0 0 10

B 0 0 0 0 0 0 0 0 0 0 0 10 0 10

Pada tabel 4.2.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. Berdasarkan data dari tingkat

presentase keberhasilan mengenali suara instrumen musik, dengan Frame blocking 128 dan

Segment 2 yang sudah mampu mengenali suara instrumen musik dengan baik. Dengan

menggunakan Segment 2 sudah mampu untuk mengenali suara instrumen musik dengan

menggunakan database, yang dipakai ada dua disetiap nada.


43

b) Pengujian untuk Menentukan Batasan Nilai Korelasi

Dibawah ini akan diperlihatkan tabel hasil pengenalan nada dengan batas pengenalana

nada dengan nilai maksimal 0,5 untuk batas korelasi.

Tabel 4.3. Pengaruh pengenalan nada dengan batas korelasi 0,5.

Input Output Jumlah

dikenali


C 10 0 0 0 0 0 0 0 0 0 0 0 0 10

C# 0 10 0 0 0 0 0 0 0 0 0 0 0 10

D 0 0 10 0 0 0 0 0 0 0 0 0 0 10

D# 0 0 0 10 0 0 0 0 0 0 0 0 0 10

E 0 0 0 0 10 0 0 0 0 0 0 0 0 10

F 0 0 0 0 0 10 0 0 0 0 0 0 0 10

F# 0 0 0 0 0 0 10 0 0 0 0 0 0 10

G 0 0 0 0 0 0 0 10 0 0 0 0 0 10

G# 0 0 0 0 0 0 0 0 10 0 0 0 0 10

A 0 0 0 0 0 0 0 0 0 10 0 0 0 10

A# 0 0 0 0 0 0 0 0 0 0 10 0 0 10

B 0 0 0 0 0 0 0 0 0 0 0 10 0 10


44

Tabel 4,4. Pengaruh pengenalan nada dengan batas korelasi 0,6.

Input Output Jumlah

dikenali


C 10 0 0 0 0 0 0 0 0 0 0 0 0 10

C# 0 10 0 0 0 0 0 0 0 0 0 0 0 10

D 0 0 10 0 0 0 0 0 0 0 0 0 0 10

D# 0 0 0 10 0 0 0 0 0 0 0 0 0 10

E 0 0 0 0 10 0 0 0 0 0 0 0 0 10

F 0 0 0 0 0 0 0 0 0 0 0 0 10 0

F# 0 0 0 0 0 0 0 0 0 0 0 0 10 0

G 0 0 0 0 0 0 0 10 0 0 0 0 0 10

G# 0 0 0 0 0 0 0 0 10 0 0 0 0 10

A 0 0 0 0 0 0 0 0 0 10 0 0 0 10

A# 0 0 0 0 0 0 0 0 0 0 10 0 0 10

B 0 0 0 0 0 0 0 0 0 0 0 10 0 10

Analisa dari 10 kali percobaan pada frame blocking 128 Segment 4 menggunakan batas

korelasi 0.5, tidak terdapat suara yang dikenali secara salah. Hal tersebut dapat terjadi karena

frame blocking yang diuji mempunyai informasi yang sama dengan database. Semakin panjang

atau lebar frame blocking yang dipilih maka disitu terdapat banyak informasi yang dapat

dibandingkan dengan database. Fungsi dari batas korelasi tersebut menentukan batasan

maksimal untuk pengenalan nada yang diinginkan, kurang dari 0,5 nada masukan dikenali makin

baik. Keakuratan dari hasil fungsi korelasi untuk masing-masing nada referensi ini

mengakibatkan ketepatan pada proses penentuan, sehingga mengakibatkan naiknya tingkat

pengenalan pada saat percobaan dengan pemakaian nilai DFT yang tinggi. Dari tabel-tabel data

hasil percobaan dapat dicari persen pengenalan melalui pehitungan dari masing-masing panjang

nilai frame blocking dan Segment terhadap tingkat pengenalan. Untuk mendapatkan tingkat

persen pengenalan dari percobaan tersebut digunakan rumus [14]:


45

Dari tabel-tabel data hasil percobaan dapat dicari persen pengenalan melalui pehitungan .

Untuk mendapatkan tingkat persen pengenalan dari percobaan tersebut digunakan rumus [15]:

Tingkat pengenalan = 𝑣

𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛𝑥 100% (4.1)

Ket : 𝑣 = jumlah nada pianika yang dikenali benar.

Perhitungan tingkat pengenalan dari :

a. Batas korelasi 0,5


𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛𝑥 100%

= 120

120 𝑥 100%

= 100%

b. 0,6 melewati batas korelasi



= 110

120 𝑥 100%

= 91,6%

Pada table (4.3) diatas menggunakan batas korelasi 0,5 untuk menentukan batas

maksimum agar data dapat dikenali, Pada pengujian ini dilakukan untuk menentukan batasan

nilai korelasi yang optimal menggunakan Thresholding. Parameter yang digunakan untuk

menentukan batas nilai ini menggunakan variasi Frame blocking 128 dan Segment averaging 2.

Dengan korelasi 0.5 menunjukan nilai maksimal batas korelasi yang di dapat untuk setiap nada.

Pada tabel tersebut yang digunakan sebagai batas atas penengenalan setiap nada.jika melebihi

batas atas tersebut maka sistem tidak akan mengenali nada- nada yang lain selain nada yang di

inginkan,contohnya adalah batas korelasi 0,6 pada table (4,4) dan akan terdeteksi “ERROR”.

Berdasarkan tabel diatas menunjukkan kenaikan dan penurunan kinerja sistem dari hasil

pengenalan suara dikarenakan oleh pengaruh variasi nilai frame blocking, Segment dan nilai

batas korelasi. Penurunan tingkat pengenalan pada batas korelasi 0,6 terjadi pada pengenalan

nada f dan F#, untuk peningkatan pengenalan terjadi pada nada G, pengenalan tersebut tidak

100% dikarenakan 0,6 melebihi batas yang telah ditentukan untuk mengenali nada yang

diinginkan.


46

c) Pengujian menggunakan Thresholding

Pada pengujian ini bertujuan untuk mengetahui kinerja program pengenalan nada pianika

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 dengan cara menentukan batas korelasi yang optimal. User langsung

dapat menjalankan program dengan Thresholding, karena Thresholding telah aktif pada sistem

pengenalan nada pianika. Data tingkat pengenalan untuk nilai threshold 0,5. Disetiap suara

tersebut dipresentasikan dengan persentase yang menunjukan tingkat pengenalan suara

berdasarkan variasi nilai frame blocking, Segment averaging dan Threshold. Threshold

merupakan pembatasan nilai geser kekiri. Threshold ini berguna supaya spektrum yang tadinya

terlihat kecil atau tidak terlihat dapat terlihat dengan jelas seperti diperbesar

Tabel 4.9. Hasil Pengujian secara real time menggunakan Thresholding dengan variasi frame

blocking 128, Segment averaging 2 dengan confusion matriks.

Input Output Jumlah

dikenali


C 10 0 0 0 0 0 0 0 0 0 0 0 0 10

C# 0 10 0 0 0 0 0 0 0 0 0 0 0 10

D 0 0 10 0 0 0 0 0 0 0 0 0 0 10

D# 0 0 0 10 0 0 0 0 0 0 0 0 0 10

E 0 0 0 0 10 0 0 0 0 0 0 0 0 10

F 0 0 0 0 0 10 0 0 0 0 0 0 0 10

F# 0 0 0 0 0 0 10 0 0 0 0 0 0 10

G 0 0 0 0 0 0 0 10 0 0 0 0 0 10

G# 0 0 0 0 0 0 0 0 10 0 0 0 0 10

A 0 0 0 0 0 0 0 0 0 10 0 0 0 10

A# 0 0 0 0 0 0 0 0 0 0 10 0 0 10

B 0 0 0 0 0 0 0 0 0 0 0 10 0 10


47

Menggunakan perhitungan rumus persamaan 4.1.



= 120

120 𝑥 100%

= 100%

Dari hasil pengujian menggunakan thresholding yang telah dilakukan, sistem pengenalan

nada pianika tersebut sudah mampu menggenali nada-nada yang terdapat pada pianika pada

frame blocking 128 dan Segment 2, dimana untuk nada do sampai si tidak dikenali sebagai

ERROR meskipun sudah menggunakan nilai thresholding yang didapatkan dari hasil pengujian

10 kali percobaan untuk mencari nilai thresholding disetiap nadanya.

4.2. Pengujian Dengan Nada Masukan Kencrung

Pada pengujian ini, penulis memilih alat musik kencrung karena nada dasar yang dipakai

pada alat musik kencrung ini adalah E sedangkan untuk pengujian suara yang benar

menggunakan nada dasar C melodi, maka suara yang dihasilkan oleh alat musik kencrung ini

lebih rendah dari suara alat musik pianika, sehingga suara yang dihasilkan oleh alat musik

kencrung akan dikenali error. Kencrung merupakan alat musik petik sejenis gitar berukuran

kecil, sekitar 20 inci. Kencrung biasanya digunakan sebagai instrument tunggal atau untuk

mengiringi berbagai macam alat musik, mulai dari klasik sampai jazz, dan sekarang country,

reggae, dan musik rock. Alat musik kencrung ini ada yang mempunyai 4 utas tali senar dan ada

juga yang hanya 3 utas tali senar. Kencrung yang dipakai oleh penulis untuk penelitan ini adalah

kencrung dengan 3 senar. Kencrung dengan 3 senar disebut juga ukulele stem E, memiliki stem

nada : g2-b1-e2. Pada pengujian ini bertujuan untuk mengetahui tingkat pengenalan sistem

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

nada pianika. Untuk pengujian program pengenalan nada pianika digunakan alat musik kencrung

sebagai masukan nadanya. Ada pula langkah- langkah untuk melakukan percobaaan sebagai

berikut:

1. Menyiapkan alat musik kencrung yang akan digunakan.

2. Nada- nada yang akan digunakan antara lain C, D, E, F, G, A, B


48

3. Menggunakan variasi frame blocking 128, Segment averaging 2 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 pianika.

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

pengujian dengan nada dari alat musik kencrung :

Gambar 4.4. Gambar Alat Musik Kencrung

Tabel 4.10. Pengujian nada alat musik kencrung dengan Frame blocking 128 dan Segment 2

Input

Output

Error

C D E F G A B

C 0 0 0 0 0 0 0 10 100%

D 0 0 0 0 0 0 0 10 100%

E 0 0 0 0 0 0 0 10 100%

F 0 0 0 0 0 0 0 10 100%

G 0 0 0 0 0 0 0 10 100%

A 0 0 0 0 0 0 0 10 100%

B 0 0 0 0 0 0 0 10 100%


49

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

dipakai adalah nada dasar sesuai dengan perancangan. Nada C kencrung tidak dikenali oleh nada

pianika,hasil keluaran error semua, untuk masukan nada kencrung. Pada percobaan dengan alat

musik kencrung, pemilihan nilai Thresholding yang digunakan sangat berpengaruh dalam hal

tersebut.


50

BAB V

KESIMPULAN DAN SARAN

5.1 KESIMPULAN

Dari hasil percobaan dan pengujian sistem pengenalan nada alat musik pianika dapat

disimpulkan bahwa :

1. Implementasi dari sistem pengenalan nada suara alat musik pianika sudah bisa bekerja

sesuai dengan perancangan.

2. Pada pengujian parameter pengaturan pengenalan, penetapan nilai parameter Pengaturan

pengenalan nada dengan nilai pada Frame blocking dan Segment averaging yang

digunakan untuk mengenali nada berpengaruh terhadap tingkat pengenalan sistem.

3. Pada pengujian parameter pengaturan didapatkan nilai Frame blocking senilai 128

Dengan nilai Segment averaging 2, yang menghasilkan tingkat pengenalan

(recognitionrate) terbaik yaitu 100%.

5.1 SARAN

Sistem pengenalan suara pianika ini masih memiliki kekurangan. Ada beberapa saran

yang diharapkan dapat mengurangi kekurangan tersebut, antara lain:

1. Pengembangan dapat dilakukan agar sistem dapat mengenali banyak alat musik dengan

berbagai nada yang dihasilkan.

2. Untuk pengembangannya dapat juga membuat hardware pengenalan suara pianika.


51

DAFTAR PUSTAKA

[1] Ortiz, M., 2002 Teknik memainkan - alat-musik melodis pianika Jakarta :Gramedia

Pustaka Utama.

[2] Darmawan, Tomi, 2012, Musical Instruments Sound Recognition Teknik Informatika -

Institut TeknologiSepuluhNopember, Surabaya.

[3] Dionysius Edwin Surya, 2012, Pengenalan Nada AlatMusik Pianika Menggunakan

Metode Korelasi, Skripsi, Teknik Elekro, Fakultas Sains dan Teknologi, Universitas

Sanata Dharma, Yogyakarta.

[4] Budi Sontoso, Tri, 2005, ProtipeModulPengamatanSinyal Domain Waktudan

Frekuensi Secara Real Time Untuk Praktikum Pengolahan Sinyal Digital, EEPISITS,

Surabaya.

[5] Sklar, Bernard, 1988, Digital Communications Fundamental and Application, New

Jersey, PTR Prentice Hall

[6] Pianikamerek Pianica P-37.

[7] EkaKartikasari, Yesika, 2006, Pembuatan Software Pembuka Program aplikasi

KomputerBerbasisPengenalanSinyalSuara, PENS-ITS, Surabaya.

[8] Cha, Sung-Hyuk, 2007, International Journal Of Mathematical Models And Methods In

Applied Sciences, Comprehensive Survey on Distance/Similarity Measures between

Probability Density Functions., Vol 1, no 20, hal 302.

[9] Santoso, T.B., 2005, Protipe Modul Pengamatan Sinyal Domain Waktu dan Frekuensi

Secara Real Time Untuk Praktikum Pengolahan Sinyal Digital, EEPISITS,Surabaya.

[10] Dr. Kekre H.B., VaishaliKulkarni., Sunil Venkatraman., AnshuPriya., dan Sujatha

Narasimhan., 2011, Speaker Identification Using Row Mean of DCT and Walsh

Hadamard Transform, International Journal on Computer Science and Engineering

(IJCSE)., Vol. 3, No. 3, hal 1296-1297.

[11] Firmansyah, Ahmad,2007, Dasar-dasar Pemrograman Matlab, Teknik Informatika-

Institut Teknologi Sepuluh Nopember, Surabaya.


52

[12] 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),4-37.

[13] Fingkirana,Eka, 2014, Pengertian, Sejarah, Jenis-jenis, dan Cara Kerja mikrofon.

http://ekafingkirani.blogspot.com/2014/11/pengertian-sejarah-jenis-jenis-dan-

cara.html

[14] V. Irwan Novariyanto, 2014, Pengenalan Nada Alat Musik Secara Real Time dengan

Ekstraksi ciri DCT dan Similaritas Kosinus, Skripsi, Teknik Elektro, Fakultas sains dan

Teknologi, Universitas Sanata Dharma, Yogyakarta.


http://ekafingkirani.blogspot.com/2014/11/pengertian-sejarah-jenis-jenis-dan-%20%20%20cara.html

http://ekafingkirani.blogspot.com/2014/11/pengertian-sejarah-jenis-jenis-dan-%20%20%20cara.html

LAMPIRAN


L1

LAMPIRAN

PERCOBAAN AWAL

MENCARI SPEKTRUM FREKUENSI DARI

NADA PIANIKA DENGAN MATLAB

Tujuan

1. Mengetahui frekuensi maksimum pada nada pianika.

2. Mengetahui frekuensi sampling minimum yang digunakan.

Variabel

1. Frekuensi sampling yang digunakan 4800Hz

2. Durasi perekaman yang dilakukan penulis selama 2 detik.

Listing program

fs = 4800;%%fsampling 4800Hz

y = wavrecord (2*fs,fs,'double');%% 2 detik

wavwrite(y,fs,'sample2s4800HzAkres10.wav');

[y,fs]=wavread('sample2s4800HzAkres10.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;%output


L2

Nada C

Amplitudo

Frekuensi (Hz)

Amplitudo Nada C#

Frekuensi (Hz)


L3

Amplitudo Nada D

Frekuensi (Hz)

Amplitudo Nada D#

Frekuensi (Hz)


L4

Amplitudo Nada E

Frekuensi (Hz)

Amplitudo Nada F

Frekuensi (Hz)

Amplitudo Nada F#


L5

Frekuensi (Hz)

Amplitudo Nada G

Frekuensi (Hz)


L6

Amplitudo Nada G#

Frekuensi (Hz)

Amplitudo Nada A

Frekuensi (Hz)


L7

Amplitudo Nada A#

Frekuensi (Hz)

Amplitudo Nada B

Frekuensi (Hz)


L8

Kesimpulan

1. Frekuensi maksimum yang didapat sebesar 1986Hz untuk nada Si (B’).

2 Fs=4800 sudah memenuhi Nyquist dan ditemukan harmonisasi pada frekuensi

dikarenakan pada saat mulai mengambil sampling rekaman ada noise campuran antara

suara dengung yang muncul pada rongga tenggorokan manusia dengan alat musik

pianika.


L9

LAMPIRAN 2

GAMBAR SINYAL

DARI HASIL SAMPLING HINGGA EKSTRAKSI CIRI

Tujuan:

1. Untuk mengetahui alur proses pengenalan nada dari awal hingga akhir

Variabel:

1. Frekuensi yang digunakan 4800Hz

2. Sinyal terekam nada ‘C’

Amplitudo

Data ke

Gambar L.2.1. Sinyal terekam nada ‘C’.

Mulai

Masukan nada pianika

Sampling

A

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8


L10

Amplitudo

Data ke

Gambar L.2.2 Contoh normalisasi awal (1)

Amplitudo

Data ke

Gambar L.2.3.Proses silence sebelah kiri\

A

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

Pemotongan sinyal

transisi


L11

Amplitudo

Data ke

Gambar L.2.4. Proses pemotongan transisi sebelah

Amplitudo

Data ke

Gambar L.2.5. Frame blocking

Amplitudo

Data ke

Gambar L.2.6. Normalisasi akhir (2)

0 1000 2000 3000 4000 5000 6000 7000-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

B

Frame blocking

0 100 200 300 400 500 600-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

Normalisasi 2

0 100 200 300 400 500 600-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1


L12

Amplitudo

Data ke

Gambar L.2.7 Windowing

Amplitudo

Data ke

Gambar L.2.8. DFT

C

Windowing

0 100 200 300 400 500 600-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

DFT

0 100 200 300 400 500 6000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

D


L13

Nilai rerata Segment

Data ke

Gambar L.2.9. Segment averaging

D

0 5 10 15 20 25 30 350

0.02

0.04

0.06

0.08

0.1

0.12

Selesai


L14

LAMPIRAN 3 LISTING PROGRAM GUI MATLAB

function varargout = guinew(varargin)

% GUINEW M-file for guinew.fig

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

% singleton*.

%

% H = GUINEW returns the handle to a new GUINEW or the handle to

% the existing singleton*.

%

% GUINEW('CALLBACK',hObject,eventData,handles,...) calls the

local

% function named CALLBACK in GUINEW.M with the given input

arguments.

%

% GUINEW('Property','Value',...) creates a new GUINEW or raises

the

% existing singleton*. Starting from the left, property value

pairs are

% applied to the GUI before guinew_OpeningFcn gets called. An

% unrecognized property name or invalid value makes property

application

% stop. All inputs are passed to guinew_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 guinew

% Last Modified by GUIDE v2.5 16-Nov-2015 12:37:50


L15

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @guinew_OpeningFcn, ...

'gui_OutputFcn', @guinew_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{:});

else

gui_mainfcn(gui_State, varargin{:});

end

% End initialization code - DO NOT EDIT

% --- Executes just before guinew is made visible.

function guinew_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 guinew (see VARARGIN)

% Choose default command line output for guinew

handles.output = hObject;

% Update handles structure

guidata(hObject, handles);


L16

% UIWAIT makes guinew wait for user response (see UIRESUME)

% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.

function varargout = guinew_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=16;

case 2

framebl=32;

case 3

framebl=64;


L17

case 4

framebl=128;

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

function edit1_Callback(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)



% Hints: get(hObject,'String') returns contents of edit1 as text

% str2double(get(hObject,'String')) returns contents of edit1

as a double


L18


function edit1_CreateFcn(hObject, eventdata, handles)




called

% Hint: edit controls usually have a white background on Windows.





end







as a double






called


L19






end

% --- Executes on selection change in popupmenu2.

function popupmenu2_Callback(hObject, eventdata, handles)





as cell array


popupmenu2


switch indeks

case 1

segaveragl=2;

case 2

segaveragl=4;

case 3

segaveragl=8;

case 4

segaveragl=16;

case 5

segaveragl=32;

case 6

segaveragl=64;


L20

end

handles.segaverag=segaveragl;







called






end







as a double






L21


called






end







as a double






called






L22


end

% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton1 (see GCBO)



sample_length=2;

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);

xlabel ('data ke');


%x=wavread('s.wav');

b0=0.5;

fb=handles.frame; %Variasi nilai FrameBlocking 128,64,32 dan 16

segaverag=handles.segaverag; %Variasi nilai segment averaging

%dbx=handles.dbx;

%Segment averaging

% Normalisasi

x1=x/max(abs(x));

% Potong kiri

b1=find(x1>b0 | x1<-b0);

x1(1:b1(1))=[];


L23

% 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 Hamming

h=hamming(fb);

x4=x3.*h;

% DFT

x5=abs(dftx(x4));




%Segment averaging

x6=reshape(x5,segaverag,[]); %hasil max:16

x6=mean(x6);

x6=x6(:);

axes(handles.axes2)

bar (x6);

xlabel ('data ke');



L24

if (fb==16) &&(segaverag==2)

load dbdft16seg2;


load dbdft16seg4;


load dbdft16seg8;


load dbdft32seg2;


load dbdft32seg4;


load dbdft32seg8;


load dbdft32seg16;


load dbdft64seg2;


load dbdft64seg4;


load dbdft64seg8;


load dbdft64seg16;


load dbdft64seg32;


load dbdft128seg2;


load dbdft128seg4;


load dbdft128seg8;


load dbdft128seg16;



L25

load dbdft128seg32;


load dbdft128seg64;

end

% Perhitungan korelasi


z(n)=korelasi(x6,dbz(:,n));

end

% Pengurutan hasil perhitungan korelasi

[s1,s2]=sort(z,'descend');

bataskorelasi=0.5; % Batas korelasi untuk deteksi error

if s1(1)>bataskorelasi

% Kelas keluaran

kelasout=s2(1);

% Nada keluaran

nada={'A';'A#';'B';'C';'C#';'D';'D#';'E';'F';'F#';'G';'G#'}; %

Ada 12 nada keluaran


else

nadaout='error';

end

set(handles.text1,'String',nadaout);






L26



plot(0);


plot(0);






delete(figure(gui));







as a double






called




L27




end







as a double






called






end



L28






as a double






called






end

handles.dbx=dbx1;



as cell array


popupmenu3




L29




called






end


L30

LAMPIRAN 4

LISTING PROGRAM TIDAK REAL-TIME

function pnpianikacopy

% Pengenalan nada pianika

% Menggunakan segment averaging

clc

clear all

% =========================================================

% Variabel penelitian

% =========================================================

frame=128; % Panjang frame pada frame blocking

seg=2; % Panjang segmen pada segment averaging

% =========================================================

% Pembentukan database

% =========================================================

y0=wavread('a01.wav');x1=xciridft(y0,frame,seg);










a10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;


L31

y0=wavread('a#01.wav');x1=xciridft(y0,frame,seg);










b10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;

y0=wavread('b01.wav');x1=xciridft(y0,frame,seg);










c10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;

y0=wavread('c01.wav');x1=xciridft(y0,frame,seg);







L32





d10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;

y0=wavread('c#1.wav');x1=xciridft(y0,frame,seg);















e10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;

y0=wavread('d01.wav');x1=xciridft(y0,frame,seg);









L33



f10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;

y0=wavread('d#01.wav');x1=xciridft(y0,frame,seg);










g10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;

y0=wavread('e01.wav');x1=xciridft(y0,frame,seg);










h10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;

y0=wavread('f01.wav');x1=xciridft(y0,frame,seg);



L34









i10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;

y0=wavread('f#01.wav');x1=xciridft(y0,frame,seg);










j10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;

y0=wavread('g01.wav');x1=xciridft(y0,frame,seg);











L35

k10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;

y0=wavread('g#01.wav');x1=xciridft(y0,frame,seg);










l10=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10;

% Database

db10=[a10 b10 c10 d10 e10 f10 g10 h10 i10 j10 k10 l10];

% =========================================================

% Pembentukan datauji

% =========================================================











n1=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];


L36











n2=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];











n3=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];











L37


n4=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];











n5=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];











n6=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];








L38





n7=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];











n8=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];











n9=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];





L39








n10=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];











n11=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];











n12=[x1 x2 x3 x4 x5 x6 x7 x8 x9 x10];


L40

uji=[n1 n2 n3 n4 n5 n6 n7 n8 n9 n10 n11 n12];

%==================================================

% Pengenalan

%==================================================

jumtest=120; % jumlah nada uji

jskuji=10; % jumlah sampel per kelas pada nadauji

db=db10; %database yang dipakai

for m=1:jumtest

idx=ceil(m/jskuji); % kelas nada uji

[nadaout{m},benar(m)]=kenaldct(db,uji(:,m),idx);

end

nadaout

jumlah_benar=sum(benar)

persen_benar=(jumlah_benar/120)*100

%==================================================

% Internal function

%==================================================

function y5=xciridft(y0,frame,seg)

% Ekstraksi ciri

% y0 : sinyal masukan

% frame : panjang frame pada frame blocking

% seg : panjang segmen pada segment averaging

% y5 : hasil ekstraksi ciri

% Frame blocking

hy0=length(y0)/2;

y1=y0(hy0:hy0+frame-1);

% Normalisasi

y2=y1/max(y1);

% Windowing


L41

h=hamming(frame);

y3=y2.*h;

% DFT

x5=abs(dftx(x4));




% Segment averaging

y5=reshape(y4,seg,[]);

y5=mean(y5);

y5=y5(:);

% -------------------------------------------------------

function [nadaout,benar]=kenaldct(db,uji,kelasin)

% Pengenalan

% db : database nada

% uji : nada uji (nada masukan)

% kelasin : kelas nada uji

% Fungsi korelasi


z(n)=jarak(uji,db(:,n));

end

% Pengurutan hasil perhitungan jarak

[s1,s2]=sort(z,'ascend');

bataskorelasi=2; % Batas jarak untuk deteksi error

if s1(1)<bataskorelasi

% Kelas keluaran

kelasout=s2(1);


L42

% Nada keluaran

nada={'A';'A#';'B';'C';'C#';'D';'D#';'E';'F';'F#';'G';'G#'}; %

Ada 12 nada keluaran


% Benar tidaknya hasil pengenalan

if kelasout==kelasin

benar=1;

else

benar=0;

end

else

nadaout='error';

benar=0;

end

% -------------------------------------------------------

function jec=jarak(x,y)

% Jarak Euclidean

% x, y : data masukan

% jec : data keluaran

c1=(x-y).^2;

c2=sum(c1);

jec=sqrt(c2);


L43

LAMPIRAN 5

Hasil Pengenalan Nada Secara Real Time

Tabel L.1. Hasil tingkat pengenalan nada secara real-time pada tabel di bawah ini merupakan

hasil pada Frame blocking 16 dan Segment averaging 2

Input Output Jumlah

dikenali


C 5 3 0 0 0 0 0 0 0 0 2 0 0 5

C# 3 6 0 0 0 0 0 0 0 0 0 1 0 6

D 0 9 1 0 0 0 0 0 0 0 0 0 0 1

D# 0 5 2 3 0 0 0 0 0 0 0 0 0 3

E 2 0 0 0 5 3 0 0 0 0 0 0 0 5

F 0 0 6 2 0 2 0 0 0 0 0 0 0 2

F# 4 0 0 0 0 0 2 4 0 0 0 0 0 2

G 0 0 0 0 0 2 6 2 0 0 0 0 0 2

G# 0 0 0 0 0 0 3 0 3 4 0 0 0 3

A 0 0 0 0 0 0 0 3 0 2 5 0 0 2

A# 0 0 0 0 0 0 0 0 4 3 2 1 0 2

B 0 0 0 0 0 0 0 0 4 1 4 1 0 1

Menggunakan perhitungan rumus persamaan (4.1)



= 34

120 𝑥 100%

= 28,3%


L44



Input Output Jumlah

dikenali


C 4 3 3 0 0 0 0 0 0 0 0 0 4

C# 3 6 0 0 0 0 0 0 0 0 0 1 0 6

D 0 9 1 0 0 0 0 0 0 0 0 0 0 1

D# 0 5 2 3 0 0 0 0 0 0 0 0 0 3

E 3 0 0 0 5 2 0 0 0 0 0 0 0 5

F 0 0 6 1 0 3 0 0 0 0 0 0 0 3

F# 4 0 0 0 0 0 2 4 0 0 0 0 0 2

G 0 0 0 0 0 2 6 2 0 0 0 0 0 2

G# 0 0 0 0 0 0 3 0 3 4 0 0 0 3

A 0 0 0 0 0 0 0 3 0 2 5 0 0 2

A# 0 0 0 0 0 0 0 0 4 3 2 1 0 2

B 0 0 0 0 0 0 0 0 4 1 4 1 0 1




= 34

120 𝑥 100%

= 28,3%


L45



Input Output Jumlah

dikenali


C 8 1 1 0 0 0 0 0 0 0 0 0 8

C# 2 6 0 0 0 0 0 0 0 0 0 2 0 2

D 3 7 0 0 0 0 0 0 0 0 0 0 0 0

D# 0 5 2 3 0 0 0 0 0 0 0 0 0 3

E 3 0 0 0 3 4 0 0 0 0 0 0 0 3

F 0 0 6 1 0 2 0 0 0 0 0 0 0 2

F# 2 0 0 0 0 0 5 3 0 0 0 0 0 5

G 0 0 0 0 0 2 6 2 0 0 0 0 0 2

G# 4 0 0 0 0 0 3 3 0 0 0 0 0 0

A 0 0 0 0 0 0 0 3 0 2 5 0 0 2

A# 0 0 0 0 0 0 0 0 0 3 4 3 0 4

B 0 0 0 0 0 0 0 0 0 0 2 8 0 8




= 39

120 𝑥 100%

= 32.5%


L46



Input Output Jumlah

dikenali


C 1 1 1 7 0 0 0 0 0 0 0 0 1

C# 2 6 0 0 0 0 0 0 0 0 0 2 0 2

D 3 7 0 0 0 0 0 0 0 0 0 0 0 0

D# 0 5 3 2 0 0 0 0 0 0 0 0 0 2

E 3 0 0 0 3 4 0 0 0 0 0 0 0 3

F 0 0 6 1 0 2 0 0 0 0 0 0 0 2

F# 2 3 0 0 0 0 1 4 0 0 0 0 0 1

G 0 0 0 0 0 2 6 2 0 0 0 0 0 2

G# 4 0 0 0 0 0 3 3 0 0 0 0 0 0

A 0 0 0 0 0 0 0 3 0 2 5 0 0 2

A# 0 0 0 0 0 0 0 0 0 3 4 3 0 4

B 0 0 0 0 0 0 0 0 0 3 4 3 0 3




= 22

120 𝑥 100%

= 18,3%


L47



Input Output Jumlah

dikenali


C 1 1 1 5 2 0 0 0 0 0 0 0 1

C# 2 6 0 0 0 0 0 0 0 0 0 2 0 2

D 3 7 0 0 0 0 0 0 0 0 0 0 0 0

D# 0 5 3 2 0 0 0 0 0 0 0 0 0 2

E 3 0 0 0 2 5 0 0 0 0 0 0 0 2

F 0 0 6 1 0 2 0 0 0 0 0 0 0 2

F# 3 0 0 0 0 3 1 3 0 0 0 0 0 1

G 0 0 0 0 0 3 3 4 0 0 0 0 0 4

G# 4 0 0 0 0 0 3 3 0 0 0 0 0 0

A 0 0 0 0 0 0 0 3 0 2 5 0 0 2

A# 2 0 0 0 0 0 0 0 0 4 0 4 0 0

B 3 2 0 0 0 0 0 0 0 0 2 3 0 3




= 19

120 𝑥 100%

= 15,8%


L48


hasil pada Frame blocking 64 dan Segment averaging 2.

Input Output Jumlah

dikenali


C 10 0 0 0 0 0 0 0 0 0 0 0 0 10

C# 0 10 0 0 0 0 0 0 0 0 0 0 0 10

D 0 0 10 0 0 0 0 0 0 0 0 0 0 10

D# 0 0 0 10 0 0 0 0 0 0 0 0 0 10

E 0 0 0 0 10 0 0 0 0 0 0 0 0 10

F 0 0 0 0 0 6 4 0 0 0 0 0 0 6

F# 0 0 0 0 0 0 10 0 0 0 0 0 0 10

G 0 0 0 0 0 0 0 10 0 0 0 0 0 10

G# 4 0 0 0 0 0 0 0 7 3 0 0 0 7

A 0 0 0 0 0 0 0 0 6 1 3 0 0 1

A# 3 3 4 0 0 0 0 0 0 0 0 0 0 0

B 0 0 0 0 0 0 0 0 0 0 0 0 0 10




= 94

120 𝑥 100%

= 78,3%


L49



Input Output Jumlah

dikenali


C 7 3 0 0 0 0 0 0 0 0 0 0 0 7

C# 5 1 4 0 0 0 0 0 0 0 0 0 0 1

D 0 4 2 4 0 0 0 0 0 0 0 0 0 2

D# 0 2 0 1 0 7 0 0 0 0 0 0 0 1

E 0 0 4 4 2 0 0 0 0 0 0 0 0 2

F 0 0 0 0 0 6 4 0 0 0 0 0 0 0

F# 0 0 0 0 0 3 2 5 0 0 0 0 0 2

G 0 0 0 0 0 0 3 6 1 0 0 0 0 6

G# 4 0 0 0 0 0 3 0 0 3 4 0 0 0

A 0 0 0 0 0 0 0 0 5 2 3 0 0 2

A# 3 3 3 0 0 0 0 0 0 0 1 0 0 1

B 0 0 0 0 0 0 0 0 0 4 6 0 0 0




= 24

120 𝑥 100%

= 20%


L50



Input Output Jumlah

dikenali


C 0 2 1 5 2 0 0 0 0 0 0 0 0

C# 2 6 0 0 0 0 0 0 0 0 0 2 0 2

D 3 7 0 0 0 0 0 0 0 0 0 0 0 0

D# 0 5 3 2 0 0 0 0 0 0 0 0 0 2

E 0 0 0 0 8 2 0 0 0 0 0 0 0 8

F 0 0 6 1 0 2 0 0 0 0 0 0 0 2

F# 3 0 0 0 0 3 1 3 0 0 0 0 0 1

G 0 0 0 0 0 4 4 2 0 0 0 0 0 2

G# 4 0 0 0 0 0 3 3 0 0 0 0 0 0

A 0 0 0 0 0 0 0 3 0 2 5 0 0 2

A# 2 0 0 0 0 0 0 0 0 4 0 4 0 0

B 3 3 0 0 0 0 0 0 0 0 4 0 0 0




= 19

120 𝑥 100%

= 15,8%


L51

Tabel L.9. Hasil tingkat pengenalan nada secara real-time pada tabel di bawah ini merupakan hasil

pada Frame blocking 64 dan Segment averaging 16.

Input Output Jumlah

dikenali


C 4 2 4 0 0 0 0 0 0 0 0 0 0 4

C# 2 6 0 0 0 0 0 0 0 0 0 2 0 0

D 3 7 0 0 0 0 0 0 0 0 0 0 0 0

D# 0 5 3 2 0 0 0 0 0 0 0 0 0 0

E 0 0 0 0 8 2 0 0 0 0 0 0 0 1

F 0 0 6 1 0 2 0 0 0 0 0 0 0 2

F# 3 0 0 0 0 3 1 3 0 0 0 0 0 1

G 0 0 0 0 0 4 4 2 0 0 0 0 0 2

G# 4 0 0 0 0 0 3 3 0 0 0 0 0 0

A 0 0 0 0 0 0 0 3 0 2 5 0 0 2

A# 2 0 0 0 0 0 0 0 0 4 0 4 0 0

B 3 3 0 0 0 0 0 0 0 0 4 0 0 0




= 12

120 𝑥 100%

= 10%


L52



Input Output Jumlah

dikenali


C 10 0 0 0 0 0 0 0 0 0 0 0 0 10

C# 0 10 0 0 0 0 0 0 0 0 0 0 0 10

D 0 0 10 0 0 0 0 0 0 0 0 0 0 10

D# 0 0 0 10 0 0 0 0 0 0 0 0 0 10

E 0 0 0 0 10 0 0 0 0 0 0 0 0 10

F 0 0 0 0 0 10 0 0 0 0 0 0 0 10

F# 0 0 0 0 0 0 10 0 0 0 0 0 0 10

G 0 0 0 0 0 0 0 10 0 0 0 0 0 10

G# 0 0 0 0 0 0 0 0 10 0 0 0 0 10

A 0 0 0 0 0 0 0 0 0 10 0 0 0 10

A# 0 0 0 0 0 0 0 0 0 0 10 0 0 10

B 0 0 0 0 0 0 0 0 0 0 0 10 0 10




= 120

120 𝑥 100%

= 100%


L53



Input Output Jumlah

dikenali


C 10 0 0 0 0 0 0 0 0 0 0 0 0 10

C# 0 10 0 0 0 0 0 0 0 0 0 0 0 10

D 0 0 10 0 0 0 0 0 0 0 0 0 0 10

D# 0 0 0 10 0 0 0 0 0 0 0 0 0 10

E 0 0 0 0 10 0 0 0 0 0 0 0 0 10

F 0 0 0 0 0 10 0 0 0 0 0 0 0 10

F# 0 0 0 0 0 0 10 0 0 0 0 0 0 10

G 0 0 0 0 0 0 0 10 0 0 0 0 0 10

G# 0 0 0 0 0 0 0 0 10 0 0 0 0 10

A 0 0 0 0 0 0 0 0 0 10 0 0 0 10

A# 0 0 0 0 0 0 0 0 0 0 10 0 0 10

B 0 0 0 0 0 0 0 0 0 0 0 10 0 10




= 120

120 𝑥 100%

=100%


L54



Input Output Jumlah

dikenali


C 0 0 0 5 2 3 0 0 0 0 0 0 0 0

C# 7 0 3 0 0 0 0 0 0 0 0 0 0 0

D 0 0 10 0 0 0 0 0 0 0 0 0 0 10

D# 0 0 0 0 8 2 0 0 0 0 0 0 0 1

E 0 0 0 0 10 0 0 0 0 0 0 0 0 10

F 0 0 0 4 6 0 0 0 0 0 0 0 0 0

F# 0 0 0 0 4 0 6 0 0 0 0 0 0 6

G 0 0 0 0 0 0 0 10 0 0 0 0 0 10

G# 0 0 0 0 0 0 0 0 10 0 0 0 0 10

A 0 3 7 0 0 0 0 0 0 0 0 0 0 0

A# 0 0 0 0 0 0 0 0 0 0 10 0 0 10

B 0 0 0 8 2 0 0 0 0 0 0 0 0 0




= 57

120 𝑥 100%

= 47,5%


L55



Input Output Jumlah

dikenali


C 0 0 0 0 10 0 0 0 0 0 0 0 0 0

C# 0 0 0 0 10 0 0 0 0 0 0 0 0 0

D 0 0 0 0 10 0 0 0 0 0 0 0 0 0

D# 0 0 0 0 10 0 0 0 0 0 0 0 0 0

E 0 0 0 0 10 0 0 0 0 0 0 0 0 10

F 0 0 0 0 10 0 0 0 0 0 0 0 0 0

F# 0 0 0 0 10 0 0 0 0 0 0 0 0 0

G 0 0 0 0 10 0 0 0 0 0 0 0 0 0

G# 0 0 0 0 10 0 0 0 0 0 0 0 0 0

A 0 3 7 0 10 0 0 0 0 0 0 0 0 0

A# 0 0 0 0 10 0 0 0 0 0 0 0 0 0

B 0 0 0 0 10 0 0 0 0 0 0 0 0 0




= 10

120 𝑥 100%

= 8,3%


L56



Input Output Jumlah

dikenali


C 0 0 5 0 0 0 0 0 0 0 0 5 0 0

C# 4 0 6 0 0 0 0 0 0 0 0 0 0 0

D 4 0 0 6 0 0 0 0 0 0 0 0 0 0

D# 5 0 5 0 0 0 0 0 0 0 0 0 0 0

E 7 0 3 0 0 0 0 0 0 0 0 0 0 0

F 7 0 0 3 0 0 0 0 0 0 0 0 0 0

F# 6 0 4 0 0 0 0 0 0 0 0 0 0 0

G 5 0 0 0 0 0 0 0 0 0 0 5 0 0

G# 3 0 5 2 0 0 0 0 0 0 0 0 0 0

A 0 0 0 0 0 0 0 0 2 8 0 0 0 8

A# 6 0 0 0 0 0 0 0 0 0 0 4 0 0

B 5 0 5 0 0 0 0 0 0 0 0 0 0 0




= 8

120 𝑥 100%

= 6,6%


PENGENALAN NADA PIANIKA MENGGUNAKAN · Sistem pengenalan nada alat musik pianika pada tugas akhir...

Documents

Transcript of PENGENALAN NADA PIANIKA MENGGUNAKAN · Sistem pengenalan nada alat musik pianika pada tugas akhir...