PENGENALAN NADA ALAT MUSIK MENGGUNAKAN EKSTRAKSI CIRI PERATAAN SEGMEN BERBASIS DST, DAN PENGKLASIFIKASI SVM
DOI:
https://doi.org/10.3415/jurtek.v11i2.1400Keywords:
DST, pengenalan nada, perataan segmen, SVMAbstract
Pengenalan nada alat musik oleh komputer merupakan suatu upaya untuk membuat komputer dapat meniru kemampuan manusia dalam mengenali nada alat musik. Makalah ini mengusulkan suatu metode ekstraksi ciri dalam suatu pengenalan nada alat musik. Secara lebih detil, metode ekstraksi ciri yang yang diusulkan adalah perataan segmen berbasis DST (Discrete Sine Transform). Alat musik yang digunakan adalah pianika dan belira. Pianika merupakan representasi dari alat musik yang mempunyai nada polifonik, sedangkan belira merupakan representasi dari alat musik yang mempunyai nada monofonik. Pengklasifikasi yang digunakan dalam pengenalan nada ini adalah SVM (Support Vector Machine). Hasil percobaan memperlihatkan bahwa metode ekstraksi ciri yang diusulkan hanya memerlukan 8 koefisien esktraksi ciri untuk merepresentasikan suatu nada, baik nada polifonik maupun monofonik. Kemudian, pengklasifikasi SVM yang digunakan hanya memerlukan fungsi kernel linear. Penggunaan 8 koefisien ekstraksi ciri dan fungsi kernel linear tersebut sudah dapat memberikan tingkat pengenalan tertinggi hingga 100%.
Downloads
References
Forster, C. (2010). Musical Mathematics: On the Art of Science and Acoustic Instruments (pp. vii-viii). California: Chronicle Books LLC.
Fruandta A, & Buono A., (2011, Juni). Identifikasi Campuran Nada pada Suara Piano Menggunakan Codebook. Prosiding Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2011 (pp. G8-G13). Universitas Islam Indonesia, Yogyakarta.
Gaffar, I., Hidayatno, A., & Zahra, A.A. (2012). Aplikasi Pengkonversi Nada-nada Instrumen Tunggal Menjadi Chord Menggunakan Metode Pitch Class Profile. Transient. 1(3), 121-127.
Izzudin, A., Santoso, T.B., & Dutono T. (2005). Pengenalan Nada-Nada Tunggal Pada Gitar Dengan Menggunakan Teknik Pengolahan Sinyal Digital. EEPIS Journal Online System. 10(1).
McAdams, S. (1993). Recognition of Auditory Sound Sources and Events. Thinking in Sound: The Cognitive Psychology of Human Audition (pp. 146-198). Oxford: Oxford University Press.
Meseguer, N. A. (2009). Speech Analysis for Automatic Speech Recognition (MSc Thesis). Trondheim. NTNU.
Mitre A, Queiroz M, & Faria R. (2006, Mei). Accurate and Efficient Fundamental Frequency Determination from Precise Partial Estimates. Proceedings of the 4th AES Brazil Conference (pp. 113-118). Sao Paulo, Brazil: Audio Engineering Society (AES).
Noll, M. (1970). Pitch Determination of Human Speech by the Harmonic Product Spectrum, the Harmonic Sum Spectrum and a Maximum Likelihood Estimate. Proceedings of the Symposium on Computer Processing in Communications. Brooklyn, New York. Polytechnic Press. 19: 779-797.
Nurdiyah, D. & Muwakhid, I.A. (2016). Perbandingan Support Vector Machine Dan K-Nearest Neighbor Untuk Klasifikasi Telur Fertil dan Infertil Berdasarkan Analisis Texture GLCM. Transformatika. 13(2), 29-34.
Oppenheim, A.V. & Schafer, R.W. (1989). Discrete-Time Signal Processing (pp. 447-448). New Jersey: Prentice-Hall Inc.
Rifkin, R.M. & Klautau, A.B.R. (2004). In Defense of One-vs-All Classification. The Journal of Machine Learning Research. 5, 101–141.
Setiawan, Y.R. (2015). Pengenalan Ucapan Angka Menggunakan Transformasi Fourier Cepat dan Similaritas Kosinus (Skripsi). Yogyakarta. Universitas Sanata Dharma.
Sumarno L. (2016). On The Performace of Segment Averaging of Discrete Cosine Transform Coefficients on Musical Instruments Tone Recognition. ARPN Journal of Engineering and Applied Sciences. 11(9), 5644-5649.
Sumarno L., & Iswanjono. (2017). Feature Extraction of Musical Instrument Tones using FFT and Segment Averaging. Telkomnika. 15(3), 1280-1289.
Tan, L. & Jiang, J. (2013). Digital Signal Processing Fundamentals and Applications. Second Edition. Oxford: Elsevier Inc. pp. 15-56.
Tjahyanto, A., Suprapto, Y.K., & Wulandari, D.P. (2013). Spectral-based Features Ranking for Gamelan Instruments Identification using Filter Techniques. Telkomnika. 11(1), 95-106.
Vapnik, V. N. (1995). The Nature of Statistical Learning Theory, New York: Springer-Verlag.
Vapnik, V. N. (1998). Statistical Learning Theory. New York: Wiley.
Downloads
Published
How to Cite
Issue
Section
License
Jurnal Teknologi provides immediate open access to its content in order of making research freely available to the public to support a global exchange of knowledge. All articles published in this journal are free for everyone to read and download, under licence CC BY SA.
Benefits of open access for the author, include:
- Free access for all users worldwide.
- Authors retain copyright to their work.
- Increased visibility and readership.
- No spatial constraints.
