analisis pengenalan klasifikasi musik berdasarkan genre dengan

Tugas Akhir - 2009
ANALISIS PENGENALAN KLASIFIKASI MUSIK BERDASARKAN GENRE
DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN SOMS (SELFORGANIZING-MAPS)
Tiffany Rizkiana Agustine¹, Iwan Iwut Tritoasmoro², Joko Haryatno ³
¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom
Abstrak
Genre musik adalah salah satu data musik digital yang ditentukan oleh seseorang untuk
mengklasifikasikan musik berdasarkan semua persamaan karakter yang dimiliki tiap jenisnya.
Karakteristik yang dimaksud biasanya dilihat dari frekuensi musik, stuktur ritmik, struktur
instrumentasi, dan konten harmoni yang dimiliki musik tersebut. Pengklasifikasian genre musik
ini berguna untuk menyusun kelompok besar musik yang terdapat di Web. Saat ini
pengklasifikasian genre musik masih dilakukan secara manual. Pengklasifikasian genre musik
secara otomatis akan dapat menggantikan pengklasifikasian secara manual sehingga
pengklasifikasianya tidak lagi bersifat relatif. Pengklasifikasian dapat dilakukan dengan
standarisasi yang telah kita tentukan.
Pada tugas akhir ini digunakan input berupa file suara dalam format .wav berdurasi 25 - 35 detik
dengan dua macam ekstraksi ciri dari dua macam referensi yang berbeda, yaitu berdasarkan
konten frekuensi dan tekstur timbralnya. Metode pengenalan yang digunakan adalah Jaringan
Syaraf Tiruan metode Self-Organizing Maps (SOMs).
Pengujian dilakukan dengan dua macam ekstraksi ciri untuk setiap lagu. Hasil akurasi terbaik
didapatkan pada ekstraksi ciri satu, yaitu metode konten frekuensi. Secara keseluruhan akurasi
sistem yang dibuat sebesar 61.62 % dengan rata-rata waktu komputasi 9-12 detik per lagu.
Kata Kunci : Ekstraksi ciri, klasifikasi suara, klasifikasi genre musik, SOMs(Self-Organizing
Maps)
Abstract
Musical genres are one of digital music data decided by human to be categorized by the common
characteristics shared by it members. These characteristics typically are related to the frequency
content, rhytmic structure, instrumentations, and also the harmony content itself. Genre
hierarchies will be so usefull to structure the large collections of music that now available freely
on the Web. Currently musical annotation is performed manual. Automatic musical genre
classifications can replace the human user in this process so that this kind of classification will
not be relative anymore and can be classified by its standarization.
In this final project, the input is sound file in .wav format with 30-seconds duration, with two ways
of feature extractions from two kinds of different refferences, based on the frequency contents
and the timbral texture. The recognition method which being used is SOMs Neural Network.
Tests are done by using two ways of feature extraction for each songs. The most accurate result is
from the first feature extraction, which is frequency content method. Overall, the system accuracy
is 61,62 % with average computation time of 9-12 seconds per song.
Keywords : Feature Extractions, Audio Classification, Musical Genre Classifications, SOMs
Fakultas Teknik Elektro
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2009
BAB 1
PENDAHULUAN
1.1
Latar Belakang
Musik merupakan hal yang universal di dunia. Hampir semua orang
mendengarkan musik setiap hari. Cara yang dilakukan untuk mendapatkan dan
mendengarkan rekaman musik juga bermacam-macam. Bisa dari kaset tape
recorder, CD, download dari internet dan sebagainya. Musik sendiri sebenarnya
memiliki berbagai aliran, dari mulai yang beritme lambat seperti aliran musik
klasik, yang beritme sedang seperti pop, sampai musik-musik dengan tempo
dan aliran yang agak sedikit nge-beat atau bertempo cepat, seperti aliran pop
berkembang, dangdut, atau rock.
Dikarenakan jenis musik yang beraneka ragam maka pengenalan dan
pengklasifikasian aliran musik merupakan suatu objek permasalahan yang
menarik untuk diteliti. Dari jurnal dan penelitian yang sudah ada terdapat
banyak cara dan metode yang dapat digunakan untuk pengenalan dan
pengklasifikasian, salah satunya adalah dengan menggunakan Jaringan Syaraf
Tiruan. Metode-metode yang dapat digunakan seperti Back Propagation,
Learning Vector Quantization, dan lain-lain. Penggunaan metode SelfOrganizing Maps (SOMs) dipilih dengan pemikiran bahwa metode yang akan
digunakan ini diharapkan dapat menghasilkan tingkat performansi dan
keakuratan proses pengenalan lebih tinggi dibandingkan dengan metode
lainnya.
ANALISIS PENGENALAN KLASIFIKASI MUSIK BERDASARKAN GENRE DENGAN
MENGGUNAKAN JARINGAN SYARAF TIRUAN SOMs (SELF-ORGANIZING MAPS)
Fakultas Teknik Elektro
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2009
2
Bab 1 Pendahuluan
1.2 Perumusan Masalah
Berdasarkan latar belakang permasalahan di atas, dapat dirumuskan
permasalahan sebagai berikut:
1. Bagaimana proses agar suatu data suara dapat dijadikan data latih dan
dibaca sebagai vektor sehingga dapat dikenali oleh jaringan syaraf tiruan
(neural network).
2. Ekstraksi Ciri yang digunakan untuk dijadikan sebagai pola pengenalan
dalam jaringan syaraf tiruan.
3. Bagaimana SOMs bisa bekerja dalam mengenali pola-pola suara data latih
yang sudah terbentuk.
4. Tingkat performansi dan keakurasian dari sistem yang dibangun dengan
metode SOMs.
Dengan hipotesa awal adalah penggunaan ekstraksi ciri dan jaringan
syaraf tiruan yang dibangun dengan menggunakan metode ini dapat
menghasilkan tingkat keakuratan yang lebih tinggi daripada metode lainnya.
Mengingat untuk kasus pengenalan genre musik dengan menggunakan metode
Back Propagation terdapat kasus yang keakuratannya hanya mencapai 72%[1].
1.3
Pembatasan Masalah
Batasan masalah yang digunakan agar permasalahan yang dibahas tidak
meluas adalah:
1. Aliran musik yang dijadikan sebagai kategori terbatas pada aliran musik
dasar yang sudah banyak dikenal oleh masyarakat dan perbedaannya dapat
didengar dengan jelas seperti dangdut, pop, jazz, dan rock.
2. Format lagu yang akan diproses adalah .wav
3. Data suara yang dijadikan data latih disimpan dalam bentuk grafik data
suara.
ANALISIS PENGENALAN KLASIFIKASI MUSIK BERDASARKAN GENRE DENGAN
MENGGUNAKAN JARINGAN SYARAF TIRUAN SOMs (SELF-ORGANIZING MAPS)
Fakultas Teknik Elektro
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2009
3
Bab 1 Pendahuluan
1.4 Tujuan dan Kegunaan Penelitian
Tujuan dari pembuatan tugas akhir ini adalah agar tercapainya hal-hal
sebagai berikut:
1. Mengimplementasikan sebuah sistem yang mempunyai kemampuan
pengenalan dan pengkategorian lagu berdasarkan alirannya menggunakan
metode jaringan syaraf tiruan SOMs.
2. Menganalisis tingkat ketelitian dan keakuratan yang didapat dari proses
pengenalan.
3. Mengganti cara identifikasi aliran musik yang manual ke cara yang berbasis
komputasi.
1.5
Metodologi Penelitian
Penelitian ini dilakukan dengan metodologi sebagai berikut:
1. Tahap studi literatur.
Studi literature mengenai konsep-konsep pengenalan dan pengolahan data
suara pada umumnya.
2. Tahap perancangan, realisasi perangkat.
Perancangan sistem berdasarkan dari hasil studi literatur, pemodelan dari
sistem tersebut diterjemahkan ke program simulasi dengan software
MATLAB 7.6 (R2008)
3. Tahap pengujian perangkat.
Pada langkah ini akan diuji performansi dari aplikasi yang telah dibuat
4. Tahap analisis dan penarikan kesimpulan.
1.6
Sistematika Pembahasan
Bab 1 : PENDAHULUAN
Pada bab I ini, dijelaskan mengenai latar belakang, tujuan, batasan
masalah, dan metoda pelaksanaan penelitian serta sistematika
pembahasan laporan.
ANALISIS PENGENALAN KLASIFIKASI MUSIK BERDASARKAN GENRE DENGAN
MENGGUNAKAN JARINGAN SYARAF TIRUAN SOMs (SELF-ORGANIZING MAPS)
Fakultas Teknik Elektro
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2009
4
Bab 1 Pendahuluan
Bab 2 : DASAR TEORI
Bab ini merupakan tinjauan pustaka dari pengolahan suara, sistem
identifikasi data suara dan algoritma yang digunakan untuk
implementasi sistem.
Bab 3 : PERANCANGAN DAN IMPLEMENTASI SISTEM
Perancangan dimulai dari deskripsi masalah dan persyaratan pengguna
(user
requirements).
Pengembangan
aplikasi,
dan
interpretasi
algoritma dibahas di sini.
Bab 4 : PENGUJIAN DAN ANALISIS
Evaluasi aplikasi identifikasi genre musik yang dihasilkan dibahas di
sini. Beserta analisis performansi yang berhasil dicapai.
Bab 5 : KESIMPULAN DAN SARAN
Bab ini berisi simpulan dari implementasi yang dilakukan serta saran
untuk pengembangan di masa mendatang.
ANALISIS PENGENALAN KLASIFIKASI MUSIK BERDASARKAN GENRE DENGAN
MENGGUNAKAN JARINGAN SYARAF TIRUAN SOMs (SELF-ORGANIZING MAPS)
Fakultas Teknik Elektro
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2009
BAB 5
KESIMPULAN DAN SARAN
5.1
Kesimpulan
Dari hasil analisis terhadap pengujian yang dilakukan pada sistem
pengklasifikasian lagu berdasarkan genre dengan menggunakan jaringan syaraf
tiruan SOM, maka dapat ditarik kesimpulan sebagai berikut :
1. Tingkat akurasi yang paling tinggi untuk dua metode ekstraksi ciri
berdasarkan cluster yang terbentuk adalah:
a.
Metode konten frekuensi, dengan jumlah ciri sebanyak 109
buah didapatkan tingkat akurasi
80 %. Parameter jaringan yang
disimulasikan: 10 epochs , topologi Gridtop, dan fungsi jarak Linkdist.
Jaringan yang terbentuk berjumlah 32 kelas.
b.
Metode spektral timbre, dengan jumlah ciri sebanyak 160
buah mempunyai tingkat akurasi yang lebih rendah dengan nilai 77,14%
pada parameter jaringan : 10 epochs, topologi Gridtop, dan fungsi jarak
Linkdist.
2. Keberhasilan sistem klasifikasi musik berdasarkan genre pada dasarnya
sangat dipengaruhi oleh sistem ekstraksi ciri yang dibangun.
3. Jumlah data latih yang digunakan pada proses training JST SOM juga
mempengaruhi terhadap tingkat akurasi keberhasilan pengenalan data uji.
Semakin sedikit jumlah data latih maka tingkat akurasi sistem akan semakin
rendah
4. Jaringan syaraf tiruan SOM dapat memberikan hasil klasifikasi yang
optimal jika penentuan kombinasi parameter-parameter yang digunakan
sesuai, sehingga dapat digunakan untuk identifikasi.
ANALISIS PENGENALAN KLASIFIKASI MUSIK BERDASARKAN GENRE DENGAN
MENGGUNAKAN JARINGAN SYARAF TIRUAN SOMs (SELF-ORGANIZING MAPS)
Fakultas Teknik Elektro
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2009
45
Bab 5 Kesimpulan dan Saran
5. Waktu yang diperlukan untuk melakukan pengklasifikasian genre musik
mulai dari proses ekstraksi ciri sampai dengan klasifikasi adalah 9-12 detik
per lagu, sehingga kurang cocok untuk sistem aplikasi real time.
5.2
Saran
Pengembangan yang dapat dilakukan pada tugas akhir ini antara lain :
1. Pada proses ekstrkasi ciri bisa dikembangkan dengan proses yang lebih
kompleks pada konten frekuensi dan spektral timbrenya sehingga bisa
didapatkan ciri yang lebih baik dan detail untuk setiap lagu.
2. Pada proses klasifikasi bisa digunakan model jaringan syaraf tiruan yang
lain baik yang supervised learning maupun unsupervised learning sehingga
bisa dibandingkan hasil akhirnya
3. Pemberian data latih yang lebih banyak sehingga bisa mengenali jenis genre
dengan akurasi yang lebih tinggi.
4. Sistem bisa dikembangkan untuk mengenali lebih banyak jenis genre, baik
jenis genre yang sudah umum ataupun jenis genre yang baru di dunia musik.
5. Sistem dikembangkan untuk waktu komputasi yang lebih singkat agar
mampu menjadi sistem yang real time.
ANALISIS PENGENALAN KLASIFIKASI MUSIK BERDASARKAN GENRE DENGAN
MENGGUNAKAN JARINGAN SYARAF TIRUAN SOMs (SELF-ORGANIZING MAPS)
Fakultas Teknik Elektro
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2009
DAFTAR PUSTAKA
[1]
Binawati. 2005. Klasifikasi Lagu berdasarkan Genre Musik dengan Jaringan
Saraf Tiruan Propagasi Balik. http://www.library.binus.ac.id/. 28Desember
2008.
[2]
Hollmen, Jaako. 2000. A Learning Vector Quantization Algorithm For
Probabilistic Models. Munich, Jerman.
[3]
Kohonen, T., Hynninen, J., Kangas, J., Laaksonen, J. (1996). SOM_PAK: The
self-organizing map program package. Report A31. Helsinki University of
Technology, Laboratory of Computer and Information Science, Espoo,
Finland. Also available in the Internet at the address
http://www.cis.hut.fi/research/som_lvq_pak.shtml.
[4]
Scott, Paul. 2001. Music Classification using Neural Network.
www.stanford.edu/class/ee373a/musicclassification.pdf. 20 Desember 2008.
[5]
Tzanetakis, George. 2002. Musical Genre Classification of Audio Signals.
IEEE.
xiii
Fakultas Teknik Elektro
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Telekomunikasi