UNIVERSITAS INDONESIA SIMULASI PENGENALAN CHORD …lib.ui.ac.id/file?file=digital/20248996-R030973.pdf · Tabel 4.1 Nama chord dan file chord uji coba ... dan pengelompokannya sesuai

UNIVERSITAS INDONESIA

SIMULASI PENGENALAN CHORD TERISOLASI

BERBASISKAN SPEAKER DEPENDENT DENGAN METODE

HIDDEN MARKOV MODEL

SKRIPSI

Diajukan untuk melengkapi

sebagian persyaratan menjadi sarjana teknik

DAVIT WASTY SIJABAT

0405037065

FAKULTAS TEKNIK

PROGRAM SARJANA TEKNIK ELEKTRO

DEPOK

DESEMBER 2009

ii Universitas Indonesia

HALAMAN PERNYATAAN ORISINALITAS

Skripsi ini adalah hasil karya saya sendiri,

dan semua sumber baik yang dikutip maupun dirujuk

telah saya nyatakan dengan benar.

Nama : Davit Wasty Sijabat

NPM : 0405037065

Tanda Tangan :

Tanggal : Desember 2009

Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009

iii Universitas Indonesia

HALAMAN PENGESAHAN

Skripsi ini diajukan oleh : Nama : Davit Wasty Sijabat NPM : 0405037065 Program Studi : Teknik Elektro Judul Skripsi : Simulasi Pengenalan Chord Terisolasi Berbasiskan

Speaker Dependent dengan Metode Hidden Markov

Model

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima

sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar

Sarjana Teknik pada Program Studi Teknik Elektro Fakultas Teknik

Universitas Indonesia

DEWAN PENGUJI

Pembimbing : Prof. Dr. Ir. Dadang Gunawan M.Eng (...................................) Penguji : Dr. Ir. Arman Djohan Diponegoro (...................................) Penguji : Filbert Hilman Juwono, S.T, M.T ( ..................................) Ditetapkan di : Depok Tanggal : Desember 2009


iv Universitas Indonesia

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Allah Yang Maha Kuasa, karena atas berkat

dan rahmat-Nya, penulis dapat menyelesaikan skripsi ini. Penulisan skripsi ini

dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Sarjana

Teknik Jurusan Teknik Elektro pada Fakultas Teknik Universitas Indonesia.

Penulis menyadari bahwa, tanpa bantuan dan bimbingan dari berbagai pihak, dari

masa perkuliahan sampai pada penyusunan skripsi ini, sangatlah sulit bagi penulis

untuk menyelesaikan skripsi ini. Oleh karena itu, penulis mengucapkan terima

kasih kepada:

1. Prof. Dr. Ir. Dadang Gunawan M.Eng selaku pembimbing yang telah

menyediakan waktu, tenaga, dan pikiran untuk mengarahkan penulis dalam

penyusunan skripsi ini;

2. Orang tua dan keluarga penulis yang telah memberikan bantuan dukungan

material dan moral;

3. Indrabayu, mahasiswa program S3 atas saran-sarannya dalam memperbaiki

simulasi skripsi ini;

4. Teman-teman elektro 2005, secara khusus Rizky yang telah banyak

membantu penulis dalam menyelesaikan skripsi ini.

Akhir kata, penulis berharap Tuhan Yang Maha Esa berkenan membalas segala

kebaikan semua pihak yang telah membantu. Semoga skripsi ini membawa

manfaat bagi pengembangan ilmu.

Depok, Desember 2009

Penulis


v Universitas Indonesia

ABSTRAK

Nama : Davit Wasty Sijabat Program Studi : Teknik Elektro Judul : Simulasi Pengenalan Chord Terisolasi Berbasiskan Speaker Dependent dengan Metode Hidden Markov Model

Dalam proses pengarsipan musik dijital, dilakukan penyimpanan sejumlah informasi nada yang terkandung di dalamnya, contohnya chord. Chord merupakan salah satu atribut penting dalam musik yang nantinya akan mempengaruhi harmoni dan melodi suatu musik. Oleh karena itu, dalam menganalisis keseluruhan struktur harmoni dari sebuah bagian musik sering dimulai dengan melabelkan setiap chord pada bagian musik tersebut.

Skripsi ini mensimulasikan pengenalan chord terisolasi dengan metode HMM. Prosesnya meliputi pelatihan dan pengenalan. Tahap pelatihan antara lain melabelkan chord, membuat codebook, dan memodelkan HMM. Proses pengenalan chord mengacu pada nilai yang mendekati probabilitas database yang telah dibuat.

Berdasarkan hasil variasi beberapa bobot codebook dan repetisi, maka akurasi sistem paling optimal bernilai 98,33%, yaitu kombinasi bobot codebook 128 dan repetisi 20.

Kata kunci : chord, label, codebook, database, repetisi, probabilitas, HMM.


vi Universitas Indonesia

ABSTRACT

Name : Davit Wasty Sijabat Study Program : Electrical Engineering Title : Simulation of Isolated Chord Recognition Based on Speaker Dependent with Hidden Markov Model

Setting databases of digital music - there are much information of tones saved, for example chords. Chord is one of the most important part of music that build the harmonic structure and its melody. Hence, analyzing the overall harmonic structure of musical piece often starts with labelling every chord at the part of music being analyzed.

This minithesis had simulated isolated chord recognition with HMM method. There are two main processes : training and recognition. Training consists of labelling every chord, making codebook, and modelling HMM parameters. The recognition value reference on the probability value that approach database had been made.

Based on the simulation with variation combined both codebook and repetion, thus the optimum value of this system is 98,33% that both combination codebook 128 and repetion 20.

Keywords : chord, label, codebook, database, repetion, probability, HMM.


vii Universitas Indonesia

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI

TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di

bawah ini:

Nama : Davit Wasty Sijabat

NPM : 0405037065

Program studi : S1 Reguler Teknik Elektro

Fakultas : Teknik

Jenis karya : Skripsi

demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan

kepada Universitas Indonesia Hak Bebas Royalti Noneksklusif (Non-

exclusive Royalty-Free Right) atas skripsi saya yang berjudul :

“Simulasi Pengenalan Chord Terisolasi Berbasiskan Speaker Dependent dengan

Metode Hidden Markov Model”

beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti

Noneksklusif ini Universitas Indonesia berhak menyimpan, mengalih-mediakan,

mengelola dalam bentuk pangkalan data (database), merawat, dan

mempublikasikan tugas akhir saya selama tetap mencantumkan nama saya

sebagai penulis/pencipta dan sebagai pemilik Hak Cipta.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Depok

Pada tanggal : Desember 2009

Yang menyatakan

(………….)


viii Universitas Indonesia

DAFTAR ISI

HALAMAN JUDUL ....................................................................................... i

HALAMAN PERNYATAAN ORISINALITAS .............................................. ii

HALAMAN PENGESAHAN .......................................................................... iii

KATA PENGANTAR ..................................................................................... iv

ABSTRAK ...................................................................................................... v

ABSTRACT .................................................................................................... vi

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR

UNTUK KEPENTINGAN AKADEMIS ......................................................... vii

DAFTAR ISI ................................................................................................... viii

DAFTAR TABEL ........................................................................................... x

DAFTAR GAMBAR ....................................................................................... xi

DAFTAR SINGKATAN .................................................................................. xii

BAB 1 PENDAHULUAN ................................................................................ 1

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

1.2 Tujuan Penelitian.............................................................................. 2

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

1.4 Metode Penelitian ............................................................................. 3

1.5 Sistematika Penulisan ....................................................................... 3

BAB 2 MUSIK DAN DASAR-DASAR PENGOLAHAN SINYAL SUARA . 5

2.1 Dasar Teori Musik ............................................................................ 5

2.1.1 Tangga Nada Kromatik ............................................................ 5

2.1.2 Tangga Nada Mayor ................................................................ 6

2.1.3 Interval .................................................................................... 7

2.1.4 Pasangan Chord ....................................................................... 9

2.2 Speech Recognition .......................................................................... 11

2.2.1 Tipe-tipe Speech Recognition ................................................... 11

2.2.1.1 Isolated Speech Recognition ......................................... 12

2.2.1.2 Continuous Speech Recognition ................................... 12


ix Universitas Indonesia

2.2.1.3 Speaker Dependent....................................................... 12

2.2.1.4 Speaker Independent .................................................... 13

2.3 Proses-Proses Dalam Sistem Pengenalan Suara Chord ...................... 13

2.3.1 Sampling .................................................................................. 14

2.3.2 Ekstraksi Fitur ......................................................................... 14

2.3.2.1 Frame Blocking ............................................................ 16

2.3.2.2 Windowing ................................................................... 16

2.3.2.3 Discrete dan Fast Fourier Trasform ............................. 17

2.3.2.4 Mel Frequency Warping ............................................... 18

2.3.2.5 Cepstrum ...................................................................... 18

2.3.3 Kuantisasi Vektor .................................................................... 19

2.4 Hidden Markov Model ...................................................................... 22

BAB 3 DISAIN SIMULASI ............................................................................. 26

3.1 Pembuatan Database dan Proses Pembelajaran................................. 26

3.1.1 Tahap Pelabelan ....................................................................... 27

3.1.2 Pembuatan Codebook .............................................................. 29

3.1.3 Pembentukan Model HMM dan Proses Pembelajaran .............. 31

3.2 Proses Pengenalan ............................................................................ 33

BAB 4 HASIL SIMULASI dan ANALISIS .................................................... 36

4.1 Hasil Simulasi .................................................................................. 36

4.1.1 Hasil Uji Coba Chord C Mayor................................................ 37

4.1.2 Hasil Uji Coba Chord D Minor ................................................ 38

4.1.3 Hasil Uji Coba Chord E Minor ................................................ 38

4.1.4 Hasil Uji Coba Chord F Mayor ................................................ 39

4.1.5 Hasil Uji Coba Chord G Mayor ............................................... 40

4.1.6 Hasil Uji Coba Chord A Minor ................................................ 41

4.2 Pengolahan Hasil Percobaan ............................................................. 41

4.3 Analisis ............................................................................................ 42

4.3.1 Analisis Sistem Pengenalan Sinyal Masukan Chord ................. 43

4.3.2 Analisis Unjuk Kerja Sistem Berdasarkan Variabel Codebook . 45

4.3.3 Analisis Unjuk Kerja Sistem Berdasarkan Variabel Repetisi .... 47

BAB 5 KESIMPULAN .................................................................................... 50

REFERENSI .................................................................................................... 51


x Universitas Indonesia

DAFTAR TABEL

Tabel 2.1 Tangga nada kromatik dalam musik ............................................ 6

Tabel 2.2 Interval pada musik .................................................................... 8

Tabel 2.3 Tingkat dan Interval pada musik ................................................. 9

Tabel 2.4 Penggolongan Triad .................................................................... 11

Tabel 4.1 Nama chord dan file chord uji coba ............................................ 36

Tabel 4.2 Hasil uji coba chord C mayor ..................................................... 37

Tabel 4.3 Hasil uji coba chord D minor ...................................................... 38

Tabel 4.4 Hasil uji coba chord E minor ...................................................... 39

Tabel 4.5 Hasil uji coba chord F mayor ...................................................... 39

Tabel 4.6 Hasil uji coba chord G mayor ..................................................... 40

Tabel 4.7 Hasil uji coba chord A minor ...................................................... 41

Tabel 4.8 Persentase pengenalan masing-masing label chord ..................... 42

Tabel 4.9 Hasil akurasi keseluruhan sistem ................................................ 42


xi Universitas Indonesia

DAFTAR GAMBAR

Gambar 2.1 Contoh cara penulisan interval .................................................... 7

Gambar 2.2 Visualisasi tangga nada mayor dalam paranada ........................... 7

Gambar 2.3 Prosesor MFCC .......................................................................... 15

Gambar 2.4 Contoh codeword pada ruang dua dimensi .................................. 20

Gambar 2.5 Model Markov (a) ergodic, (b) left-right ..................................... 22

Gambar 3.1 Diagram alir pembuatan database ............................................... 27

Gambar 3.2 Tahap pemberian label chord ...................................................... 28

Gambar 3.3 Tahap pembuatan codebook ........................................................ 30

Gambar 3.4 Tahap pembentukan model HMM............................................... 32

Gambar 3.5 Diagram alir proses pengenalan chord terisolasi ......................... 34

Gambar 3.6 Tampilan proses pengenalan chord terisolasi .............................. 35


xii Universitas Indonesia

DAFTAR SINGKATAN

MIR Music Information Retrieval

HMM Hidden Markov Model

LPC Linear Prediction Coding

MFCC Mel Frequency Cepstrum Coefficient

DFT Discrete Fourier Transform

FFT Fast Fourier Transform

DCT Discrete Cosine Transform

VQ Vector Quantization

GLA General Lloyd Algorithm

LBG Linde, Buzo, Gray

LoP Log of Probability


1 Universitas Indonesia

BAB 1

PE�DAHULUA�

1.1 Latar Belakang

Perkembangan jumlah ketersediaan musik dijital mengalami peningkatan.

Hal ini dapat dipengaruhi oleh banyaknya jumlah peminat musik dan bagaimana

teknologi yang semakin maju dalam menyediakan permintaan tersebut.

Berdasarkan karakter musik, maka musik merupakan suatu seni yang dapat

dinikmati oleh berbagai orang dengan berbagai budaya. Misalnya saja, musik

daerah di Indonesia dinikmati oleh orang Eropa, atau bahkan musik Barat yang

banyak digemari oleh orang-orang di Indonesia. Kemudian, perkembangan

teknologi memungkinkan setiap orang dapat menikmati dan mengakses musik

dimanapun dan kapanpun. Oleh karena itu, perkembangan musik dijital mendapat

perhatian khusus dalam bisnis musik saat ini.

Music Information Retrieval (MIR) merupakan suatu disiplin ilmu yang

sangat dibutuhkan karena penggunaannya yang luas di bidang musik. Salah satu

aplikasi yang dapat diterapkan adalah dalam bidang pengarsipan musik tersebut

dan pengelompokannya sesuai dengan genre masing-masing lagu yang diarsipkan.

Banyak lagu-lagu sekarang mudah dilakukan pembajakan, sehingga penting sekali

dilakukan pengarsipan musik dimana dilakukan penyimpanan informasi nada

yang ada di dalamnya [1].

Pengarsipan musik dijital dan pengelompokan genre tentunya dapat

dilakukan dengan pengetahuan yang cukup baik akan musik dan jenis-jenisnya.

Dalam musik dikenal suatu istilah kunci, yang merupakan representasi dari

distribusi pitch, not-not, dan pola nada yang dibentuk di dalamnya, serta disertai

pula dengan tanda kres (#) maupun mol (b) yang menandakan perubahan nada

tersebut. Kunci dan chord merupakan atribut penting dalam musik, yang nantinya

akan mempengaruhi harmoni dan melodi suatu musik. Progresifitas chord juga

dipengaruhi oleh kunci musik tersebut dan pola yang berlaku di dalamnya. Oleh


2


karena itu, dalam menganalisis keselurahan struktur harmoni dari sepotong lagu

sering dimulai dengan melabelkan setiap chord pada setiap ketukan (beat) atau

diukur berdasarkan kuncinya [2].

Pengenalan chord secara otomatis akan sangat menolong dalam

menganalisis musik. Barisan chord yang dapat dikenali secara otomatis, nantinya

akan dapat memperlihatkan sinyal-sinyal musik tersebut, dan bahkan dapat

diaplikasikan dalam identifikasi jenis musik, segmentasi musik, menemukan

kesamaan musik, ringkasan audio, dan klasifikasi mood dari musik tersebut [2].

Dalam proses pengolahan dan pengenalan sinyal suara (Speech/Voice

Recognition), berbagai metode telah banyak diterapkan. Beberapa metode

diantaranya adalah Fuzzy Logic, "eural "etwork, dan Hidden Markov Model

(HMM). Penggunaan metode HMM lebih kompleks dibandingkan metode

pengenalan dengan Fuzzy Logic, dan "eural "etwork, tetapi menghasilkan

pengenalan yang lebih optimum. Oleh karena itu, dalam skripsi ini akan dilakukan

proses pengenalan chord terisolasi dengan penerapan Speech Recognition (Speech

to Text) melalui metode HMM.

1.2 Tujuan Penulisan

Tujuan penulisan skripsi ini adalah merancang sistem perangkat lunak

untuk pengenalan chord terisolasi dengan menggunakan metode HMM. Selain itu,

skripsi ini juga bertujuan untuk membandingkan akurasi (unjuk kerja) perangkat

lunak sistem pengenalan chord terisolasi terhadap variasi jumlah repetisi serta

bobot codebook.

1.3 Batasan Masalah

Sistem yang dipakai dalam perangkat lunak ini adalah non-real time. Data

suara yang diambil berasal dari instrumen gitar akustik. Jenis pukulan gitar dalam

memainkan chord dilakukan dengan lembut, keras, cepat, dan biasa. Data akan

terlebih dahulu direkam dan diolah dengan suatu perangkat lunak pengolah


3


gelombang suara yang kemudian diproses untuk menjadi label dalam identifikasi

(terisolasi). Pada penelitian ini, chord yang diidentifikasi terbatas pada chord C

triad (mayor dan minor), sehingga akan terdapat 6 chord yang akan menjadi 6

label. Setiap label akan terdiri dari 50 database suara dalam format “.wav” dan 10

sampel uji yang diambil secara tidak langsung dalam format dijital dengan variasi

jumlah repetisi, serta variasi codebook 32, 64, dan 128.

1.4 Metode Penelitian

Metode-metode yang digunakan dalam penulisan skripsi ini antara lain :

1. Studi kepustakaan.

Mempelajari dasar teori musik seperti tangga nada kromatik, nada mayor,

minor, dan pasangan chord, serta proses pengenalan suara dengan HMM

dari berbagai buku, jurnal, dan artikel terkait lainnya.

2. Pengumpulan data

Mengumpulkan data-data yang diperlukan, dalam hal ini sampel suara

chord dari sebuah instrumen gitar akustik yang direkam sendiri.

3. Simulasi perangkat lunak

Pada tahap ini dilakukan pengujian sistem pengenalan chord terisolasi

dengan sebuah perangkat lunak dan membandingkan akurasi (unjuk kerja)

pengenalan dengan berbagai variasi bobot repetisi, serta codebook.

1.5 Sistematika Penulisan

Sistematika penulisan skripsi ini adalah sebagai berikut.

BAB 1 PE�DAHULUA�

Bab ini berisi latar belakang, tujuan penulisan, batasan masalah, dan

sistematika penulisan untuk memberikan gambaran umum mengenai

skripsi

BAB 2 MUSIK dan DASAR-DASAR PE�GOLAHA� SI�YAL SUARA

Bab ini menjelaskan dasar teori musik secara umum dan chord secara


4


khusus, dasar-dasar speech recognition, Hidden Markov Model, dan

teori-teori lainnya yang mendukung simulasi.

BAB 3 DISAI� SIMULASI

Pada bab ini dijelaskan alur disain perangkat lunak berupa digram alir

pembentukan database dan proses pengenalan chord, tampilan

simulasi, dan cara penggunaannya.

BAB 4 HASIL SIMULASI dan A�ALISIS

Bab ini membahas hasil uji coba berdasarkan variasi parameter

tertentu dan melakukan analisis terhadap hasil simulasi.

BAB 5 KESIMPULA�

Pada bagian ini akan disimpulkan hal-hal yang telah diperoleh dari

keseluruhan penelitian.



BAB 2

MUSIK DA� DASAR-DASAR PE�GOLAHA�

SI�YAL SUARA

2.1 Dasar Teori Musik

Musik adalah sekumpulan nada yang memiliki kepaduan dan harmonisasi

yang terikat dalam satu irama dan tempo yang beraturan. Musik memiliki abjad

yang disebut sebagai tangga nada (scale). Setiap nada identik dengan huruf yang

nantinya membentuk suatu chord. Kemudian chord tersebut bersama-sama

membentuk frasa (kalimat musik). Sekumpulan frasa (kalimat musik) yang baik

akan membentuk lagu yang dapat dinyanyikan. Oleh karena itu, chord merupakan

sebuah kosakata. Kosakata saja tidak cukup, melainkan harus dapat membentuk

suatu kata yang bermakna ketika diucapkan dan akhirnya membentuk kalimat

yang baik, yang dapat dimengerti oleh orang lain [1].

Dalam seni musik dan musikologi dikenal istilah tangga nada. Tangga nada

merupakan suatu kumpulan nada-nada yang harmonis dengan aturan tertentu yang

mendasarinya.

2.1.1 Tangga �ada Kromatik

Kumpulan dari semua nada dalam musik disebut sebagai tangga nada

kromatik. Kromatik merupakan sebuah kata yang berasal dari bahasa Yunani,

chroma, yang artinya warna. Dalam hal ini tangga nada kromatik berarti “nada

setiap warna”. Sama seperti spektrum warna dengan frekuensi yang berbeda-beda,

demikian halnya dengan nada. Karena nada selalu berulang untuk tiap oktaf yang

ada, maka istilah “tangga nada kromatik” sering dipakai untuk kedua belas nada

dari tiap oktaf [1].

Perbedaan antara dua buah nada (pitch) yang berdekataan disebut sebagai

semitone. Meskipun ada 12 nada dalam satu oktaf, tetapi hanya 7 huruf pertama

dari abjad yang dipakai untuk memberi nama pada nada, yaitu dari A sampai G.


6


Kelima nada lain dalam satu oktaf tersebut diberi nama dengan memberikan tanda

kres (#) atau mol (b) setelah notasi nada. Tabel 2.1 menunjukkan frekuensi kedua

belas nada antara nada A pada 440 Hz dengan nada A satu oktaf di atasnya.

Tabel 2.1. Tangga nada kromatik dalam musik [1]

Karena dalam tangga nada kromatik ada 12 nada, maka dapat dibuat

berbagai tangga nada dengan membuat suatu kombinasi dari nada-nada tersebut.

2.1.2 Tangga �ada Mayor

Tangga nada mayor adalah tangga nada yang sangat umum dipakai untuk

musik Barat (western). Saat dimainkan secara berurutan, tangga nada mayor ini

dikenal dengan istilah do-re-mi-fa-so-la-si-do. Jarak antara dua buah nada yang

berdekatan disebut semitone, dan dua buah semitone disebut dengan tone. Tangga

nada ini disusun berdasarkan suatu aturan khusus, yaitu kombinasi interval

semitone antara nada-nada yang ada. Aturannya adalah sebagai berikut [1]:

2 (tone) - 2 (tone) - 1 (semitone) - 2 (tone) - 2 (tone) - 2 (tone) - 1 (semitone)

atau ada juga yang menggunakan interval seperti pada Gambar 2.1 berikut.


7


Gambar 2.1 Contoh cara penulisan interval [1]

Dalam paranada dapat ditunjukkan seperti pada Gambar 2.2 berikut.

Gambar 2.2 Visualisasi tangga nada mayor dalam paranada[1]

2.1.3 Interval

Interval adalah jarak antara dua buah nada. Ada banyak ukuran interval

yang dipakai untuk membuat tangga nada. Dalam penjelasan sebelumnya, interval

yang dipakai untuk membentuk tangga nada adalah 2-2-1-2-2-2-1 (semitone).

Tangga nada dalam nada kromatik tidak hanya tangga nada mayor. Ada banyak

jenis tangga nada lainnya. Semuanya dibuat berdasarkan aturan terhadap interval.

Ukuran variasi interval tidak hanya memberikan perbedaan suara, tetapi

juga kesan dan 'rasa' yang ditangkap oleh pendengar. Untuk ukuran interval

tertentu, campuran nada dapat dirasakan begitu cocok (consonant), namun dapat

juga kedengaran kurang cocok (dissonant). Kombinasi consonant dan dissonant

sangat diperlukan dalam musik. Musik yang hanya berisi consonant akan

terdengar lembut dan dan lunak. Pemberian dissonant akan memberikan 'tekstur'

pada musik[1].

Berikut ini diberikan ukuran interval (dalam semitone) dan namanya, serta

penjelasan singkat dalam Tabel 2.2. Untuk kemudahan istilah, maka bagian ini

disajikan dalam bahasa Inggris.


8


Tabel 2.2 Interval pada musik[1]

Nama dan ukuran tiap interval tersebut sangat penting, khususnya ketika

membuat sebuah chord. Chord dibuat dengan mengombinasikan interval yang

ada dan memainkan tiga atau lebih nada secara serentak. Ada banyak jenis chord,

dan masing-masing dibuat berdasarkan formula yang unik dari pengombinasian

interval nada. Tiap interval diukur dari nada awal (nada dasar) dari tipe chord

yang disusun. Misalnya, dalam membuat chord C, maka nada C dihitung sebagai

nada awal (nada dasar) dalam perhitungan interval.

Interval dari tipe chord yang disusun dari nada dasar dikenal sebagai

tingkat (degree). Penamaan ini mirip dengan nama interval, hanya tingkat ini lebih

sering dipakai karena penulisannya yang singkat. Pada Tabel 2.3 akan diberikan

daftar penamaan tingkat dan ekivalennya dengan interval dan ukuran interval

(dalam semitone). Untuk tetap menjaga kemudahan istilah, tetap disajikan dalam

bahasa Inggris.


9


Tabel 2.3 Tingkat dan Interval pada Musik[1]

Tingkat dan interval ini sangat penting dalam penyusunan sebuah chord.

Misalnya saja, dalam membuat chord mayor, dibutuhkan nada dari tingkat 1, 3,

dan 5. Jadi, saat menyusun chord C mayor, nada yang dimainkan adalah C, E, dan

G (tingkat 1,3, dan 5 dari tangga nada C mayor).

2.1.4 Pasangan Chord

Dalam mengiringi sebuah lagu, maka jenis chord yang dimainkan juga

tergantung pada nada dasar lagu tersebut. Selain itu, untuk menentukan pasangan

chord yang dipakai untuk mengiringi lagu juga memiliki aturan tersendiri. Untuk

memudahkan pencarian formulanya, ada baiknya dimulai dengan menganalisis

dari sistem tangga nada C mayor.

Tangga nada C mayor adalah : C – D – E – F – G – A – B – C . Masing-

masing dari tangga nada C mayor ini dicari triad-nya, sehingga pasangan chord C

mayor adalah [1]:


10


Triad : C – E – G

Tingkat : 1 – 3 – 5

chord : C mayor

Triad : D – F – A

Tingkat : 1 – b3 – 5

chord : D minor

Triad : E – G – B


chord : E minor

Triad : F – A – C

Tingkat : 1 – 3 – 5

chord : F mayor

Triad : G – B – D

Tingkat : 1 – 3 – 5

chord : G mayor

Triad : A – C – E


chord : A minor

Triad : B – D – F

Tingkat : 1 – b3 – b5

chord : B diminished

Berdasarkan penurunan di atas, terdapat 3 buah triad mayor, yaitu pada

tingkat 1, 4, dan 5 relatif terhadap tangga nada C mayor. Hal ini berarti, bila


11


mengiringi sebuah lagu dari nada C mayor, pasangan chord lainnya adalah F

mayor dan G mayor (biasanya cukup ditulis F dan G saja). Selain itu, didapati

pula 3 buah chord minor, yaitu pada tingkat 2, 3, dan 6 relatif terhadap tangga

nada C mayor. Ini juga berarti, pasangan chord lainnya yang mengiringi chord C

mayor adalah D minor (Dm), E minor (Em), dan A minor (Am). Terakhir, terdapat

suatu chord diminished, yaitu B diminis (Bdim).

Penggolongan chord triad sering dituliskan dalam Tabel 2.4 berikut :

Tabel 2.4 Penggolongan Triad[1]

2.2 Speech Recognition

Speech to text atau konversi dari bentuk suara menjadi betuk teks

merupakan aplikasi dari speech recognition. Pada dasarnya, speech recognition

dilakukan dengan membandingkan pola karakteristik tertentu dari sinyal suara

yang masuk (yang akan dikenali) dengan pola karaktersitik yang akan menjadi

referensi atau acuan untuk mengenali suara yang masuk tersebut [3].

2.2.1 Tipe-tipe Speech Recognition

Berdasarkan pengucapannya, maka speech recognition dapat dibagi

menjadi dua jenis, yaitu isolated speech recognition (diskrit) dan continuous

speech recognition (kontinu) [3].


12


2.2.1.1 Isolated Speech Recognition

Pada tipe ini pengucapan kata oleh seseorang dilakukan secara terpisah

atau terputus-putus per kata. Misalnya, ketika mengucapkan dua kata, seseorang

harus memberikan jeda waktu antara kata pertama dan kata kedua. Jadi, pada tipe

ini lebih jelas awal dan akhir suatu kata. Pada isolated speech recognition, faktor-

faktor bahasa kurang berpengaruh. Faktor yang memberikan pengaruh cukup

besar pada tipe ini adalah karakteristik alat-alat vokal pembicara disamping faktor

derau yang menyertai pengucapan suatu kata.

2.2.1.2 Continuous Speech Recognition

Kata-kata dalam suatu kalimat diucapkan seperti layaknya orang berbicara.

Tidak harus ada jeda antar kata seperti isolated speech recognition. Tingkat

kompleksitasnya tinggi. Tingkat kompleksitas pada tipe ini menjadi lebih tinggi

dan dalam aplikasi juga menjaid lebih rumit karena :

1. Penentuan awal dan akhir dari suatu kata jauh lebih sulit dibandingkan

dengan jika kata-kata diucapkan secara terpisah.

2. Dalam suatu kalimat, arti kata sangat ditentukan oleh konteks kalimat

tersebut.

3. Karaktersitik bahasa memberikan pengaruh yang sangat berarti.

4. Logat atau dialek dari pembicara juga memberikan pengaruh yang sangat

besar berkaitan dengan karakteristik bahasa yang digunakan.

Berdasarkan ketergantungan terhadap pembicara dan pengucapannya atau

pola susunan katanya, terdiri dari speaker dependent dan speaker independent.

2.2.1.3 Speaker Dependent

Pada speaker dependent, sistem dibuat hanya untuk mengenali suara atau

kata dari orang tertentu atau mengenali speaker tunggal. Suara dari orang tertentu

akan disimpan sebagai referensi yang menjadi acuan dalam proses pengenalan.

Sistem ini sangat cocok untuk mengenali orang yang berbicara dari suatu sinyal


13


suara. Selain itu, sistem ini biasanya lebih murah, lebih akurat, dan lebih mudah

dibuat. Namun, sistem ini tidak fleksibel jika dibandingankan dengan jenis

speaker independent karena sulit beradaptasi dengan karakteristik pembicara baru.

Pada sistem speaker dependent, identifikasi dilakukan dengan

membandingkan kesamaan antara hasil ekstraksi fitur dari sinyal masukan dengan

acuan sinyal suara yang ada.

2.2.1.4 Speaker Independent

Pada speaker independent, sistem dibuat untuk mengenali suara atau kata

dari banyak orang. Referensi yang digunakan adalah kata, phrase, atau kalimat

yang berlaku umum untuk semua pembicara. Referensi yang digunakan diperoleh

dari hasil pelatihan sistem yang berasal dari beberapa orang yang mewakili sinyal

suara dari semua orang secara umum. Sistem ini lebih kompleks dibandingkan

speaker dependent dan akurasinya lebih rendah, tetapi lebih fleksibel.

Pada tahap pengenalan, sinyal suara masukan dikuantisasi vektor dengan

menggunakan bobot codebook dari setiap pembicara yang menjadi acuan dalam

pengenalan sinyal suara masukan.

2.3 Proses-Proses Dalam Sistem Pengenalan Suara Chord

Dalam menganalisis urutan chord dari potongan musik yang dimainkan

menggunakan suatu media komputerisasi dilakukan beberapa proses. Sinyal

masukan akustik analog diubah menjadi sinyal dijital melalui proses sampling.

Setelah itu, informasi yang terkandung di dalam sinyal masukan diekstraksi dan

diubah ke dalam data-data vektor. Data vektor ini kemudian dikuantisasi dengan

teknik VQ untuk melihat persebarannya pada cluster. Vektor pada cluster ini akan

menentukan letak centroid yang kemudian dikumpulkan di dalam suatu

codeword/codevector. Kumpulan beberapa codeword disebut codebook [4]. Nilai-

nilai codeword inilah yang digunakan untuk menentukan parameter-parameter

HMM. Proses lengkapnya akan dijelaskan pada bagian berikut ini.


2.3.1 Sampling

Sampling adalah suatu proses untuk membagi

dalam interval waktu yang telah ditentukan.

mengubah sinyal analog menjadi sinyal dijital dalam fungsi waktu. Pengubahan

bentuk sinyal ini bertujuan untuk mempermudah memroses sinyal masukan yang

berupa analog karena sinyal analog memiliki kep

rendah, sehingga sulit untuk memproses sinyal tersebut.

Parameter-parameter yang menentukan hasil

interval yang digunakan. Frekuensi

Nyquist, yaitu besarnya nilai frekuensi

dari sinyal masukan, yang dinyatakan dengan [5]:

dimana :

adalah frekuensi sampling

adalah frekuensi tertinggi sinyal masukan

2.3.2 Ekstraksi Fitur

Ekstraksi fitur atau

sampel sinyal akan diubah

yang dapat digunakan untuk

(LPC) dan Mel Frequency

akan digunakan pada proses

menggunakan MFCC.

Mel Frequency Cepstral Coefficient

dibandingkan dengan metode lainnya, antara lain [5]:

1. Mampu menangkap informasi

sinyal suara.

2. Menghasilkan data seminimal mungkin, tanpa menghilan

informasi penting yang ada.

3. Mengadaptasi organ pendengaran manusia dalam melakukan persepsi


adalah suatu proses untuk membagi-bagi suatu sinyal kontinu

ktu yang telah ditentukan. Sampling ini dilakukan dengan



berupa analog karena sinyal analog memiliki kepekaan terhadap noise

rendah, sehingga sulit untuk memproses sinyal tersebut.

parameter yang menentukan hasil sampling adalah panjang

interval yang digunakan. Frekuensi sampling yang digunakan mengikuti aturan

besarnya nilai frekuensi sampling harus dua kali frekuensi tertinggi

dari sinyal masukan, yang dinyatakan dengan [5]:

( 2.1 )

sampling

adalah frekuensi tertinggi sinyal masukan

Ekstraksi fitur atau feature extraction merupakan proses dimana tiap

diubah menjadi vektor-vektor data. Terdapat beberapa

untuk proses ini, antara lain Linear Prediction

Frequency Cepstrum Coefficient (MFCC) [6]. Metode

proses ekstraksi dalam pengenalan suara ini adalah dengan

Mel Frequency Cepstral Coefficient (MFCC) memiliki beberapa keunggulan

dibandingkan dengan metode lainnya, antara lain [5]:

Mampu menangkap informasi-informasi penting yang terkandung dalam

Menghasilkan data seminimal mungkin, tanpa menghilangkan informasi

informasi penting yang ada.

Mengadaptasi organ pendengaran manusia dalam melakukan persepsi

14


bagi suatu sinyal kontinu

ini dilakukan dengan



noise yang

adalah panjang

yang digunakan mengikuti aturan

harus dua kali frekuensi tertinggi

( 2.1 )

ana tiap-tiap

beberapa metode

Prediction Coding

Metode yang

alah dengan

(MFCC) memiliki beberapa keunggulan

informasi penting yang terkandung dalam

gkan informasi-

Mengadaptasi organ pendengaran manusia dalam melakukan persepsi


15


terhadap sinyal suara.

4. Menghasilkan pendekatan yang lebih baik terhadap sistem pendengaran

manusia karena menggunakan fungsi logaritmik dalam perhitungannya.

MFCC di sini bertujuan untuk menghasilkan cepstrum yang akan

digunakan dalam membentuk codeword. Blok diagram dari MFCC ditunjukkan

pada Gambar 2.3 berikut.

Gambar 2.3 Prosesor MFCC

Proses MFCC diawali dengan membagi sinyal (suara) menjadi beberapa frame

melalui proses frame blocking. Setelah itu dilakukan windowing pada setiap

frame. Windowing bertujuan untuk meminimalisasi diskontinuitas sinyal dan

distorsi spektral. Kemudian dari setiap frame dicari spektrum amplitudonya

dengan terlebih dahulu mengubah masing-masing frame dari domain waktu ke

domain frekuensi dengan menggunakan Fast Fourier Transform (FFT).

Selanjutnya dilakukan proses mel-frequency wrapping untuk memperoleh sinyal

spektrum dalam mel-scale dari hasil FFT. Langkah terakhir adalah mengubah

hasil log mel spectrum ke dalam domain waktu dan menghasilkan MFCC sebagai

hasil akhir.

Urutan dan cara kerja MFCC dapat dijelaskan sebagai berikut [7].

Mel

Spectrum

Frame Blocking

Signal Frame

Spectrum

Mel

Cepstrum

Windowing FFT

Mel Frequency

Wrapping Cepstrum


2.3.2.1 Frame Blocking

Proses frame blocking

sejumlah N-frame berdasarkan persamaan :

N = fs x t

dimana :

N = jumlah frame

fs = frekuensi sampling

t = durasi sampel

2.3.2.2 Windowing

Windowing dilakukan untuk memperkecil pen

diskontinu di awal dan di akhir masing

dipotong-potong menjadi beberapa

sehingga menyebabkan kesalahan data pada proses transformasi Fourier.

Windowing diperlukan untuk mengurangi efek diskontinuitas dari potongan

potongan sinyal.

Ada banyak jenis

Masing-masing window

digunakan metode Hamming Window

level yang tidak terlalu tinggi (kurang lebih

tidak terlalu besar. Berikut ini adalah

dimana :

N = lebar filter

n = 0,1,...,(N-1)/2 , untuk N ganjil

n = 0,1,...,(N/2)-1 , untuk N genap

Hasil dari proses windowing


Frame Blocking

blocking dilakukan dengan membagi sinyal suara menjadi

berdasarkan persamaan :

dilakukan untuk memperkecil penyimpangan pada sinyal yang

diskontinu di awal dan di akhir masing-masing frame. Sinyal suara yang

potong menjadi beberapa frame akan menyebabkan efek diskontinuitas


perlukan untuk mengurangi efek diskontinuitas dari potongan

Ada banyak jenis window, misalnya Hamming, Hanning, dan

window memiliki karakteristik tersendiri. Dalam penelitian ini

Hamming Window. Metode ini dapat menghasilkan

yang tidak terlalu tinggi (kurang lebih -43 dB) dan noise yang dihasilkan

tidak terlalu besar. Berikut ini adalah persamaannya :

(

1)/2 , untuk N ganjil

1 , untuk N genap

windowing ini adalah berupa suatu sinyal dengan persamaan :

( 2.4 )

16


dilakukan dengan membagi sinyal suara menjadi

(2.2)

yimpangan pada sinyal yang

Sinyal suara yang

akan menyebabkan efek diskontinuitas


perlukan untuk mengurangi efek diskontinuitas dari potongan-

, dan Gaussian.

Dalam penelitian ini

etode ini dapat menghasilkan sidelobe

yang dihasilkan

(2.3 )

ini adalah berupa suatu sinyal dengan persamaan :

( 2.4 )


2.3.2.3 Discrete Fourier Transform

Tujuan utama dari transformasi Fourier ini adalah untuk mengubah sinyal

dari domain waktu menjadi spektrum pada domain frekuensi. Dalam pemrosesan

suara, proses tersebut sangatlah menguntungkan karena sinyal pada domain

frekuensi dapat diproses lebih mudah

waktu. Hal ini dikarenakan pada domain frekuensi, kuat lemahnya suara tidak

terlalu berpengaruh.

Discrete Fourier Transform

untuk mengubah domain suatu gelombang dari domain

frekuensi. Transformasi diskrit merupakan transformasi dimana masukan dan

keluaran bernilai diskrit yang digunakan untuk manipulasi di komputer. Rumus

DFT untuk mengubah N data dari domain waktu ke domain frekuensi adalah

sebagai berikut [8]:

k = 0,1,2,...,N-1

dimana :

= transformasi Fourier

X(nT) = sinyal masukan

T = interval waktu antar nilai diskrit

K = angka harmonik dari komponen transformasi

Fast Fourier Transform

Discrete Fourier Transform

untuk setiap N data yang sama pada perhitungan DFT sehingga perhitungan yang

ada menjadi lebih cepat, khususnya ketika nilai N yang digunakan cukup besar

dengan mempergunakan

dengan k = 0,1,...,N

Faktor dari e-j2π/N

dapat dituliskan sebagai


Discrete Fourier Transform dan Fast Fourier Transform




frekuensi dapat diproses lebih mudah dibandingkan dengan sinyal pada domain


Discrete Fourier Transform (DFT) adalah suatu metode yang digunakan

untuk mengubah domain suatu gelombang dari domain waktu ke domain




( 2.5)

transformasi Fourier

X(nT) = sinyal masukan

T = interval waktu antar nilai diskrit

K = angka harmonik dari komponen transformasi

Fast Fourier Transform (FFT) merupakan algoritma yang lebih cep

Discrete Fourier Transform (DFT). FFT dapat mereduksi jumlah perhitungan



dengan mempergunakan persamaan :

dengan k = 0,1,...,N-1

dapat dituliskan sebagai ,

17





dibandingkan dengan sinyal pada domain


(DFT) adalah suatu metode yang digunakan

waktu ke domain




( 2.5)

(FFT) merupakan algoritma yang lebih cepat dari

(DFT). FFT dapat mereduksi jumlah perhitungan



( 2.6 )


= e-j2π/N

sehingga persamaan akan menjadi :

dengan k = 0, 1, ... , N

dimana :

= sinyal hasil DFT

= sinyal masukan

= twidle factors

Perhitungan DFT

dapat memenuhi hal yang

demikian FFT merupakan

2.3.2.4 Mel Frequency Wrapping

Persepsi manusia terhadap frekuensi dari sinyal suara tidak mengikuti

skala linear. Frekuensi

diukur manusia secara subyektif dengan menggunakan

frekuensi adalah pemetaan frekuensi sec

dan logaritmik untuk frekuensi diatas 1 kHz.

1kHz, 40 dB diatas perceptual hearing threshold

mels. Oleh karena itu, dapat digunakan formula pada persam

menghitung mels untuk frekuensi yang diberikan dalam Hz.

)( fmel =

2.3.2.5 Cepstrum

Langkah terakhir dalam

mel spectrum ke dalam domain waktu. Hasilnya disebut

coeffecient (MFCC). Representatif

representatif yang baik untuk

analisa frame yang diberikan. Karena


sehingga persamaan akan menjadi :

dengan k = 0, 1, ... , N-1 ;

DFT memerlukan operasi sebanyak M2, sedangkan

yang sama dengan operasi sebanyak M log2 M

erupakan fast algorithm untuk mengimplementasikan DFT.

Wrapping


yang sebenarnya (dalam Hz) pada sebuah sinyal akan

diukur manusia secara subyektif dengan menggunakan mel scale. Skala mel

frekuensi adalah pemetaan frekuensi secara linear untuk frekuensi dibawah 1 kHz

dan logaritmik untuk frekuensi diatas 1 kHz. Sebagai titik referensi,

perceptual hearing threshold, didefinisikan sebagai 1000

mels. Oleh karena itu, dapat digunakan formula pada persamaan 2.9 berikut untuk

untuk frekuensi yang diberikan dalam Hz.

)700/1(log*2595 10 f+=

Langkah terakhir dalam feature extraction yaitu mengubah kembali

ke dalam domain waktu. Hasilnya disebut mel frequency cepstrum

. Representatif spectral dari speech spectrum memberikan

representatif yang baik untuk local spectral properties dari sinyal suara untuk

yang diberikan. Karena mel spectrum coeffecient

18


( 2.7)

( 2.8 )

sedangkan FFT

M. Dengan

ntasikan DFT.


yang sebenarnya (dalam Hz) pada sebuah sinyal akan

. Skala mel-

ara linear untuk frekuensi dibawah 1 kHz

Sebagai titik referensi, pitch dari

, didefinisikan sebagai 1000

aan 2.9 berikut untuk

(2.9)

yaitu mengubah kembali log

mel frequency cepstrum

memberikan

dari sinyal suara untuk

mel spectrum coeffecient (dan


19


logaritmiknya) adalah angka real, kita dapat mengubahnya ke time domain

menggunakan Discrete Cosine Transform (DCT). Oleh karena itu, mel power

spectrum coefficient tersebut merupakan hasil dari langkah terakhir yang

dinotasikan dengan kS~

, dimana k = 1, 2, ... , K. Jadi, MFCC, nc~

dapat dihitung

dengan persamaan 2.10 berikut.

∑=

−=

K

k

knK

knSc1 2

1cos)

~(log~ π

( 2.10)

dengan k = 1, 2, ... , K

dimana :

K = jumlah koefisien yang diharapkan

2.3.3 Kuantisasi Vektor

Dalam proses mengidentifikasi suara, setiap sinyal akustik harus dapat

direpresentasikan secara unik dan dengan cara yang efisien. Dengan kuantisasi

vektor sinyal suara dapat direpresentasikan secara unik dan efisien. Pada proses

kuantisasi vektor, data dikompresi sedemikian rupa secara signifikan, tetapi masih

menunjukkan representasi yang akurat. Tanpa melakukan teknik kuantisasi vektor

fitur-fitur suara, maka sistem akan membutuhkan komputasi yang amat kompleks

[9].

Kuantisasi vektor merupakan teknik kuantisasi klasik dimana dilakukan

pemodelan dari fungsi kepadatan probabilitas dengan distribusi vektor. Kuantisasi

vektor memetakan vektor dengan dimensi k pada ruang vektor Rk menjadi suatu

bentuk vektor berhingga Y = {yi : i = 1, 2, …, n}. Vektor yi disebut sebagai

vektor kode. Vektor-vektor ini merupakan vektor-vektor data yang diperoleh dari

hasil ekstraksi yang disebut dengan codeword. Kumpulan dari codeword ini

disebut dengan codebook. Salah satu tujuan dari kuantisasi vektor adalah

menghasilkan sebuah codebook yang terdiri dari vektor-vektor dalam jumlah

relatif sedikit dibandingkan dengan jumlah vektor data.

Gambar 2.4 menggambarkan vektor pada suatu ruang dengan garis


horizontal menunjukkan nilai real dan garis vertikal menunjukkan nilai imajiner

dari vektor. Setiap cluster

codeword berada pada daerah

ditandai dengan x sedangkan

Representasi centroid ditentukan berdasarkan jarak

masukan. Jarak suatu vektor ke

Euclidian didefinisikan dengan persamaan 2.11 berikut [9].

dimana :

xj = komponen ke-j dari vektor masukan

yij = adalah komponen ke

Gambar

Dalam pembentukan codebook untuk iterasi guna memperbaiki kuantisasi

vektor digunakan General Lloyd Algorithm

(Linde,Buzo,Gray). Algoritma Universitas Indonesia

njukkan nilai real dan garis vertikal menunjukkan nilai imajiner

cluster dari vektor menunjukkan centroid-nya, dan setiap

berada pada daerah voroinoi-nya masing-masing. Vektor masukan

ditandai dengan x sedangkan centroid ditandai dengan bulatan berwarna merah.

ditentukan berdasarkan jarak Euclidian terdekat dari vektor

Jarak suatu vektor ke centroid terdekat disebut dengan distorsi

didefinisikan dengan persamaan 2.11 berikut [9].

( 2.11 )

j dari vektor masukan

= adalah komponen ke-j dari codeword yi

Gambar 2.4 Contoh codeword pada ruang dua dimensi[5]


General Lloyd Algorithm (GLA) atau disebut algoritma

Algoritma LBG tersebut dapat diimplementasikan dengan

20


njukkan nilai real dan garis vertikal menunjukkan nilai imajiner

nya, dan setiap

masing. Vektor masukan

ai dengan bulatan berwarna merah.

terdekat dari vektor

terdekat disebut dengan distorsi. Jarak

( 2.11 )


algoritma LBG

tersebut dapat diimplementasikan dengan


prosedur rekursif sebagai berikut :

1. Mendisain vektor

vektor training.

2. Melipatgandakan ukuran dari

codebook Cn menurut aturan :

dimana n bervariasi dari satu sampai dengan

epsilon adalah parameter

3. 9earest 9eighbour Search

Mengelompokkan

Selanjutnya menentukan

memberikan tanda vektor yaitu

centroid yang terdekat.

4. Centroid Update

Menentukan centroid

masing-masing cell

5. Iterasi 1

Mengulang langkah

6. Iterasi 2

Mengulang langkah

Peran kuantisasi vektor dalam proses

adalah untuk mempersiapkan simbol diskrit dari indeks yang terbatas. Masing

masing sinyal masukan akan dikuantisasi oleh

masukan yang terkuantisasi dianggap sebagai observasi.

vektor berperan dalam meminimalkan distorsi rata

ditentukan. Pada proses pengenalan, total distorsi yang paling kecil antara

codeword dari database


prosedur rekursif sebagai berikut :

endisain vektor codebook yang merupakan centroid dari keseluruhan

Melipatgandakan ukuran dari codebook dengan membagi masing

menurut aturan :

dimana n bervariasi dari satu sampai dengan current size codebook

epsilon adalah parameter splitting. (epsi = 0,01)

9earest 9eighbour Search

Mengelompokkan training vektor yang mengumpul pada blok tertentu.

Selanjutnya menentukan centroid dalam current codebook yang terdekat dan

memberikan tanda vektor yaitu cell yang diasosiasikan dengan

yang terdekat.

centroid baru yang merupakan codeword yang baru pada

cell dengan menggunakan training vektor pada cell

langkah 3 dan 4 sampai jarak rata-rata dibawah present treshold

langkah 2, 3, dan 4 sampai codebook berukuran M.

Peran kuantisasi vektor dalam proses Hidden Markov Model

adalah untuk mempersiapkan simbol diskrit dari indeks yang terbatas. Masing

masing sinyal masukan akan dikuantisasi oleh cluster referensi. Masing

asukan yang terkuantisasi dianggap sebagai observasi. Selain itu,

meminimalkan distorsi rata-rata setelah ukuran


dan codebook dari masukan merupakan hasil identifikasi.

21


dari keseluruhan

dengan membagi masing-masing

( 2.11 )

( 2.12 )

current size codebook dan

vektor yang mengumpul pada blok tertentu.

yang terdekat dan

yang diasosiasikan dengan centroid-

yang baru pada

cell tersebut.

present treshold.

Hidden Markov Model (HMM)

adalah untuk mempersiapkan simbol diskrit dari indeks yang terbatas. Masing-

referensi. Masing-masing

kuantisasi

rata setelah ukuran codebook


merupakan hasil identifikasi.


22


2.4 Hidden Markov Model

Hidden Markov Model (HMM) adalah suatu teknik untuk membentuk

model statistik berdasarkan prinsip probabilitas. Model tersebut digunakan untuk

meramalkan suatu keluaran berdasarkan data-data yang telah dimasukkan dan

training yang telah dilakukan. Model statistik ini merupakan suatu sistem yang

diasumsikan sebagai proses Markov dengan parameter- parameter yang

belum diketahui dan parameter-parameter yang tersembunyi tersebut harus

ditentukan dari parameter yang dapat diamati (observable). Parameter model

yang diambil kemudian dapat digunakan untuk keperluan analisis selanjutnya,

misalnya untuk aplikasi pengenalan gelombang suara.

Bentuk umum dari rantai Markov adalah bentuk ergodic seperti yang

dapat dilihat pada Gambar 2.5(a). Namun dapat juga dimodelkan dengan

model left- right Markov seperti pada Gambar 2.5(b).

(a) (b)

Gambar 2.5 Model Markov (a) ergodic (b) left-right[4]

HMM memiliki 3 (tiga) parameter utama yang harus dicari nilainya

terlebih dahulu. Ketiga parameter tersebut adalah sebagai berikut.

1. Parameter A disebut sebagai probabilitas transisi, merupakan probabilitas

kedudukan suatu state terhadap semua state yang ada, termasuk

kedudukan terhadap state itu sendiri. Parameter A pada HMM dinyatakan

dalam sebuah matriks dengan ukuran MxM dimana M adalah jumlah state

yang ada. Jika terdiri dari 5 (lima) state, maka setiap state memiliki 5

(lima) hubungan transisi. Oleh karena itu, parameter A dapat dituliskan

dalam bentuk matriks seperti pada persamaan 2.13 berikut [7]:


2. Parameter B disebut sebagai probabilitas

kemunculan suatu

dalam HMM dituliskan dalam bentuk matriks kolom dengan ukuran Mx1

dimana M merupakan jumlah seluruh

buah state dalam suatu kondisi, maka matriks B yang terbentuk

ditunjukkan oleh persamaan 2.14 berikut [7]:

3. Parameter

kemunculan suatu

parameter juga dituliskan dalam bentuk matriks kolom dengan ukuran

Mx1 dimana M adalah jumlah

akan ditunjukkan seperti pada persamaan 2.15 berikut [7]:

Elemen π, A, dan B

HMM yang tidak diketahui atau terse

digabungkan menjadi sebuah parameter

fungsi λ = ( A, B, π ) .

Jika diberikan Universitas Indonesia

disebut sebagai probabilitas state, merupakan probabilitas

kemunculan suatu state dalam deretan seluruh state yang ada. Parameter B

dalam HMM dituliskan dalam bentuk matriks kolom dengan ukuran Mx1

dimana M merupakan jumlah seluruh state yang ada. Misalnya, terdapat n

dalam suatu kondisi, maka matriks B yang terbentuk

njukkan oleh persamaan 2.14 berikut [7]:

B =

disebut sebagai probabilitas awal, yaitu probabilitas

kemunculan suatu state di awal. Sama halnya dengan parameter B,

juga dituliskan dalam bentuk matriks kolom dengan ukuran

Mx1 dimana M adalah jumlah state-nya. Parameter yang dihasilkan

akan ditunjukkan seperti pada persamaan 2.15 berikut [7]:

en π, A, dan B merupakan parameter-parameter Markov dalam

HMM yang tidak diketahui atau tersembunyi (hidden). Ketiga parameter tersebut

digabungkan menjadi sebuah parameter HMM dan dapat dituliskan dalam

.

suatu model P(O|λ) dengan probabilitas

23


(2.13)

, merupakan probabilitas

Parameter B

dalam HMM dituliskan dalam bentuk matriks kolom dengan ukuran Mx1,

yang ada. Misalnya, terdapat n

dalam suatu kondisi, maka matriks B yang terbentuk

(2.14)

disebut sebagai probabilitas awal, yaitu probabilitas

a halnya dengan parameter B,

juga dituliskan dalam bentuk matriks kolom dengan ukuran

yang dihasilkan

(2.15)

eter Markov dalam

eter tersebut

HMM dan dapat dituliskan dalam bentuk

probabilitas urutan


observasi O = O1, O2

observasinya diperlukan suatu urutan

Q = q1 q2 ... qT

di mana :

q1 = initial-state.

Probabilitas urutan observasi

Sehingga diperoleh P(O

Probabilitas dari urutan state Q

Probabilitas gabungan

muncul bersamaan adalah

berikut :

P(O, Q| λ) = P(O|

Probabilitas observasi

gabungan dari semua kem

λ) =

atau dapat juga dituliskan sebagai berikut :

λ)=

Jika terdapat keadaan dimana :

State 1 : waveform segment





maka probabilitas dari observasi HMM berdasarkan persamaan (2.22) adalah

sebagai berikut.


2, ... , OT, maka untuk mengetahui nilai probabilitas

diperlukan suatu urutan state yang tetap, misalkan

( 2.16 )

observasi O untuk urutan state persamaan (2.17) adalah :

O|Q, λ) = bq1(O1) . bq2(O2) ... bqT(OT)

state Q maka dapat ditulis sebagai berikut

O dan Q yang merupakan probabilitas saat

adalah hasil perkalian dari keduanya atau dapat dit

Q, λ) P(Q, λ)

O diperoleh dengan menjumlahkan probabilitas

mungkinan urutan state q, yaitu :

liskan sebagai berikut :

Jika terdapat keadaan dimana :

waveform segment 1 (w1)






24


obabilitas

( 2.16 )

aan (2.17) adalah :

( 2.17 )

( 2.18 )

( 2.19 )

saat O dan Q

ulis sebagai

, λ) ( 2.20 )

probabilitas

( 2.21 )

( 2.22 )



P(Suara 1 = w1, w2, w2, w

P(Suara 2 = w1, w2, w1, w

P(Suara x = w4, w5, w4, w

Proses yang terjadi adalah :

1. Gelombang yang telah terbagi menjadi gelombang

frame blocking akan dikenali melalui

pencocokan dengan

dengan centroid-

observasi.

2. Gelombang yang telah dikenali berdasarkan

suatu state. Dari

HMM-nya, yang perhitungannya dicocokkan dengan nilai pada

parameter HMM.

Dari contoh di atas, dapat diketahui bahwa suara 1 terbentuk dari

gelombang w1, gelombang w

Tiap suara dibentuk oleh susunan gelombang yang berbeda

susunan gelombang tersebut memiliki probabilitas

terhadap perubahan gelombangnya.


, w1, w1) =

, w3, w1) =

, w5, w4) =

Proses yang terjadi adalah :

Gelombang yang telah terbagi menjadi gelombang-gelombang kecil pada

akan dikenali melalui codebook yang dimiliki. Pada proses

pencocokan dengan codebook akan dihitung jarak dari tiap gelombang

centroid-centroid. Jarak terdekat akan menentukan urutan kode

Gelombang yang telah dikenali berdasarkan codebook akan membentuk

. Dari state ini akan dicari nilai masing-masing parameter

nya, yang perhitungannya dicocokkan dengan nilai pada

parameter HMM.

i contoh di atas, dapat diketahui bahwa suara 1 terbentuk dari

, gelombang w2, gelombang w2, gelombang w1, dan gelombang w

Tiap suara dibentuk oleh susunan gelombang yang berbeda-beda. Susunan

susunan gelombang tersebut memiliki probabilitas transisi yang bergantung

terhadap perubahan gelombangnya.

25


gelombang kecil pada

yang dimiliki. Pada proses

akan dihitung jarak dari tiap gelombang

menentukan urutan kode

akan membentuk

masing parameter

nya, yang perhitungannya dicocokkan dengan nilai pada database

i contoh di atas, dapat diketahui bahwa suara 1 terbentuk dari

, dan gelombang w1.

beda. Susunan-

transisi yang bergantung



BAB 3

DISAI� SIMULASI

Sistem yang akan dirancang menerapkan prinsip aplikasi speech to text.

Sinyal suara masukan yang diambil berasal dari satu alat musik, yaitu gitar

akustik, sehingga sistem ini pun menerapkan tipe speaker dependent. Chord

direkam secara terpisah dalam format “.wav”, sehingga tipe ini memenuhi kriteria

isolated word recognition pada pengenalan chord terisolasi. Chord direkam

dengan menggunakan software pengolah suara Adobe Audition 1 dan sistem

pengenalan chord terisolasi menggunakan software Matlab R2008. Keluaran

sistem adalah berupa teks chord yang dikenali.

Sistem pengenalan chord terisolasi ini menggunakan file-file simulasi yang

berasal dari KTH-Royal University, Swedia [10] dan telah dimodifikasi

sebelumnya oleh Angela[3]. Dalam perancangan sistem pengenalan chord ini,

terdapat dua proses utama yang harus dilakukan, yaitu proses pelatihan

(pembuatan database) dan proses pengenalan suara.

3.1 Pembuatan Database dan Proses Pembelajaran

Simulasi ini akan mengonversi sinyal suara chord terisolasi menjadi

bentuk teks untuk aplikasi speaker dependent. Untuk mengambil setiap chord,

maka dilakukan perekaman untuk 6 label chord dengan nada dasar C, yaitu C

mayor, F mayor, G mayor, A minor, D minor, dan E minor. Masing-masing terdiri

dari 50 file chord dalam format “.wav”.

Pada proses ini, sinyal suara chord yang merupakan sinyal masukan sistem

akan mengalami tiga proses utama, yakni tahap pembuatan label masing-masing

chord, tahap pembuatan codebook, dan tahap pembentukan parameter-parameter

HMM. Gambar 3.1 menunjukkan diagram alir proses pembuatan database sistem

pengenalan chord terisolasi.


27


Gambar 3.1 Diagram alir proses pembuatan database

3.1.1 Tahap Pelabelan

Fungsi ini dijalankan dengan perintah make_labels(rep). Fungsi ini

membuat sebuah database dari suara-suara yang telah direkam sebelumnya. File-

file sampel suara tersebut akan mengalami proses sampling dengan frekuensi

sampling sebesar 8 kHz. Pada proses pembuatan label, tiap-tiap sampel suara

chord akan didaftarkan pada suatu label yang diberi nama sesuai dengan nama

chord yang dimaksud, misalnya chord C mayor diberi label Cmaj, D minor diberi

Labelisasi

Mulai

Masukkan file

suara chord

(.wav)

Database

Pembuatan Codebook

Pembentukan Model HMM

Selesai

Database HMM

Database

Codebook

Database Label


28


label Dmin, E minor diberi label Emin, F mayor diberi label Fmaj, G mayor diberi

label Gmaj, dan A minor diberi label Amin, sehingga jumlah label sama dengan

jumlah chord. Pemberian nama label ini disesuaikan dengan konteks yang umum

dipakai dalam penulisan chord. Nama label inilah yang pada akhirnya akan

menjadi keluaran pada simulasi pengenalan chord. Proses pelabelan ini dilakukan

pada file labelisasi.m dengan tampilan program berupa Guide User Interface

(GUI) seperti ditunjukkan pada Gambar 3.2.

Gambar 3.2 Tahap pemberian label chord (contoh : labelisasi untuk repetisi 20)

Berdasarkan tampilan program pada Gambar 3.2, terdapat tiga masukan

pada proses pembuatan label-label chord, yaitu indeks label, jumlah training, dan

nama label.

1. Indeks label, menunjukkan urutan label yang akan diproses dalam deretan

semua chord dan akan disimpan dalam database. Setiap nilai label ini akan

tersimpan dalam format “(label + indeks label).mat”.

2. Jumlah training, menunjukkan banyaknya pengulangan atau repetisi (rep)

sampel yang akan diproses pada pembuatan database. Jumlahnya

disesuaikan dengan keinginan pengguna, tetapi maksimum sebanyak

jumlah data-data chord yang telah direkam sebelumnya.

3. Nama label, menunjukkan nama chord yang akan diproses. Nama label ini


29


disesuaikan dengan nama chord yang telah disimpan. Nama label inilah

yang nantinya akan menjadi keluaran dalam proses pengenalan chord.

Contoh pemakaiannya sebagai berikut. Indeks label adalah 1, jumlah

training adalah 10, dan nama label adalah Cmaj. Berdasarkan masukan tersebut,

maka file suara chord C mayor yang tersedia sebanyak 50 data, dari “Cmaj1 –

Cmaj50”, akan dilakukan proses repetisi masing-masing sebanyak 10 kali. Label

C mayor yang akan terbentuk bernama “Label1.mat”. Demikian seterusnya

dilakukan pelabelan sampai semua chord diberi labelnya masing-masing.

3.1.2 Pembuatan Codebook

Setelah selesai memberi label pada setiap chord, maka tahap selanjutnya

adalah pembuatan atau pemetaan codebook. Proses pemetaan codebook ini

dilakukan dengan menggabungkan keseluruhan label yang telah diproses

sebelumnya dan melakukan kuantisasi vektor-vektor data seperti yang telah

dijelaskan dalam Bab 2. Setelah itu, hasil pemetaan keseluruhan label ini

disimpan dalam bentuk file “codebook.mat”.

Proses ini diawali dengan menggabungkan keseluruhan label yang akan

diproses, kemudian melakukan ekstraksi fitur pada sampel-sampel suara chord

(dijelaskan pada Bab 2). Pada bagian ekstraksi fitur akan dihasilkan vektor-vektor

data hasil transformasi FFT. Satu bagian sampel mewakili satu sample point, yang

merupakan satu vektor data. Setelah itu, vektor-vektor data tersebut dipetakan ke

dalam suatu ruang vektor dua dimensi berupa grafik dengan teknik kuantisasi

vektor. Dengan teknik kuantisasi vektor ini, setiap vektor dipetakan dari ruang

vektor yang besar menjadi daerah yang terbatas. Daerah yang terbatas ini disebut

sebagai cluster. Setiap cluster akan direpresentasikan oleh sebuah titik centroid

(titik pusat massa) yang disebut sebagai codeword. Kumpulan seluruh codeword

ini disebut sebagai codebook. Hasil pemetaan vektor berdasarkan nilai codebook

akan disimpan sebagai database codebook yang akan digunakan dalam proses

pengenalan chord terisolasi.


30


Program pemetaan codebook ini dijalankan dengan fungsi

VQ_training(speech,ukuran codebook,iterasi) pada file “codebook.m”. Tampilan

program pembuatan codebook berbentuk GUI adalah pada Gambar 3.3 berikut.

Gambar 3.3 Tahap pembuatan codebook (contoh : bobot codebook 64, repetisi 20)

Pada Gambar 3.3 terdapat empat masukan untuk proses pemetaan

codebook, yaitu :

1. Nama file, merupakan nama file codebook yang diinginkan pemakai dan

akan tersimpan dalam format “.MAT”.

2. Ukuran codebook, merupakan ukuran codebook yang akan dijadikan

sebagai database. Pada program ini tersedia 32, 64, 128, 256, 512, dan

1024.

3. Iterasi, merupakan banyaknya pengulangan dalam menentukan titik

centroid yang presisi. Berdasarkan penelitian sebelumnya [9], ukuran

iterasi yang semakin besar akan membuat letak centroid semakin presisi,

tetapi akan membuat proses pemetaan codebook berjalan semakin lama.


31


Oleh karena itu, pada program ini disarankan memakai 10 kali iterasi

dengan harapan untuk memperoleh hasil yang centroid yang optimum dan

proses tidak berjalan lambat.

4. Jumlah label, merupakan banyaknya jumlah label yang telah diproses

sebelumnya untuk digabungkan menjadi satu pemetaan codebook.

Tampilan keluaran program ini berupa grafik pemetaan codebook dan file

matriks dengan format “.mat”. Gambar grafik seperti pada Gambar 3.3 merupakan

hasil pemetaan keseluruhan label chord yang telah diproses sebelumnya. Grafik

tersebut juga merepresentasikan keseluruhan sampel yang menjadi vektor-vektor

data yang diwakili dalam satu posisi codeword yang dicari. File matriks ini berupa

matriks code yang berisi posisi codeword untuk masing-masing label chord dan

matriks name yang merupakan nama chord untuk setiap labelnya.

3.1.3 Pembentukan Model HMM dan Proses Pembelajaran.

Tahap berikutnya adalah pembentukan parameter-parameter HMM yang

akan digunakan dalam proses pengenalan. Tujuan dari metode HMM adalah

sebagai metode pelatihan atau pembelajaran dari setiap vektor-vektor data yang

ada, dengan mencari nilai probabilitasnya, sehingga nilai probabilitas hasil

pembelajaran menjadi semacam acuan dalam mengenali data chord yang akan

diuji.

Untuk memperoleh berbagai parameter HMM tersebut, diperlukan suatu

nilai masukan yang dikenal sebagai state dalam HMM. Keluaran dari proses

pembuatan codebook adalah nilai-nilai (posisi) centroid. Nilai ini kemudian

diterapkan sebagai state bagi proses pembelajaran dengan metode HMM. Nilai-

nilai (posisi) centroid ini akan membentuk suatu urutan (indeks) yang mewakili

urutan penggalan masing-masing sampel. Urutan centroid ini jugalah yang

merupakan urutan state dalam pembentukan parameter HMM. Selanjutnya,

dilakukan proses pembelajaran HMM yaitu dengan perhitungan log of probability

(LoP) untuk 10 iterasi pada tiap-tiap label chord.


32


Program pembentukan parameter-parameter HMM ini dijalankan dengan

fungsi make_HMM(file_hmm, file codebook, iterasi) pada file “hmm.m”.

Tampilan program HMM berupa GUI adalah seperti Gambar 3.4 berikut.

Gambar 3.4 Tahap pembentukan model HMM (contoh : codebook 64, repetisi 20)

Pada Gambar 3.4 terdapat tiga masukan dalam program pembentukan

parameter HMM, yaitu :

1. File HMM, merupakan nama file HMM yang akan disimpan sesuai

keinginan pengguna.

2. File VQ-codebook, merupakan nama file pemetaan codebook sesuai

dengan database codebook yang sudah dilatih sebelumnya.

3. Iterasi, diisi dengan jumlah iterasi yang diinginkan. Disarankan

menggunakan iterasi 10 kali.

Setelah program dijalankan, maka akan ditampilkan grafik yang

merepresentasikan nilai probabilitas setiap state berupa LoP terhadap nilai

iterasinya. Nilai-nilai LoP ini akan disimpan dalam bentuk matriks dengan nama


33


sesuai dengan nama file HMM. Nilai LoP ini akan menjadi database sebagai

acuan perbandingan (nilai yang paling mendekati database) pada proses

pengenalan chord.

3.2 Proses Pengenalan

Proses pengenalan merupakan bagian terakhir yang akan dicapai. Proses

ini merupakan bagian terpenting dari keselurahan sistem simulasi. Pada bagian ini

terdapat langkah-langkah yang dilakukan seperti yang terdapat pada proses

pembentukan database sebelumnya, tetapi tidak lagi sebagai proses pembelajaran.

Gambar 3.5 berikut menunjukkan diagram alir proses pengenalan chord tersebut.

File suara chord baru yang akan diidentifikasi (dalam format “.wav”)

dibaca sebagai masukan oleh sistem. File masukan ini kemudian diekstraksi

menjadi sampel dan dilanjutkan dengan mengonversi potongan-potongan sampel

tersebut ke dalam domain frekuensi dengan transformasi FFT. Hasil transformasi

tersebut akan menghasilkan vektor-vektor data. Vektor-vektor data tersebut

kemudian dipetakan pada codebook yang sama dengan database codebook yang

telah dilatih sebelumnya. Dari pemetaan tersebut akan terdapat perbandingan

vektor-vektor data masukan dengan centroid codebook database yang telah

presisi. Akibatnya, dalam proses ini akan ditentukan letak centroid dari vektor-

vektor data yang lebih dekat dengan centroid pada database. Setelah nilai dan

posisi centroid dari sampel diketahui, maka dapat ditentukan kombinasi urutan

centroid sebagai urutan state yang nantinya akan digunakan dalam menentukan

parameter-parameter HMM.

Dari nilai-nilai parameter HMM yang diperoleh, maka dalam sistem ini

dapat ditentukan nilai log of probability (LoP) dari sampel terhadap label-label

chord pada database. Banyaknya nilai LoP yang diperoleh akan sama dengan

banyaknya jumlah label-label chord pada database. Penentuan pengenalan chord

sebagai keluaran sistem ditentukan berdasarkan nilai LoP yang paling tinggi yaitu

yang paling mewakili karakteristik sampel.


34


Gambar 3.5 Diagram alir proses pengenalan chord terisolasi

Ekstraksi Fitur

Mulai

Masukkan file

suara chord

(.wav)

Pembuatan Codebook

Pembentukan Model HMM

Selesai

Database HMM

Database Codebook

Database Label

Database

Menghitung nilai

Log Of Probability

Mengidentifikasi chord

Mengambil nilai

Log Of Probability maksimum


35


Tampilan program pengenalan chord dalam bentuk GUI dapat dilihat pada

Gambar 3.6 berikut.

Gambar 3.6 Tampilan proses pengenalan chord terisolasi

Pada program tersebut terdapat tiga masukan, yaitu :

1. File HMM. Diisi sesuai dengan nama file HMM database yang telah

dilatih sebelumnya.

2. File codebook. Diisi sesuai dengan nama file codebook database

sebelumnya.

3. File chord uji. Diisi dengan nama file chord masukan yang akan diuji coba

(“.wav”).

Untuk menjalankan simulasi pengenalan chord, tekan tombol proses.

Keluaran akan muncul pada layar. Keluaran ini berupa nama chord yang

merupakan hasil akhir dari sistem pengenalan chord terisolasi dengan metode

HMM.



BAB 4

HASIL SIMULASI DA� A�ALISIS

4.1 Hasil Simulasi

Simulasi pada penelitian ini adalah mengenali chord gitar akustik terisolasi

secara offline (non real time), yang terbatas pada nada C mayor triad. Oleh karena

itu, pada percobaan akan ada enam label chord yang dimulai dari nada dasar C,

yaitu C mayor, D minor, E minor, F mayor, G mayor, dan A minor. Pemilihan

enam label saja pada penelitian ini disebabkan karena nada dasar C mayor nada

dasar yang umum dan sering dipakai dalam sebuah musik, serta untuk melihat

tingkat akurasi pengenalan chord dengan nada dasar C.

Banyaknya file chord yang akan diuji berjumlah 10 untuk masing-masing

label chord tersebut. Berikut ini disajikan nama chord, nama label chord, serta file

yang akan diuji coba dalam simulasi pada Tabel 4.1.

Tabel 4.1 Nama chord dan file chord uji coba

Nomor Nama

chord

Label

chord

File uji coba (.wav)

1. C mayor Cmaj Cmaj41 – Cmaj50

2. D minor Dmin Dmin41 – Dmin50

3. E minor Emin Emin41 – Emin50

4. F mayor Fmaj Fmaj41 – Fmaj50

5. G mayor Gmaj Gmaj41 – Gmaj50

6. A minor Amin Amin41 – Amin50

Pada penelitian ini, pengujian dilakukan dengan memvariasikan parameter

jumlah repetisi dan bobot codebook. Keseluruhan pengujian tersebut meliputi :

1. Uji coba sampel dengan jumlah repetisi 10 dan ukuran codebook 32.


37







Setelah melakukan pengujian terhadap enam variasi tersebut, diperoleh

hasil uji coba yang ditampilkan dalam Tabel 4.1 sampai Tabel 4.9. Pada setiap

tabel akan diberikan tanda merah yang menunjukkan bahwa sistem salah

mengenali chord dan tanda hitam yang menunjukkan bahwa sistem benar

mengenali chord.

4.1.1 Hasil Uji Coba Chord C Mayor

Pada Tabel 4.2 dapat dilihat seluruh hasil uji coba program dengan untuk

chord C mayor.

Tabel 4.2 Hasil uji coba chord C mayor

Jumlah repetisi 10 20

Bobot codebook 32 64 128 32 64 128

File pengujian

(.wav) Hasil identifikasi Hasil identifikasi

Cmaj41 Cmaj Cmaj Cmaj Cmaj Cmaj Cmaj



Cmaj44 Gmaj Cmaj Cmaj Gmaj Cmaj Cmaj


Cmaj46 Emin Cmaj Cmaj Fmaj Cmaj Cmaj

Cmaj47 Gmaj Gmaj Cmaj Cmaj Gmaj Cmaj



38


Cmaj49 Cmaj Cmaj Gmaj Cmaj Cmaj Cmaj

Cmaj50 Cmaj Cmaj Cmaj Amin Cmaj Cmaj

4.1.2 Hasil Uji Coba Chord D Minor


chord D minor.

Tabel 4.3 Hasil uji coba chord D minor


Bobot codebook 32 64 128 32 64 128

File pengujian


Dmin41 Dmin Dmin Dmin Dmin Dmin Dmin

Dmin42 Dmin Dmin Dmin Cmaj Dmin Dmin

Dmin43 Gmaj Gmaj Dmin Gmaj Fmaj Dmin



Dmin46 Amin Gmaj Emin Dmin Dmin Dmin

Dmin47 Dmin Dmin Dmin Cmaj Dmin Dmin


Dmin49 Dmin Dmin Dmin Fmaj Dmin Dmin


4.1.3 Hasil Uji Coba Chord E Minor


chord E minor.


39


Tabel 4.4 Hasil uji coba chord E minor


Bobot codebook 32 64 128 32 64 128

File pengujian


Emin41 Amin Emin Emin Emin Emin Emin


Emin43 Amin Amin Amin Emin Emin Emin


Emin45 Emin Emin Emin Emin Emin Emin



Emin48 Amin Amin Amin Emin Emin Emin


Emin50 Cmaj Emin Emin Emin Emin Emin

4.1.4 Hasil Uji Coba Chord F Mayor


chord F mayor.

Tabel 4.5 Hasil uji coba chord F mayor


Bobot codebook 32 64 128 32 64 128

File pengujian


Fmaj41 Fmaj Fmaj Fmaj Fmaj Fmaj Fmaj




40


Fmaj44 Gmaj Fmaj Fmaj Fmaj Fmaj Fmaj




Fmaj48 Gmaj Fmaj Fmaj Fmaj Fmaj Fmaj

Fmaj49 Gmaj Gmaj Cmaj Fmaj Fmaj Fmaj

Fmaj50 Emin Fmaj Fmaj Fmaj Fmaj Fmaj

4.1.5 Hasil Uji Coba Chord G Mayor


chord G mayor.

Tabel 4.6 Hasil uji coba chord G mayor


Bobot codebook 32 64 128 32 64 128

File pengujian


Gmaj41 Cmaj Cmaj Cmaj Cmaj Cmaj Cmaj

Gmaj42 Gmaj Gmaj Gmaj Fmaj Gmaj Gmaj

Gmaj43 Gmaj Gmaj Gmaj Gmaj Gmaj Gmaj

Gmaj44 Gmaj Gmaj Gmaj Gmaj Gmaj Gmaj

Gmaj45 Dmin Dmin Dmin Gmaj Gmaj Gmaj

Gmaj46 Gmaj Cmaj Gmaj Gmaj Gmaj Gmaj

Gmaj47 Gmaj Gmaj Gmaj Emin Gmaj Gmaj

Gmaj48 Gmaj Gmaj Gmaj Gmaj Dmin Gmaj

Gmaj49 Gmaj Gmaj Gmaj Dmin Gmaj Gmaj

Gmaj50 Gmaj Gmaj Gmaj Gmaj Dmin Gmaj


41


4.1.6 Hasil Uji Coba Chord A Minor


chord A minor.

Tabel 4.7 Hasil uji coba chord A minor


Bobot codebook 32 64 128 32 64 128

File pengujian


Amin41 Amin Amin Amin Amin Amin Amin


Amin43 Cmaj Cmaj Cmaj Cmaj Cmaj Amin

Amin44 Amin Amin Amin Gmaj Amin Amin





Amin49 Emin Emin Emin Amin Amin Amin


4.2 Pengolahan Hasil Percobaan

Setelah seluruh hasil uji coba diperoleh, maka persentase pengenalan

masing-masing label chord dapat diperoleh dengan membagi jumlah chord yang

teridentifikasi benar terhadap jumlah chord yang diuji coba.

Hasil pengenalan masing-masing label chord terisolasi untuk semua

variasi disajikan dalam Tabel 4.8 berikut


42


Tabel 4.8 Persentase pengenalan masing-masing label chord


Bobot codebook 32 64 128 32 64 128

Label chord % Akurasi pengenalan chord % Akurasi pengenalan chord

Cmaj 70% 90% 90% 70% 90% 100%

Dmin 80% 80% 90% 60% 90% 100%

Emin 30% 80% 70% 100% 100% 100%

Fmaj 60% 90% 90% 100% 100% 100%

Gmaj 80% 70% 80% 60% 70% 90%

Amin 80% 80% 80% 80% 90% 100%

Pasangan chord dengan nada C mayor adalah 6 label chord tersebut.

Berdasarkan hasil yang diperoleh dari masing-masing label chord pada Tabel 4.8

di atas, maka rata-rata akurasi sistem pengenalan chord dengan nada dasar C

dapat diperoleh dengan menjumlahkan total akurasi enam label tersebut kemudian

membagi enam. Rata-rata akurasi pengenalan pasangan chord terisolasi untuk

nada dasar C ditunjukkan pada Tabel 4.9 berikut.

Tabel 4.9 Hasil akurasi keseluruhan sistem

Jumlah repetisi Bobot codebook % Akurasi sistem

10

32 66,67%

64 81,67%

128 83,33%

20

32 78,33%

64 90,00%

128 98,33%

4.3 Analisis

Secara umum, analisis yang dilakukan dalam penelitian ini mencakup tiga

hal, yakni analisis sistem pengenalan sinyal masukan chord, analisis unjuk kerja

berdasarkan variabel repetisi, dan analisis unjuk kerja berdasarkan variabel


43


codebook.

4.3.1 Analisis Sistem Pengenalan Sinyal Masukan Chord

Sistem pengenalan sinyal masukan chord pada skripsi ini terdiri dari enam

jenis suara chord yang berbeda termasuk durasinya, sehingga bentuk gelombang

bahkan hasil ekstraksi suara masing-masing chord akan memiliki karakteristik

yang berbeda-beda. Pada tahap pengenalan, sistem akan membandingkan jenis

gelombang suara yang dikenali dengan dengan gelombang suara yang tersimpan

di dalam database.

Berdasarkan hasil percobaan terhadap beberapa variasi data yang telah

dilakukan, maka sistem pengenalan chord terisolasi ini memiliki dua kondisi,

yaitu :

1. Sistem mengidentifikasi masukan dengan benar.

Kondisi ini terjadi saat hasil pengenalan sesuai dengan masukan yang

diberikan. Pada hasil akhir ditandai dengan nilai Log of Probability (LoP)

tertinggi label chord, serta merupakan jenis gelombang yang sesuai dengan

masukan.

2. Sistem salah mengidentifikasi masukan.

Kondisi ini terjadi jika hasil pengenalan sistem berbeda dengan masukan

yang diberikan. Label chord dengan LoP tertinggi bukan merupakan jenis

gelombang yang sesuai dengan masukan. Pada kondisi ini, sistem tetap

akan membandingkan suara masukan dengan database. Sistem akan tetap

menjadikan nilai LoP tertinggi sebagai pengenalannya, meskipun berbeda

dengan masukan yang diberikan.

Secara umum, faktor-faktor yang mempengaruhi sistem pengenalan chord

terisolasi ini antara lain kualitas perangkat keras yang digunakan dalam merekam,

tuning instrumen gitar, variasi strum (pukulan), dan kondisi lingkungan sekitar

saat perekaman. Berikut ini adalah penjelasan masing-masing faktor tersebut.


44


1. Kualitas perangkat keras. Pada percobaan, mikropon dan soundcard yang

digunakan cukup memenuhi standard, tetapi speaker yang digunakan tidak

terlalu mendukung, sehingga suara yang dihasilkan tidak sebaik suara

yang direkam. Hal ini menjadi salah satu faktor yang menjadi kekurangan

sistem ini.

2. Kondisi lingkungan juga sangat berpengaruh pada unjuk kerja sistem baik

saat repetisi maupun saat pengenalan. Kondisi lingkungan berkaitan erat

dengan derau. Pengaruh derau tersebut tergantung pada keras bunyi atau

jauhnya jarak pada saat merekam suara chord tersebut. Pengaruh derau

pun berbeda-beda untuk setiap kondisi lingkungan, misalnya antara

lingkungan yang memiliki pendingin ruangan dengan yang tidak, maupun

antara ruangan yang cukup sepi dengan yang agak ramai. Dalam hal ini,

sistem dirancang pada kondisi derau yang seminimal mungkin dari

lingkungan sekitar untuk meminimalkan kesalahan pada pengenalan.

3. Tuning alat musik. Idealnya, sebelum memainkan gitar, harus dilakukan

tuning nada pada setiap senar untuk memperoleh nada yang presisi untuk

tiap senar gitar. Tuning dapat dilakukan dengan alat tuning khusus,

maupun dengan mencocokkannya dengan suara piano/keyboard. Pada

penelitian ini, tuning dilakukan secara manual tanpa bantuan alat tuning

untuk mencocokkan, sehingga pengaruh persepsi pendengaran dalam

melakukan tuning akan sangat mempengaruhi tingkat presisi dari tuning

setiap senar setiap kali merekam.

4. Variasi strum (pukulan) gitar. Variasi yang diberikan adalah cepat, lembut,

biasa, keras. Empat variasi ini akan dikumpulkan menjadi satu bagian

dalam database untuk masing-masing label chord. Jumlah data masing-

masing variasi yang disimpan dalam database akan mempengaruhi proses

pengenalan.

Melalui informasi yang diperoleh dari Tabel 4.9, terlihat bahwa tingkat

akurasi sistem cukup baik, yaitu 66,67% sampai 98,33%. Berdasarkan hasil


45


percobaan seluruh variasi tersebut, maka tingkat akurasi atau unjuk kerja sistem

dalam mengenali chord terisolasi sangat dipengaruhi oleh bobot codebook dan

jumlah repetisi (repetisi) yang diberikan dalam simulasi. Berdasarkan Tabel 4.9

tersebut, dengan menaikkan bobot codebook dan jumlah repetisi, maka kesalahan

dalam pengenalan yang disebabkan oleh faktor-faktor tersebut menjadi semakin

kecil.

4.3.2 Analisis Unjuk Kerja Sistem Berdasarkan Variabel Codebook

Berdasarkan Tabel 4.9 di atas, dengan jumlah repetisi yang tetap,

peningkatan bobot codebook mengakibatkan peningkatan akurasi. Peningkatan

akurasi pengenalan sistem disebabkan oleh semakin bertambahnya jumlah

codeword atau codevector seiring dengan bertambahnya bobot codebook yang

diberikan. Dengan codeword yang semakin besar, rentang kuantisasi vektor data

akan semakin teliti, sehingga pemetaan vektor-vektor data dapat dilakukan dengan

jarak distorsi (jarak antara sebuah vektor data dengan codeword terdekat) yang

lebih kecil pada akhir iterasi.

Berikut ini adalah contoh hasil perhitungan nilai LoP pada chord A minor

dengan repetisi tetap 20 dan codebook ditingkatkan dari 64 menjadi 128.

chord uji : Amin43

codebook : 64

Label Log of Probability -------------------------- 1 -114.729915 4 -115.320109 2 -151.268146 3 -153.505107 5 -165.297982 6 -284.654786 chord yang dikenali : Cmaj

chord uji : Amin43

codebook : 128


46


Amin43: Label Log of Probability -------------------------- 4 -139.897716 1 -165.404392 2 -197.956064 5 -228.353840 3 -297.455640 6 -324.881300 chord yang dikenali : Amin

Berdasarkan hasil perhitungan nilai LoP tersebut dapat dilihat bahwa ketika bobot

codebook 64, nilai LoP chord C mayor (label 1) sangat dekat nilainya dengan

chord A minor (label 4). Hal ini menandakan bahwa pada bobot codebook 64 dan

repetisi 20 bentuk kuantisasi vektor gelombang suara kedua chord tersebut terlihat

mirip, sehingga proses komputasi mengidentifikasi sebagai C mayor. Berdasarkan

pasangan chord, chord A minor dan C mayor saling memiliki nada yang sama,

yaitu nada C dan E, sehingga hal tersebut memungkinkan terjadinya kemiripan

pada percobaan ini [11]. Namun, ketika bobot codebook dinaikkan menjadi 128,

nilai LoP chord A minor jauh lebih besar dibandingkan dengan C mayor. Hal ini

berarti dengan menaikkan bobot codebook, vektor-vektor data yang telah

dikuantisasi pada database menjadi lebih representatif terhadap gelombang yang

dikenali.

Selain hal tersebut, dalam penelitian ini dan melalui hasil percobaan yang

diperoleh, peningkatan ukuran codebook dalam sistem pengenalan, akan

membutuhkan jumlah bit yang lebih banyak dalam merepresentasikan vektor-

vektor data. Hal tersebut mengakibatkan sistem memerlukan kapasitas memori

yang lebih besar untuk menyimpan hasil pengkodean setiap vektor data.

Meningkatnya kapasitas memori yang dibutuhkan disebabkan tiap vektor data

dikodekan dengan jumlah bit yang semakin besar [9]. Selain itu, peningkatan

jumlah bit ini juga mempengaruhi durasi proses pembuatan database. Durasi

pelatihan database akan meningkat seiring dengan meningkatnya bobot codebook.

Pemilihan peningkatan bobot codebook akan membuat vektor-vektor data

semakin representatif. Hal tersebut juga merupakan pilihan yang lebih baik

dibandingkan dengan peningkatan jumlah iterasi karena waktu komputasi


47


pembuatan codebook lebih sedikit dibandingkan peningkatan jumlah iterasi.

4.3.3 Analisis Unjuk Kerja Sistem Berdasarkan Variabel Repetisi

Perubahan jumlah repetisi berpengaruh signifikan terhadap tingkat akurasi,

baik masing-masing label, maupun keseluruhan sistem. Berdasarkan Tabel 4.9

sistem mengalami kenaikan akurasi 16,67 % (66,67% - 83,33%) untuk 10 kali

repetisi dan kenaikan akurasi 20% (78,33% - 98,33%) untuk 20 kali repetisi.

Peningkatan akurasi sitem yang signifikan disebabkan karena peningkatan

jumlah repetisi akan membuat jumlah data dari gelombang suara yang dilatih

menjadi semakin banyak. Hal ini mengakibatkan isi database yang belum

representatif oleh repetisi sebelumnya menjadi tercakup dalam repetisi yang lebih

banyak.

Berdasarkan Tabel 4.8, dengan jumlah repetisi 10, chord C mayor

mengalami peningkatan akurasi dari 70% (codebook 32) menjadi 90% (codebook

64) dan mengalami saturasi 90% pada codebook 128. Namun, dengan

meningkatkan jumlah repetisi, maka dengan bobot codebook yang sama, akurasi

chord C mayor menjadi 100 % pada codebook 128. Berdasarkan hasil percobaan

pengenalan chord E minor dengan jumlah repetisi 10 pada Tabel 4.8 juga

diperoleh bahwa dengan ukuran codebook 128 tidak terjadi peningkatan, tetapi

penurunan dari codebook 64. Hal ini karena dengan codebook 64 untuk repetisi

10 sistem mengalami saturasi atau over trained, sehingga unjuk kerja sistem

menurun dari 80% menjadi 70%. Begitu juga halnya dengan chord G mayor yang

mengalami penurunan akurasi pada codebook 64 dan repetisi 10. Namun, dengan

ukuran codebook yang ditingkatkan, unjuk kerja mengalami peningkatan dengan

jumlah repetisi yang sama dan mencapai 80% untuk codebook 128. Pada

percobaan dengan repetisi dinaikkan menjadi 20, hasil percobaan pada Tabel 4.8

menunjukkan sistem mengalami peningkatan akurasi dengan jumlah codebook

yang ditingkatkan, sehingga akurasi beberapa label chord mencapai 100%.

Fenomena-fenomena tersebut disebabkan oleh semakin banyaknya nilai dari

variasi sinyal suara ketika jumlah repetisi ditingkatkan, sehingga mengakibatkan


48


semakin banyaknya nilai-nilai koefisien yang akan diekstrak dari sinyal suara.

Dengan bobot codebook yang rendah, maka kuantisasi vektor dari titik-titik yang

banyak ini menjadi tidak tepat karena distorsinya menjadi besar. Sebaliknya,

ketika bobot codebook ditingkatkan, maka kesalahan distorsi pada kuantisasi

vektor menjadi lebih kecil, sehingga kesalahan pada pengenalan chord menjadi

minimal.

Peningkatan tingkat akurasi disebabkan gelombang suara yang

sebelumnya tidak teridentifikasi kemudian dapat diidentifikasi pada tahap

penambahan repetisi. Penambahan jumlah repetisi menyebabkan masing-masing

label akan memiliki sejumlah data baru dalam proses pelatihan terhadap

keseluruhan gelombang yang berbeda dengan kondisi sebelumnya yang juga akan

mempengaruhi proses pembentukan codebook dan model HMM, sehingga

perhitungan untuk mendapatkan nilai probabilitas (LoP) juga ikut berubah.

Berikut ini adalah contoh perbandingan hasil percobaan chord A minor dengan

adanya perubahan LoP ketika jumlah variabel repetisi ditingkatkan dari 10

menjadi 20.

chord uji : Amin46

Repetisi : 10

codebook : 64

Label Log of Probability -------------------------- 4 -107.161768 6 -130.917308 1 -194.503877 2 -205.083313 3 -228.832683 5 -238.774041 chord yang dikenali : Amin

chord uji : Amin46

Repetisi : 20

codebook : 64


49


Label Log of Probability -------------------------- 4 -87.078501 6 -114.220018 5 -125.881196 2 -184.192866 1 -198.148902 3 -203.126013 chord yang dikenali : Amin

Dari contoh perbandingan di atas terlihat adanya peningkatan nilai LoP

pada pengenalan chord A minor dari 10 kali repetisi menjadi 20 kali repetisi

dengan codebook tetap 64. Peningkatan nilai LoP tersebut akan meningkatkan

nilai akurasi sistem secara keseluruhan. Nilai Hasil percobaan seluruhnya pada

simulasi ini terdapat dalam bagian Lampiran.

Berdasarkan hasil percobaan pada Tabel 4.8 dan Tabel 4.9, maka hasil

percobaan yang paling optimum untuk keseluruhan sistem adalah uji coba dengan

kombinasi variasi bobot codebook 128 dan repetisi 20 yang menghasilkan akurasi

sistem sebesar 98,33%.



BAB 5

KESIMPULA

Berdasarkan hasil uji coba simulasi perangkat lunak pada sistem

pengenalan chord dengan metode HMM yang telah dilakukan, maka dapat

diambil beberapa kesimpulan, yaitu :

1. Tingkat akurasi sistem dipengaruhi oleh jumlah repetisi dan bobot

codebook yang diberikan saat proses pembuatan database (pelatihan).

2. Semakin besar jumlah repetisi yang diberikan, maka semakin bertambah

tingkat akurasi sistem.

3. Semakin besar bobot codebook yang diberikan, maka semakin bertambah

pula akurasi sistem.

4. Penambahan bobot codebook dan repetisi pada pelatihan membuat waktu

proses pembuatan database juga bertambah.

5. Nilai akurasi sistem pengenalan chord terisolasi yang dicapai adalah

66,67% sampai 98,33%.

6. Berdasarkan hasil percobaan yang dilakukan, akurasi sistem paling

optimal adalah kombinasi variasi codebook 128 dengan repetisi 20, yang

menghasilkan tingkat akurasi 98,33%.



REFERENSI

[1] Herdian, Iwan. (2007). Analisis Audio MIDI dengan Menggunakan MIDI Toolbox pada Matlab Visualisasi Melodi, Kontur Melodi, Melodic Similarity dan Sequence. Seminar, Universitas Indonesia, Depok. [2] Lee, Kyogu dan Malcom Slanley. (2008). Acoustic Chord Transcription and

Key Extraction from Audio Using Key Dependent HMMs Trained on Synthesized Audio. New York : IEEE.

[3] Anggundari, Angela. (2001). Modifikasi Speech Recognition pada Ericsson T18s Voice Dialing dengan Metode Hidden Markov Models Diskrit untuk Aplikasi Speaker Dependent dan Speaker Independent. Skripsi, Fakultas Teknik, Universitas Indonesia, Depok. [4] Data-compression.com.(n.d.). 10 November 2009. Diakses dari : http://www.data-compression.com/vq.shtml [5] Hartaman, M. Rizky. (2009). Rancang Bangun Sistem Pengenalan Penyakit Jantung dengan Metode Hidden Markov Model. Skripsi, Fakultas Teknik, Universitas Indonesia, Depok. [6] Uchat, Nirav S., (2006). Hidden Markov Model and Speech Recognition.

Lecturer Handout.

[7] Alfarisi, Lutfie Salman. (2007). Speech Recognition dengan Hidden Markov Model menggunakan DSP Starter Kit TMS320C6713. Skripsi, Fakultas Teknik, Universitas Indonesia, Depok. [8] Ifeachor, Emmanuel C., Barrie W. Jervis. (2002). Digital Signal Processing:Practical Approach. New Jersey : Prentice Hall. [9] W., Fawwaz Al Maki. (2000). The Comparison of Vector Quantization Algorithms in Fish Species Acoustics Voice Recognition Using Hidden Markov Model. Skripsi, Fakultas Teknik, Universitas Indonesia, Depok. [10] Kovacevic, Mauricio Aracena. (2000). Matlab 5.3 [ discrete HMM toolkit ].

Sweden : KTH- Royal Institute of Technology. Diakses dari :


52


http://www.s3.kth.se/signal/local/www/edu/projeckt/students/00/yellow/software.html , Oktober 2009.

[11] Lee,Kyogu dan Malcom Slanley. (2007). A Unified System for ChordTranscription and Key Extraction Using Hidden Markov Models. Austrian Computer Society (OCG).


Jumlah Repetisi (training) = 20Bobot Codebook = 128

Durasi operasi HMM = 11,8 sAkurasi sistem = 98,33%

Cmaj41:Label Log of Probability-------------------------- 1 -133.781383 6 -201.115786 4 -211.619820 3 -273.523764 2 -278.611514 5 -302.984683

chord yang dikenali : Cmaj



















Fmaj41:Label Log of Probability-------------------------- 2 -116.439131 3 -200.873405 1 -206.634369 5 -238.375262 4 -248.053262 6 -257.852165

chord yang dikenali : Fmaj




















Gmaj41:Label Log of Probability-------------------------- 1 -131.216558 3 -147.516405 2 -229.867930 4 -232.439781 6 -236.657513 5 -276.462006



chord yang dikenali : Gmaj


















Amin41:Label Log of Probability-------------------------- 4 -147.592463 2 -174.440263 1 -214.609002 5 -217.558245 6 -226.169342 3 -230.593409

chord yang dikenali : Amin




















Dmin41:Label Log of Probability-------------------------- 5 -106.339019 6 -238.663645 2 -240.628088 4 -298.553628 3 -318.971323 1 -326.330002

chord yang dikenali : Dmin








chord yang dikenali : DminDmin46:Label Log of Probability-------------------------- 5 -131.214464 6 -202.796418 3 -215.596700 4 -219.812644 2 -223.247575 1 -226.498159











Emin41:Label Log of Probability-------------------------- 6 -120.461025 3 -174.178222 4 -201.203458 5 -225.808438 1 -227.670226 2 -231.960297

chord yang dikenali : Emin






















Cmaj41 - Cmaj50

Label Log of Probability-------------------------- 1 -92.186784 4 -148.059513 5 -149.297300 6 -157.004170 2 -229.911864 3 -231.676390




















Fmaj41 - Fmaj50






















Gmaj41 – Gmaj50






















Amin41 – Amin50






















Dmin41 – Dmin50





















Emin41 – Emin50

























Cmaj41 – Cmaj50





















Fmaj41 – Fmaj50






















Gmaj41 – Gmaj50






















Amin41 – Amin50






















Dmin41 – Dmin50





















Emin41 – Emin50























Training = 10Codebook = 32

Durasi HMM = 2,99 sAkurasi sistem = 66,67%

Cmaj41 – Cmaj50





















Fmaj41 – Fmaj50






















Gmaj41 – Gmaj50






















Amin41 – Amin50






















Dmin41 – Dmin50





















Emin41 - Emin50

























Cmaj41 – Cmaj50





















Fmaj41 - Fmaj50






















Gmaj41 - Gmaj50






















Amin41 - Amin50






















Dmin41 - Dmin50





















Emin41 - Emin50

























Cmaj41 - Cmaj50





















Fmaj41 - Fmaj50






















Gmaj41 - Gmaj50






















Amin41 - Amin50






















Dmin41 – Dmin50





















Emin41 – Emin50























Documents

UNIVERSITAS INDONESIA SIMULASI PENGENALAN CHORD …lib.ui.ac.id/file?file=digital/20248996-R030973.pdf · Tabel 4.1 Nama chord dan file chord uji coba ... dan pengelompokannya sesuai