Upload
tranhanh
View
227
Download
3
Embed Size (px)
Citation preview
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
(………….)
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
2
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
3
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
4
Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
5 Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
6
Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
7
Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
8
Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
9
Universitas Indonesia
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]:
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
10
Universitas Indonesia
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
Tingkat : 1 – b3 – 5
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
Tingkat : 1 – b3 – 5
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
11
Universitas Indonesia
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].
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
12
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
13
Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Universitas Indonesia
adalah suatu proses untuk membagi-bagi suatu sinyal kontinu
ktu yang telah ditentukan. Sampling ini dilakukan dengan
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 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
Universitas Indonesia
bagi suatu sinyal kontinu
ini dilakukan dengan
mengubah sinyal analog menjadi sinyal dijital dalam fungsi waktu. Pengubahan
bentuk sinyal ini bertujuan untuk mempermudah memroses sinyal masukan yang
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
15
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Universitas Indonesia
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
sehingga menyebabkan kesalahan data pada proses transformasi Fourier.
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
Universitas Indonesia
dilakukan dengan membagi sinyal suara menjadi
(2.2)
yimpangan pada sinyal yang
Sinyal suara yang
akan menyebabkan efek diskontinuitas
sehingga menyebabkan kesalahan data pada proses transformasi Fourier.
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 )
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Universitas Indonesia
Discrete Fourier Transform dan Fast 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 dibandingkan dengan sinyal pada domain
waktu. Hal ini dikarenakan pada domain frekuensi, kuat lemahnya suara tidak
Discrete Fourier Transform (DFT) adalah suatu metode yang digunakan
untuk mengubah domain suatu gelombang dari domain waktu ke 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
( 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
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 persamaan :
dengan k = 0,1,...,N-1
dapat dituliskan sebagai ,
17
Universitas Indonesia
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
dibandingkan dengan sinyal pada domain
waktu. Hal ini dikarenakan pada domain frekuensi, kuat lemahnya suara tidak
(DFT) adalah suatu metode yang digunakan
waktu ke 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
( 2.5)
(FFT) merupakan algoritma yang lebih cepat dari
(DFT). FFT dapat mereduksi jumlah perhitungan
untuk setiap N data yang sama pada perhitungan DFT sehingga perhitungan yang
ada menjadi lebih cepat, khususnya ketika nilai N yang digunakan cukup besar
( 2.6 )
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
= 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
Universitas Indonesia
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
Persepsi manusia terhadap frekuensi dari sinyal suara tidak mengikuti
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
Universitas Indonesia
( 2.7)
( 2.8 )
sedangkan FFT
M. Dengan
ntasikan DFT.
Persepsi manusia terhadap frekuensi dari sinyal suara tidak mengikuti
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
19
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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]
Dalam pembentukan codebook untuk iterasi guna memperbaiki kuantisasi
General Lloyd Algorithm (GLA) atau disebut algoritma
Algoritma LBG tersebut dapat diimplementasikan dengan
20
Universitas Indonesia
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 )
Dalam pembentukan codebook untuk iterasi guna memperbaiki kuantisasi
algoritma LBG
tersebut dapat diimplementasikan dengan
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Universitas Indonesia
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
ditentukan. Pada proses pengenalan, total distorsi yang paling kecil antara
dan codebook dari masukan merupakan hasil identifikasi.
21
Universitas Indonesia
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
ditentukan. Pada proses pengenalan, total distorsi yang paling kecil antara
merupakan hasil identifikasi.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
22
Universitas Indonesia
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]:
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Universitas Indonesia
(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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
State 2 : waveform segment
State 3 : waveform segment
State 4 : waveform segment
State 5 : waveform segment
maka probabilitas dari observasi HMM berdasarkan persamaan (2.22) adalah
sebagai berikut.
Universitas Indonesia
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)
waveform segment 2 (w2)
waveform segment 3 (w3)
waveform segment 4 (w4)
waveform segment 5 (w5)
maka probabilitas dari observasi HMM berdasarkan persamaan (2.22) adalah
24
Universitas Indonesia
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 )
maka probabilitas dari observasi HMM berdasarkan persamaan (2.22) adalah
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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.
Universitas Indonesia
, 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
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
26 Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
27
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
28
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
29
Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
30
Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
31
Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
32
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
33
Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
34
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
35
Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
36 Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
37
Universitas Indonesia
2. Uji coba sampel dengan jumlah repetisi 10 dan ukuran codebook 64.
3. Uji coba sampel dengan jumlah repetisi 10 dan ukuran codebook 128.
4. Uji coba sampel dengan jumlah repetisi 20 dan ukuran codebook 32.
5. Uji coba sampel dengan jumlah repetisi 20 dan ukuran codebook 64.
6. Uji coba sampel dengan jumlah repetisi 20 dan ukuran codebook 128.
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
Cmaj42 Cmaj Cmaj Cmaj Cmaj Cmaj Cmaj
Cmaj43 Cmaj Cmaj Cmaj Cmaj Cmaj Cmaj
Cmaj44 Gmaj Cmaj Cmaj Gmaj Cmaj Cmaj
Cmaj45 Cmaj Cmaj Cmaj Cmaj Cmaj Cmaj
Cmaj46 Emin Cmaj Cmaj Fmaj Cmaj Cmaj
Cmaj47 Gmaj Gmaj Cmaj Cmaj Gmaj Cmaj
Cmaj48 Cmaj Cmaj Cmaj Cmaj Cmaj Cmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
38
Universitas Indonesia
Cmaj49 Cmaj Cmaj Gmaj Cmaj Cmaj Cmaj
Cmaj50 Cmaj Cmaj Cmaj Amin Cmaj Cmaj
4.1.2 Hasil Uji Coba Chord D Minor
Pada Tabel 4.3 dapat dilihat seluruh hasil uji coba program dengan untuk
chord D minor.
Tabel 4.3 Hasil uji coba chord D minor
Jumlah repetisi 10 20
Bobot codebook 32 64 128 32 64 128
File pengujian
(.wav) Hasil identifikasi Hasil identifikasi
Dmin41 Dmin Dmin Dmin Dmin Dmin Dmin
Dmin42 Dmin Dmin Dmin Cmaj Dmin Dmin
Dmin43 Gmaj Gmaj Dmin Gmaj Fmaj Dmin
Dmin44 Dmin Dmin Dmin Dmin Dmin Dmin
Dmin45 Dmin Dmin Dmin Dmin Dmin Dmin
Dmin46 Amin Gmaj Emin Dmin Dmin Dmin
Dmin47 Dmin Dmin Dmin Cmaj Dmin Dmin
Dmin48 Dmin Dmin Dmin Dmin Dmin Dmin
Dmin49 Dmin Dmin Dmin Fmaj Dmin Dmin
Dmin50 Dmin Dmin Dmin Dmin Dmin Dmin
4.1.3 Hasil Uji Coba Chord E Minor
Pada Tabel 4.4 dapat dilihat seluruh hasil uji coba program dengan untuk
chord E minor.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
39
Universitas Indonesia
Tabel 4.4 Hasil uji coba chord E minor
Jumlah repetisi 10 20
Bobot codebook 32 64 128 32 64 128
File pengujian
(.wav) Hasil identifikasi Hasil identifikasi
Emin41 Amin Emin Emin Emin Emin Emin
Emin42 Amin Emin Emin Emin Emin Emin
Emin43 Amin Amin Amin Emin Emin Emin
Emin44 Amin Emin Emin Emin Emin Emin
Emin45 Emin Emin Emin Emin Emin Emin
Emin46 Amin Emin Emin Emin Emin Emin
Emin47 Emin Emin Emin Emin Emin Emin
Emin48 Amin Amin Amin Emin Emin Emin
Emin49 Emin Emin Emin Emin Emin Emin
Emin50 Cmaj Emin Emin Emin Emin Emin
4.1.4 Hasil Uji Coba Chord F Mayor
Pada Tabel 4.5 dapat dilihat seluruh hasil uji coba program dengan untuk
chord F mayor.
Tabel 4.5 Hasil uji coba chord F mayor
Jumlah repetisi 10 20
Bobot codebook 32 64 128 32 64 128
File pengujian
(.wav) Hasil identifikasi Hasil identifikasi
Fmaj41 Fmaj Fmaj Fmaj Fmaj Fmaj Fmaj
Fmaj42 Fmaj Fmaj Fmaj Fmaj Fmaj Fmaj
Fmaj43 Fmaj Fmaj Fmaj Fmaj Fmaj Fmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
40
Universitas Indonesia
Fmaj44 Gmaj Fmaj Fmaj Fmaj Fmaj Fmaj
Fmaj45 Fmaj Fmaj Fmaj Fmaj Fmaj Fmaj
Fmaj46 Fmaj Fmaj Fmaj Fmaj Fmaj Fmaj
Fmaj47 Fmaj 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
Pada Tabel 4.6 dapat dilihat seluruh hasil uji coba program dengan untuk
chord G mayor.
Tabel 4.6 Hasil uji coba chord G mayor
Jumlah repetisi 10 20
Bobot codebook 32 64 128 32 64 128
File pengujian
(.wav) Hasil identifikasi Hasil identifikasi
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
41
Universitas Indonesia
4.1.6 Hasil Uji Coba Chord A Minor
Pada Tabel 4.7 dapat dilihat seluruh hasil uji coba program dengan untuk
chord A minor.
Tabel 4.7 Hasil uji coba chord A minor
Jumlah repetisi 10 20
Bobot codebook 32 64 128 32 64 128
File pengujian
(.wav) Hasil identifikasi Hasil identifikasi
Amin41 Amin Amin Amin Amin Amin Amin
Amin42 Amin Amin Amin Amin Amin Amin
Amin43 Cmaj Cmaj Cmaj Cmaj Cmaj Amin
Amin44 Amin Amin Amin Gmaj Amin Amin
Amin45 Amin Amin Amin Amin Amin Amin
Amin46 Amin Amin Amin Amin Amin Amin
Amin47 Amin Amin Amin Amin Amin Amin
Amin48 Amin Amin Amin Amin Amin Amin
Amin49 Emin Emin Emin Amin Amin Amin
Amin50 Amin Amin Amin 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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
42
Universitas Indonesia
Tabel 4.8 Persentase pengenalan masing-masing label chord
Jumlah repetisi 10 20
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
43
Universitas Indonesia
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.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
44
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
45
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
46
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
47
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
48
Universitas Indonesia
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
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
49
Universitas Indonesia
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%.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
50 Universitas Indonesia
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%.
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
51 Universitas Indonesia
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 :
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
52
Universitas Indonesia
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).
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
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
Cmaj42:Label Log of Probability-------------------------- 1 -115.389806 3 -178.116664 4 -249.690174 6 -253.660567 2 -300.476848 5 -340.065964
chord yang dikenali : Cmaj
Cmaj43:Label Log of Probability-------------------------- 1 -132.859452 2 -191.933353 4 -202.862248 3 -206.856780 5 -213.789907 6 -278.731321
chord yang dikenali : Cmaj
Cmaj44:Label Log of Probability-------------------------- 1 -127.162396 3 -157.199009 2 -199.252922 5 -212.451209 6 -236.940296 4 -242.238240
chord yang dikenali : Cmaj
Cmaj45:Label Log of Probability-------------------------- 1 -116.526500 3 -160.167306 2 -185.502144 4 -267.950655 5 -272.643704 6 -320.574909
chord yang dikenali : Cmaj
Cmaj46:Label Log of Probability-------------------------- 1 -106.971574 2 -167.621152 3 -206.674911 5 -214.862190 4 -301.957129 6 -347.041939
chord yang dikenali : Cmaj
Cmaj47:Label Log of Probability-------------------------- 1 -138.965576 3 -191.301669 2 -209.271283 5 -238.670000 6 -240.376699 4 -251.319983
chord yang dikenali : Cmaj
Cmaj48:Label Log of Probability-------------------------- 1 -102.047004 3 -188.782449 2 -191.165206 5 -280.916243 4 -294.968308 6 -334.814276
chord yang dikenali : Cmaj
Cmaj49:Label Log of Probability-------------------------- 1 -79.805113 3 -340.541729 4 -351.249019 2 -354.713812 5 -361.393798 6 -361.718480
chord yang dikenali : Cmaj
Cmaj50:Label Log of Probability-------------------------- 1 -142.302393 5 -211.766519 6 -214.132228 4 -222.888268 2 -223.139631 3 -273.186193
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
Fmaj42:Label Log of Probability-------------------------- 2 -132.649309 1 -214.228102 3 -215.188707 4 -217.454813 5 -219.785232 6 -242.072602
chord yang dikenali : Fmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Fmaj43:Label Log of Probability-------------------------- 2 -131.934316 6 -227.754636 4 -275.398397 1 -293.127739 5 -295.476215 3 -311.136436
chord yang dikenali : Fmaj
Fmaj44:Label Log of Probability-------------------------- 2 -127.873978 3 -194.918704 5 -201.898530 1 -212.599709 4 -221.049307 6 -230.029918
chord yang dikenali : Fmaj
Fmaj45:Label Log of Probability-------------------------- 2 -132.212094 4 -235.210183 5 -238.965022 3 -288.564093 6 -288.751447 1 -343.561800
chord yang dikenali : Fmaj
Fmaj46:Label Log of Probability-------------------------- 2 -153.144750 5 -195.609249 6 -216.289091 4 -265.906720 1 -270.006905 3 -279.682830
chord yang dikenali : Fmaj
Fmaj47:Label Log of Probability-------------------------- 2 -138.446389 4 -191.518830 1 -191.530538 5 -199.644192 6 -206.307363 3 -219.270162
chord yang dikenali : Fmaj
Fmaj48:Label Log of Probability-------------------------- 2 -97.823536 3 -190.913412 4 -223.040682 1 -241.295193 5 -271.560615 6 -369.807083
chord yang dikenali : Fmaj
Fmaj49:Label Log of Probability-------------------------- 2 -97.203805 3 -194.503978 5 -261.235207 1 -263.383598 4 -277.264177 6 -349.641694
chord yang dikenali : Fmaj
Fmaj50:Label Log of Probability-------------------------- 2 -99.761338 3 -161.587161 1 -194.945098 4 -196.120293 5 -258.644784 6 -301.920271
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 : Cmaj
Gmaj42:Label Log of Probability-------------------------- 3 -125.572807 2 -163.354833 5 -190.660876 1 -208.873738 6 -245.439201 4 -253.346704
chord yang dikenali : Gmaj
Gmaj43:Label Log of Probability-------------------------- 3 -134.630462 1 -190.654733 4 -200.114100 2 -232.718298 5 -265.640422 6 -283.169409
chord yang dikenali : Gmaj
Gmaj44:Label Log of Probability-------------------------- 3 -136.660212 1 -165.120635 2 -244.512685 4 -246.039045 5 -265.201845 6 -265.780539
chord yang dikenali : Gmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Gmaj45:Label Log of Probability-------------------------- 3 -130.618717 5 -172.126096 2 -196.512427 6 -206.717402 4 -210.700205 1 -242.733180
chord yang dikenali : Gmaj
Gmaj46:Label Log of Probability-------------------------- 3 -124.979806 1 -153.217004 2 -216.397855 4 -260.436527 6 -288.844283 5 -324.676216
chord yang dikenali : Gmaj
Gmaj47:Label Log of Probability-------------------------- 3 -135.865607 6 -136.588741 5 -144.729693 4 -184.527382 2 -223.490294 1 -233.104627
chord yang dikenali : Gmaj
Gmaj48:Label Log of Probability-------------------------- 3 -135.606711 5 -151.883767 6 -224.119703 4 -233.900796 2 -234.547958 1 -259.261410
chord yang dikenali : Gmaj
Gmaj49:Label Log of Probability-------------------------- 3 -122.440772 5 -126.286215 6 -199.932712 4 -232.811313 1 -246.159350 2 -255.593882
chord yang dikenali : Gmaj
Gmaj50:Label Log of Probability-------------------------- 3 -135.606711 5 -151.883767 6 -224.119703 4 -233.900796 2 -234.547958 1 -259.261410
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
Amin42:Label Log of Probability-------------------------- 4 -135.318055 6 -192.698277 5 -205.347591 1 -206.076523 2 -238.848413 3 -241.205980
chord yang dikenali : Amin
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
Amin44:Label Log of Probability-------------------------- 4 -145.590672 5 -180.019409 2 -208.331317 3 -216.877253 1 -242.324109 6 -253.446408
chord yang dikenali : Amin
Amin45:Label Log of Probability-------------------------- 4 -129.139001 6 -141.700972 5 -222.889544 3 -275.050311 2 -275.195476 1 -358.941766
chord yang dikenali : Amin
Amin46:Label Log of Probability-------------------------- 4 -126.730573 5 -164.202222 3 -208.915608 1 -228.150019 6 -284.123209 2 -338.960553
chord yang dikenali : Amin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Amin47:Label Log of Probability-------------------------- 4 -133.298700 5 -192.551759 6 -207.556161 2 -214.143070 3 -254.513765 1 -326.899695
chord yang dikenali : Amin
Amin48:Label Log of Probability-------------------------- 4 -152.994014 5 -169.810421 6 -179.609928 2 -197.195372 1 -233.645117 3 -260.865539
chord yang dikenali : Amin
Amin49:Label Log of Probability-------------------------- 4 -108.950845 6 -231.023766 3 -286.343220 5 -299.343091 2 -329.321957 1 -355.740825
chord yang dikenali : Amin
Amin50:Label Log of Probability-------------------------- 4 -129.139001 6 -141.700972 5 -222.889544 3 -275.050311 2 -275.195476 1 -358.941766
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
Dmin42:Label Log of Probability-------------------------- 5 -132.752301 2 -186.349946 4 -195.674784 1 -210.406296 3 -227.974487 6 -238.273462
chord yang dikenali : Dmin
Dmin43:Label Log of Probability-------------------------- 5 -136.350638 2 -169.985823 3 -171.105786 1 -182.602089 4 -215.066077 6 -224.336368
chord yang dikenali : Dmin
Dmin44:Label Log of Probability-------------------------- 5 -137.805791 4 -200.431574 6 -205.176171 2 -212.489570 3 -223.072068 1 -233.036634
chord yang dikenali : Dmin
Dmin45:Label Log of Probability-------------------------- 5 -122.806701 3 -168.954442 2 -209.408100 4 -223.446655 6 -225.678117 1 -254.334233
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
chord yang dikenali : Dmin
Dmin47:Label Log of Probability-------------------------- 5 -132.752301 2 -186.349946 4 -195.674784 1 -210.406296 3 -227.974487 6 -238.273462
chord yang dikenali : Dmin
Dmin48:Label Log of Probability-------------------------- 5 -124.838377 3 -173.315731 4 -197.031794 6 -204.590118 2 -261.435743 1 -268.121050
chord yang dikenali : Dmin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Dmin49:Label Log of Probability-------------------------- 5 -131.374943 2 -223.342238 4 -267.811674 6 -272.464543 3 -296.357191 1 -308.824290
chord yang dikenali : Dmin
Dmin50:Label Log of Probability-------------------------- 5 -122.806701 3 -168.954442 2 -209.408100 4 -223.446655 6 -225.678117 1 -254.334233
chord yang dikenali : Dmin
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
Emin42:Label Log of Probability-------------------------- 6 -123.030682 1 -219.147969 5 -223.601522 4 -235.522921 2 -245.407571 3 -269.906883
chord yang dikenali : Emin
Emin43:Label Log of Probability-------------------------- 6 -136.984136 5 -202.021541 1 -227.719175 4 -242.524469 3 -248.000861 2 -250.711221
chord yang dikenali : Emin
Emin44:Label Log of Probability-------------------------- 6 -111.999529 5 -191.661903 1 -205.599783 3 -209.138591 4 -290.053926 2 -297.878623
chord yang dikenali : Emin
Emin45:Label Log of Probability-------------------------- 6 -117.245170 5 -168.813477 4 -176.141452 3 -249.938977 2 -317.209438 1 -348.711753
chord yang dikenali : Emin
Emin46:Label Log of Probability-------------------------- 6 -124.679870 4 -183.590370 5 -206.693850 2 -255.906785 1 -256.651984 3 -258.261216
chord yang dikenali : Emin
Emin47:Label Log of Probability-------------------------- 6 -120.555244 5 -238.139537 3 -244.646418 2 -290.033748 4 -301.633452 1 -338.244598
chord yang dikenali : Emin
Emin48:Label Log of Probability-------------------------- 6 -118.866438 4 -184.946654 5 -204.857855 2 -206.782003 3 -212.871842 1 -333.344629
chord yang dikenali : Emin
Emin49:Label Log of Probability-------------------------- 6 -135.892571 5 -169.027484 3 -186.629176 2 -213.060160 4 -221.026937 1 -241.352654
chord yang dikenali : Emin
Emin50:Label Log of Probability-------------------------- 6 -136.704968 1 -156.810035 3 -191.023878 2 -216.071341 4 -216.275314 5 -340.714764
chord yang dikenali : Emin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Jumlah Repetisi (training) = 20Bobot Codebook = 64
Durasi operasi HMM = 7,2 sAkurasi sistem = 90,00%
Cmaj41 - Cmaj50
Label Log of Probability-------------------------- 1 -92.186784 4 -148.059513 5 -149.297300 6 -157.004170 2 -229.911864 3 -231.676390
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -96.422853 3 -140.132821 5 -178.254761 4 -193.063610 2 -193.860061 6 -236.745049
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -105.444190 4 -141.660849 2 -144.617624 3 -153.368428 5 -159.115451 6 -203.765811
chord yang dikenali : Cmaj
Cmaj44:Label Log of Probability-------------------------- 1 -106.478325 3 -111.678564 2 -129.580424 4 -138.030820 5 -166.948286 6 -232.359743
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -88.627316 3 -104.502664 4 -147.952692 2 -170.356151 5 -213.188630 6 -272.789974
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -105.191830 3 -106.212990 2 -127.474247 4 -168.274878 5 -315.172884 6 -324.864277
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 3 -110.005847 1 -112.278745 5 -145.501749 4 -153.032233 2 -192.397053 6 -199.304224
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 1 -95.445230 3 -121.220384 2 -156.236977 4 -158.857055 5 -281.549253 6 -316.308272
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -82.667680 3 -107.295342 4 -145.712002 5 -171.114507 2 -275.211957 6 -301.410792
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -125.468600 4 -155.977379 5 -174.203842 2 -186.913171 6 -187.868665 3 -195.113883
chord yang dikenali : Cmaj
Fmaj41 - Fmaj50
Label Log of Probability-------------------------- 2 -81.355975 3 -141.628305 4 -146.628840 5 -158.662808 1 -163.787992 6 -247.495866
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -110.489148 3 -133.734411 1 -161.260007 5 -167.913915 4 -194.979894 6 -218.321253
chord yang dikenali : Fmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 2 -117.821077 5 -140.891142 3 -170.240506 4 -218.058681 1 -221.017263 6 -232.355002
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -110.171390 3 -133.822190 5 -158.741883 1 -160.613772 4 -189.802120 6 -202.560886
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -114.180420 5 -153.505932 4 -158.550620 3 -233.246622 1 -268.247948 6 -280.476194
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -104.010369 5 -131.233609 3 -199.939457 6 -213.878513 4 -236.587279 1 -238.954677
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -125.004273 4 -132.923143 5 -140.856198 6 -145.273724 3 -153.062859 1 -170.063192
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -69.988902 3 -184.887624 4 -188.292075 5 -190.307644 1 -192.444234 6 -300.054778
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -76.695908 5 -181.285967 3 -193.522340 1 -198.314081 4 -207.176041 6 -313.390250
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -84.751700 3 -161.547031 5 -162.406960 4 -171.485524 1 -174.652189 6 -267.330641
chord yang dikenali : Fmaj
Gmaj41 – Gmaj50
Label Log of Probability-------------------------- 1 -98.837964 3 -110.378381 4 -125.721056 5 -153.843176 2 -156.827788 6 -218.726200
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 3 -112.277916 2 -130.579272 1 -160.727847 4 -171.561296 5 -216.617960 6 -237.778878
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -106.484305 1 -147.405425 5 -148.967753 4 -180.018694 2 -203.553425 6 -225.509431
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -110.831252 1 -112.524357 4 -138.134993 5 -161.277408 6 -205.352095 2 -210.887021
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -118.109772 4 -123.696287 6 -139.825387 5 -140.880304 1 -146.925422 2 -152.381347
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -96.526846 1 -112.078788 4 -182.613118 5 -190.262558 2 -219.768957 6 -239.971872
chord yang dikenali : Gmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 3 -97.972824 6 -112.007350 4 -127.551114 5 -131.300079 2 -146.296669 1 -165.052317
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 5 -127.293339 3 -139.823255 4 -141.867254 6 -162.688877 2 -195.276027 1 -214.780896
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 3 -95.789505 5 -102.783557 4 -118.720049 6 -122.550926 2 -149.497917 1 -175.500386
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 5 -127.293339 3 -139.823255 4 -141.867254 6 -162.688877 2 -195.276027 1 -214.780896
chord yang dikenali : Dmin
Amin41 – Amin50
Label Log of Probability-------------------------- 4 -108.623058 2 -157.459167 3 -162.799894 6 -174.796608 1 -193.060886 5 -236.950439
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -108.162354 6 -135.878665 5 -147.771267 3 -150.139535 1 -156.645034 2 -167.852395
chord yang dikenali : Amin
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
Label Log of Probability-------------------------- 4 -126.262525 2 -135.951275 3 -136.204756 1 -156.146546 6 -160.530163 5 -166.244560
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -98.310420 5 -163.802962 6 -164.709603 1 -215.928940 2 -226.175643 3 -318.060396
chord yang dikenali : Amin
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
Label Log of Probability-------------------------- 4 -114.198086 2 -152.927932 5 -169.405107 6 -215.214975 3 -223.618111 1 -244.527601
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -116.772503 5 -137.900842 6 -142.963053 2 -148.331596 3 -154.385028 1 -157.766928
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -92.000647 6 -149.444708 3 -268.309494 5 -283.922287 2 -303.479955 1 -330.828874
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -98.310420 5 -163.802962 6 -164.709603 1 -215.928940 2 -226.175643 3 -318.060396
chord yang dikenali : Amin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Dmin41 – Dmin50
Label Log of Probability-------------------------- 5 -84.085746 2 -116.436082 6 -200.628423 3 -222.052936 4 -246.962494 1 -271.215189
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -116.413218 2 -123.377457 3 -135.372279 4 -137.253716 1 -161.399044 6 -200.622498
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 2 -123.422602 3 -135.425725 5 -139.539500 4 -142.136340 1 -161.063839 6 -184.050374
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 5 -129.810379 4 -151.118465 6 -164.926740 3 -177.812394 1 -182.530068 2 -194.816805
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -100.750106 4 -127.254126 3 -130.047358 6 -146.975822 2 -158.080310 1 -195.844870
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -117.398444 6 -135.126784 4 -139.994788 2 -144.382981 3 -157.937959 1 -177.434400
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -116.413218 2 -123.377457 3 -135.372279 4 -137.253716 1 -161.399044 6 -200.622498
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -106.105810 3 -127.220967 6 -130.086474 4 -136.177624 2 -145.269123 1 -189.841709
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -110.020316 2 -145.081510 4 -242.814958 6 -259.039538 3 -266.260779 1 -295.325722
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -100.750106 4 -127.254126 3 -130.047358 6 -146.975822 2 -158.080310 1 -195.844870
chord yang dikenali : Dmin
Emin41 – Emin50
Label Log of Probability-------------------------- 6 -99.744596 4 -128.833742 3 -141.928745 1 -150.764854 2 -175.968443 5 -178.521080
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -101.259023 4 -138.025841 1 -149.144399 5 -180.930647 2 -182.155263 3 -212.798832
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -105.984832 4 -148.877773 5 -150.173344 3 -167.630684 2 -174.051708 1 -190.891596
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -97.539638 1 -124.391642 4 -125.998919 5 -137.820265 3 -140.080664 2 -155.236412
chord yang dikenali : Emin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 6 -91.475565 5 -172.587947 3 -174.362997 4 -176.947297 2 -280.861233 1 -290.718759
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -123.096310 4 -153.689504 2 -165.430654 5 -179.440468 3 -184.948513 1 -187.405992
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -115.664520 3 -155.758295 4 -162.982871 2 -178.678200 5 -196.501094 1 -293.537121
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -103.926381 4 -122.571817 2 -149.764392 5 -166.005252 1 -166.476346 3 -171.584425
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -110.550760 3 -142.566111 4 -145.885247 2 -156.929751 5 -161.463439 1 -199.575722
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -116.805642 1 -119.585731 3 -127.300681 4 -148.074956 5 -166.992245 2 -178.771607
chord yang dikenali : Emin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Jumlah Repetisi (training) = 20Bobot Codebook = 32
Durasi operasi HMM = 5,2 sAkurasi sistem = 78,33%
Cmaj41 – Cmaj50
Label Log of Probability-------------------------- 1 -79.897930 6 -90.330643 2 -91.951991 4 -103.348210 5 -103.934440 3 -126.137788
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -83.614639 3 -112.778379 2 -124.857325 5 -127.410833 4 -162.878268 6 -195.915211
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -81.505733 2 -108.738039 5 -111.285190 3 -123.655751 4 -125.785695 6 -127.861433
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 3 -82.673868 1 -90.920555 2 -92.147871 5 -100.804728 6 -101.298593 4 -115.173492
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 1 -68.991251 3 -82.561966 4 -95.348325 2 -95.621065 5 -172.532244 6 -174.552435
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 2 -72.148171 1 -77.545070 3 -97.566300 4 -110.495148 6 -159.943975 5 -200.369924
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 1 -89.949131 3 -95.389143 2 -109.080160 5 -109.894385 4 -116.938200 6 -161.753008
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -69.365957 4 -80.062157 3 -87.732299 2 -93.286842 6 -179.639984 5 -236.722364
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -58.094215 3 -80.454391 2 -108.280668 4 -111.146588 5 -120.205682 6 -245.751694
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 4 -112.957214 1 -115.049934 5 -118.922579 2 -125.332508 3 -130.044412 6 -156.640870
chord yang dikenali : Amin
Fmaj41 – Fmaj50
Label Log of Probability-------------------------- 2 -78.241509 3 -109.208982 5 -115.290380 4 -118.980813 1 -129.190665 6 -136.359352
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -90.521308 3 -97.027932 1 -107.444223 5 -116.838429 6 -141.169193 4 -155.300328
chord yang dikenali : Fmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 2 -96.298925 1 -112.133810 5 -119.800274 3 -131.379515 6 -184.903156 4 -203.006966
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -90.649565 3 -96.502026 1 -106.352652 5 -112.275303 6 -124.564211 4 -136.277459
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -114.640548 4 -147.796788 6 -168.843762 5 -172.257177 3 -209.451660 1 -210.907925
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -94.776991 5 -96.927162 1 -102.157483 3 -129.192013 6 -141.523136 4 -148.627643
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -104.630478 4 -110.396699 3 -112.216772 5 -115.220117 1 -116.794019 6 -124.137592
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -70.922186 1 -102.466331 4 -113.642273 3 -118.119703 5 -141.385671 6 -183.969662
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -73.842490 1 -99.476507 3 -116.168989 5 -119.711219 4 -126.094828 6 -188.569567
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -72.187385 5 -105.695262 1 -107.267346 3 -114.991718 4 -124.827482 6 -166.880674
chord yang dikenali : Fmaj
Gmaj41 – Gmaj50
Label Log of Probability-------------------------- 1 -90.334132 3 -91.056231 2 -105.069681 6 -120.731213 4 -121.607427 5 -126.344970
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 2 -79.816102 3 -96.589412 1 -106.771772 4 -112.963255 5 -135.633121 6 -144.037500
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 3 -98.044603 5 -121.637649 2 -124.678849 1 -129.976770 4 -136.435801 6 -225.648644
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -80.865669 1 -92.948206 2 -105.539630 4 -117.095405 5 -118.028336 6 -198.344758
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -89.567541 5 -100.631818 6 -105.423032 4 -107.434250 1 -108.684223 2 -111.513059
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -75.441085 1 -87.603681 2 -110.447664 4 -142.305116 5 -147.598919 6 -198.165928
chord yang dikenali : Gmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 6 -74.841502 3 -81.390891 4 -91.353946 5 -97.433987 2 -112.840458 1 -114.146081
chord yang dikenali : Emin
Label Log of Probability-------------------------- 3 -81.827159 5 -84.638675 4 -108.240120 2 -108.710162 6 -110.669074 1 -128.300486
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 5 -77.430210 3 -79.270054 4 -90.032005 2 -107.069293 6 -108.803152 1 -112.866563
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 3 -81.827159 5 -84.638675 4 -108.240120 2 -108.710162 6 -110.669074 1 -128.300486
chord yang dikenali : Gmaj
Amin41 – Amin50
Label Log of Probability-------------------------- 4 -104.073425 6 -114.940966 3 -117.596205 1 -132.798864 2 -152.738124 5 -188.467009
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -83.268058 5 -102.923873 6 -108.508336 2 -111.810162 1 -115.131588 3 -126.168233
chord yang dikenali : Amin
Label Log of Probability-------------------------- 1 -78.944517 4 -79.735664 3 -102.564223 2 -109.718108 5 -203.758021 6 -209.843894
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 3 -90.883177 4 -92.378599 6 -95.391409 2 -107.265248 5 -116.829122 1 -121.058966
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 4 -98.094178 6 -102.965225 5 -123.830953 1 -154.718488 2 -177.306821 3 -197.945151
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -75.260322 6 -85.189473 5 -112.550234 2 -122.662086 1 -127.483146 3 -181.641236
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -97.380439 6 -123.930988 2 -143.307513 5 -149.285259 1 -169.277206 3 -180.016173
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -90.573333 6 -91.731567 5 -99.498783 1 -117.545654 2 -119.502633 3 -128.872473
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -73.033663 5 -101.095233 6 -112.514882 2 -124.237485 3 -133.195731 1 -240.794777
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -98.094178 6 -102.965225 5 -123.830953 1 -154.718488 2 -177.306821 3 -197.945151
chord yang dikenali : Amin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Dmin41 – Dmin50
Label Log of Probability-------------------------- 5 -81.909226 2 -100.122749 6 -118.120868 3 -120.873119 1 -123.394536 4 -154.953612
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 1 -91.959595 3 -97.438896 5 -98.907288 2 -99.084766 4 -114.007019 6 -147.728911
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 3 -97.211347 2 -97.937640 5 -99.436124 4 -119.285549 6 -143.531526 1 -148.915073
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 5 -98.955571 4 -116.877254 1 -121.390963 2 -123.474620 6 -132.812684 3 -161.909057
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -77.153792 3 -88.489344 4 -100.384705 2 -103.027565 1 -116.930743 6 -118.930526
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -90.138285 4 -102.148275 3 -110.722626 2 -112.066446 6 -113.154424 1 -121.279265
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 1 -91.959595 3 -97.438896 5 -98.907288 2 -99.084766 4 -114.007019 6 -147.728911
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 5 -85.312787 3 -95.041491 6 -101.642937 4 -102.245175 2 -120.035043 1 -128.912099
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 2 -111.539153 5 -120.433561 1 -173.418340 6 -178.909568 4 -183.227909 3 -212.249979
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 5 -77.153792 3 -88.489344 4 -100.384705 2 -103.027565 1 -116.930743 6 -118.930526
chord yang dikenali : Dmin
Emin41 – Emin50
Label Log of Probability-------------------------- 6 -78.130393 4 -95.766722 5 -118.695614 2 -122.089526 3 -140.030199 1 -140.267873
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -76.269411 4 -93.473407 5 -107.738594 2 -110.871302 1 -126.088344 3 -144.058813
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -90.241228 4 -96.586581 3 -107.265368 2 -108.939223 1 -110.501128 5 -125.339134
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -75.907485 4 -97.689146 1 -100.841128 5 -116.556078 3 -117.898242 2 -122.041067
chord yang dikenali : Emin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 6 -78.434065 5 -88.539748 4 -115.364333 3 -132.278585 1 -175.667621 2 -214.644612
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -89.803183 4 -123.268574 5 -136.104527 2 -154.354060 3 -168.782767 1 -169.440315
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -88.066628 4 -97.363638 5 -118.889627 3 -156.752907 2 -176.862029 1 -264.421848
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -73.817187 4 -78.859194 5 -98.948279 3 -127.328609 1 -129.341225 2 -153.631379
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -91.183731 5 -94.893018 3 -105.539542 4 -105.919750 2 -116.958063 1 -120.050072
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -90.049416 5 -94.987189 1 -104.534726 2 -108.640058 4 -116.341695 3 -120.640027
chord yang dikenali : Emin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Training = 10Codebook = 32
Durasi HMM = 2,99 sAkurasi sistem = 66,67%
Cmaj41 – Cmaj50
Label Log of Probability-------------------------- 1 -89.735448 4 -91.356970 6 -148.575396 5 -197.902508 3 -226.490737 2 -241.066237
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -77.784610 3 -133.733784 5 -171.666953 2 -205.077692 4 -210.902828 6 -261.382408
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -100.026045 4 -112.647720 6 -134.173012 3 -145.102610 2 -174.511017 5 -182.463111
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 3 -100.305917 1 -106.955519 4 -116.415531 5 -151.041333 2 -180.662595 6 -197.590769
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 1 -82.192499 3 -89.439780 5 -143.364114 4 -157.109754 6 -185.532215 2 -190.031993
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 6 -110.570149 1 -119.287145 4 -120.555432 3 -120.715378 2 -139.430240 5 -241.589160
chord yang dikenali : Emin
Label Log of Probability-------------------------- 3 -101.881955 5 -109.326209 1 -141.283988 4 -159.038469 6 -165.913311 2 -205.596551
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 1 -87.634747 3 -98.383367 2 -125.140958 4 -153.687743 5 -160.213421 6 -180.110787
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -77.819695 3 -78.029487 5 -123.645033 2 -231.656514 6 -268.828666 4 -270.418489
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -102.866793 5 -130.088405 3 -137.919082 4 -162.732332 2 -164.481884 6 -195.445654
chord yang dikenali : Cmaj
Fmaj41 – Fmaj50
Label Log of Probability-------------------------- 2 -94.067076 4 -107.594391 3 -118.589262 6 -128.547115 1 -130.334487 5 -190.634527
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -89.684441 3 -130.193016 4 -144.909415 5 -161.229860 1 -161.562622 6 -199.313482
chord yang dikenali : Fmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 2 -91.028018 3 -151.274032 4 -154.921922 1 -181.598901 5 -181.744956 6 -262.619440
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 3 -86.546903 2 -86.786482 4 -136.219483 5 -142.945415 1 -154.837090 6 -203.170910
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 2 -88.642958 4 -131.576263 5 -152.661116 6 -186.371256 1 -222.899778 3 -224.870017
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -81.122925 5 -103.806338 6 -124.126395 4 -146.336928 3 -147.182795 1 -210.103924
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -105.219258 3 -129.282386 4 -141.820004 1 -144.774968 6 -155.124547 5 -161.720615
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 3 -112.576491 1 -141.284644 6 -146.285644 4 -150.516662 2 -155.986601 5 -227.266025
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -121.990672 4 -141.563701 6 -143.544031 2 -155.381437 5 -179.652681 1 -184.463209
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 6 -123.765088 2 -125.126361 4 -134.265434 3 -140.074667 1 -143.109519 5 -174.043897
chord yang dikenali : Emin
Gmaj41 – Gmaj50
Label Log of Probability-------------------------- 1 -92.814040 3 -116.627665 4 -123.296499 5 -158.757812 6 -189.292233 2 -203.115441
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 3 -104.807088 2 -112.366366 4 -112.721121 6 -116.588910 1 -120.052459 5 -171.374647
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -83.273742 5 -115.324051 1 -131.548272 6 -195.283990 4 -213.130398 2 -243.047433
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -77.504756 5 -113.172784 1 -117.961766 2 -150.376395 6 -228.428835 4 -229.131243
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 5 -112.020940 6 -118.117166 3 -119.487960 4 -132.141644 2 -135.823008 1 -178.222788
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 3 -82.516657 1 -93.776539 5 -138.432868 4 -181.837276 6 -225.717559 2 -252.700394
chord yang dikenali : Gmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 3 -82.667878 6 -94.375335 4 -101.725261 5 -119.639599 2 -143.958048 1 -187.679523
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -86.875670 5 -111.025477 4 -132.249414 6 -140.990494 2 -187.145371 1 -206.314739
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -79.891129 5 -80.732731 6 -104.509127 4 -105.105583 2 -165.410823 1 -229.823448
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -86.875670 5 -111.025477 4 -132.249414 6 -140.990494 2 -187.145371 1 -206.314739
chord yang dikenali : Gmaj
Amin41 – Amin50
Label Log of Probability-------------------------- 4 -76.309218 6 -109.512212 1 -167.237086 3 -170.002368 5 -173.707227 2 -188.631951
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -115.757727 3 -119.295619 6 -129.830870 1 -131.008082 2 -141.539611 5 -178.364780
chord yang dikenali : Amin
Label Log of Probability-------------------------- 1 -107.373483 3 -128.104605 5 -141.780115 2 -190.986191 4 -247.117006 6 -248.658213
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 4 -84.842549 3 -102.484256 5 -123.334289 2 -123.514804 1 -140.795193 6 -147.903298
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -79.923562 6 -112.057714 2 -124.915059 1 -164.626700 5 -211.733779 3 -256.527328
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -109.576355 6 -127.338557 5 -137.168634 1 -145.107893 2 -177.825469 3 -198.027288
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -88.080250 2 -138.194770 5 -160.576249 6 -192.946235 3 -220.617935 1 -226.314250
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -92.039164 3 -102.139902 6 -110.411568 5 -112.750097 2 -178.976679 1 -182.026353
chord yang dikenali : Amin
Label Log of Probability-------------------------- 6 -86.241085 4 -141.794087 2 -156.659737 3 -197.671970 5 -283.000451 1 -302.409332
chord yang dikenali : Emin
Label Log of Probability-------------------------- 4 -79.923562 6 -112.057714 2 -124.915059 1 -164.626700 5 -211.733779 3 -256.527328
chord yang dikenali : Amin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Dmin41 – Dmin50
Label Log of Probability-------------------------- 5 -79.870416 2 -102.821379 6 -115.959430 4 -138.913978 3 -146.648741 1 -265.953829
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -98.424831 3 -109.560211 1 -128.871689 4 -131.005956 2 -137.696182 6 -176.055869
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 3 -106.402640 4 -125.605728 1 -140.014230 2 -145.085421 5 -151.245414 6 -154.242411
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 5 -96.713828 6 -126.126630 4 -133.504690 3 -153.602985 1 -156.178932 2 -159.762471
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -75.633845 3 -83.623239 4 -115.119102 6 -120.733010 2 -187.552441 1 -197.651417
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 4 -106.339513 5 -112.256375 6 -113.741540 3 -123.191958 2 -157.519813 1 -201.093301
chord yang dikenali : Amin
Label Log of Probability-------------------------- 5 -98.424831 3 -109.560211 1 -128.871689 4 -131.005956 2 -137.696182 6 -176.055869
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -91.332333 3 -92.527214 6 -110.465204 4 -116.142089 2 -186.176015 1 -230.744140
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -108.618770 2 -112.588895 6 -183.145356 4 -192.299840 3 -225.197671 1 -283.715608
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -75.633845 3 -83.623239 4 -115.119102 6 -120.733010 2 -187.552441 1 -197.651417
chord yang dikenali : Dmin
Emin41 - Emin50
Label Log of Probability-------------------------- 4 -90.247967 6 -90.782277 3 -154.740251 2 -163.029224 1 -184.294339 5 -198.923302
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -105.755174 6 -112.737739 1 -127.411990 2 -179.247773 5 -180.357923 3 -181.376993
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -100.474923 6 -116.211034 1 -135.675147 3 -151.026033 2 -163.646605 5 -176.197217
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -90.706900 6 -113.798375 3 -122.560408 2 -133.964751 1 -147.780957 5 -240.462892
chord yang dikenali : Amin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 6 -77.521115 4 -127.663601 2 -132.976296 3 -211.720356 5 -247.372390 1 -257.360545
chord yang dikenali : Emin
Label Log of Probability-------------------------- 4 -105.885512 6 -110.037523 2 -126.335549 3 -174.938098 5 -180.596975 1 -186.049704
chord yang dikenali : Amin
Label Log of Probability-------------------------- 6 -75.389063 4 -238.174000 5 -274.744379 2 -290.836812 3 -293.406112 1 -297.986828
chord yang dikenali : Emin
Label Log of Probability-------------------------- 4 -94.392465 6 -115.556620 5 -137.231603 1 -143.541510 2 -160.873587 3 -206.325850
chord yang dikenali : Amin
Label Log of Probability-------------------------- 6 -94.070475 4 -117.997622 3 -118.221250 5 -134.052521 2 -134.193185 1 -171.049468
chord yang dikenali : Emin
Label Log of Probability-------------------------- 1 -114.271152 6 -115.634147 3 -122.040434 4 -122.505412 5 -145.267782 2 -255.572522
chord yang dikenali : Cmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Training = 10Codebook = 64
Durasi HMM = 4,01 sAkurasi sistem = 81,67%
Cmaj41 – Cmaj50
Label Log of Probability-------------------------- 1 -103.141969 4 -161.257131 6 -177.020247 2 -248.352075 3 -249.052117 5 -301.593944
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -101.662666 6 -217.819558 3 -220.673446 5 -225.481637 4 -251.921253 2 -297.629957
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -141.359343 4 -184.131937 3 -193.486126 2 -195.357863 6 -226.888214 5 -232.964281
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -138.041748 3 -167.117610 2 -198.911577 5 -200.052711 4 -208.755700 6 -217.317437
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -85.371902 3 -133.146023 4 -197.632593 5 -205.523863 6 -279.156907 2 -281.500138
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -92.887172 3 -144.341301 4 -150.252091 6 -293.816403 2 -300.106448 5 -341.105097
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 3 -125.335017 5 -168.066261 4 -172.461489 1 -192.992846 6 -202.373615 2 -228.748123
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 1 -101.721587 3 -141.085221 4 -200.249466 5 -272.487153 2 -304.669841 6 -341.586907
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -116.017194 3 -119.963636 5 -172.177809 6 -279.763102 4 -290.483482 2 -356.328632
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -117.333283 3 -197.984438 6 -200.315782 4 -213.194221 5 -216.296968 2 -245.352728
chord yang dikenali : Cmaj
Fmaj41 - Fmaj50
Label Log of Probability-------------------------- 2 -92.315610 3 -156.791599 4 -207.791160 1 -256.698879 6 -264.396195 5 -269.452828
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -101.753595 3 -201.018289 5 -203.977557 4 -206.855047 1 -218.359069 6 -225.141140
chord yang dikenali : Fmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 2 -102.729766 5 -208.597579 3 -214.876848 1 -215.107347 4 -225.528641 6 -308.935266
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -101.881392 3 -183.553011 5 -192.329779 1 -198.708258 4 -223.379420 6 -261.067611
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -100.462593 4 -157.504938 5 -203.681225 3 -271.579973 1 -277.917157 6 -308.232180
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -111.454524 5 -157.898708 4 -252.169621 6 -253.900826 1 -264.895876 3 -282.261727
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -115.849449 1 -183.777693 3 -186.836307 4 -191.068298 6 -201.524495 5 -203.638698
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -178.104196 4 -201.004113 3 -201.516277 1 -245.708834 5 -308.870406 6 -315.383140
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 3 -188.717098 1 -196.781268 4 -214.846000 2 -234.830205 5 -275.426983 6 -297.658112
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 2 -130.224481 4 -177.039700 3 -201.109536 5 -259.919729 1 -270.126300 6 -279.753128
chord yang dikenali : Fmaj
Gmaj41 - Gmaj50
Label Log of Probability-------------------------- 1 -117.733530 3 -141.344872 2 -201.814627 6 -216.001264 4 -223.467008 5 -237.818997
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 3 -122.758198 4 -161.809317 1 -176.024704 2 -177.611092 6 -203.930048 5 -250.723196
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -109.154696 5 -148.241113 1 -158.135847 4 -192.604039 6 -206.729441 2 -240.981576
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -96.716344 5 -128.239852 1 -129.779593 6 -190.378793 4 -240.355714 2 -259.485347
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 5 -128.503994 3 -134.315711 2 -134.507160 4 -180.705425 1 -194.795394 6 -198.432153
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 1 -113.996809 3 -165.514643 5 -201.528848 4 -236.750873 6 -239.529689 2 -301.218255
chord yang dikenali : Cmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 3 -96.246850 6 -109.407628 5 -136.145627 4 -162.069958 2 -197.409170 1 -269.672865
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -101.859406 5 -126.791579 2 -189.835939 4 -214.178320 6 -225.350645 1 -231.838177
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -99.960050 5 -107.348422 2 -148.373296 6 -158.891417 4 -176.217902 1 -238.468295
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -101.859406 5 -126.791579 2 -189.835939 4 -214.178320 6 -225.350645 1 -231.838177
chord yang dikenali : Gmaj
Amin41 - Amin50
Label Log of Probability-------------------------- 4 -114.500775 5 -195.919912 6 -205.458494 3 -209.194488 2 -217.038014 1 -231.822016
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -139.998139 6 -150.690999 2 -153.702414 3 -159.158330 1 -172.265509 5 -173.460759
chord yang dikenali : Amin
Label Log of Probability-------------------------- 1 -122.493315 5 -170.766767 3 -184.949212 6 -284.003219 4 -289.640426 2 -318.958412
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 4 -131.644486 3 -158.329576 2 -160.209610 5 -161.129272 1 -163.657508 6 -244.471592
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -106.882278 6 -191.774049 2 -223.746217 3 -272.709910 1 -273.922291 5 -310.923051
chord yang dikenali : Amin
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
Label Log of Probability-------------------------- 4 -121.949169 6 -174.524688 5 -186.999965 2 -234.414499 3 -260.465950 1 -267.698364
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -113.834523 2 -132.353370 6 -133.453801 5 -180.749617 3 -193.684113 1 -222.063945
chord yang dikenali : Amin
Label Log of Probability-------------------------- 6 -125.677609 4 -195.378968 2 -236.395645 3 -284.087631 1 -311.443780 5 -327.722081
chord yang dikenali : Emin
Label Log of Probability-------------------------- 4 -106.882278 6 -191.774049 2 -223.746217 3 -272.709910 1 -273.922291 5 -310.923051
chord yang dikenali : Amin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Dmin41 - Dmin50
Label Log of Probability-------------------------- 5 -87.352081 2 -146.085256 6 -264.307615 3 -318.688137 4 -322.680795 1 -340.958508
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -113.295230 3 -153.625457 2 -156.500146 1 -165.278035 4 -201.332642 6 -233.804949
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 3 -139.800178 4 -170.550963 2 -175.731069 1 -191.126844 6 -206.753756 5 -239.354213
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 5 -118.094239 2 -166.249313 4 -169.423723 3 -179.853409 6 -184.473829 1 -194.655527
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -105.936450 3 -118.284937 2 -154.587391 6 -190.168170 4 -205.314999 1 -257.786165
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 3 -155.184845 6 -155.745974 5 -174.426315 2 -175.161080 4 -196.192616 1 -253.299709
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 5 -113.295230 3 -153.625457 2 -156.500146 1 -165.278035 4 -201.332642 6 -233.804949
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -99.351717 3 -113.942614 2 -183.391911 6 -185.548302 4 -205.627625 1 -286.038117
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -133.498271 2 -216.690237 4 -251.112330 6 -272.550688 1 -297.742260 3 -304.164152
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -105.936450 3 -118.284937 2 -154.587391 6 -190.168170 4 -205.314999 1 -257.786165
chord yang dikenali : Dmin
Emin41 - Emin50
Label Log of Probability-------------------------- 6 -102.723660 4 -179.818335 3 -182.555807 2 -227.311932 1 -227.986131 5 -249.575279
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -140.583207 1 -157.956401 4 -176.641275 2 -212.373310 3 -213.499956 5 -246.441365
chord yang dikenali : Emin
Label Log of Probability-------------------------- 4 -157.401092 1 -172.586086 6 -176.140256 2 -180.518241 3 -186.322434 5 -204.782278
chord yang dikenali : Amin
Label Log of Probability-------------------------- 6 -122.724779 3 -146.926940 2 -153.518946 4 -159.533760 1 -218.154476 5 -264.771735
chord yang dikenali : Emin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 6 -88.326963 4 -169.918354 3 -266.087171 2 -300.311724 5 -302.808180 1 -309.763309
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -125.970149 4 -186.335834 2 -186.783495 3 -190.347364 5 -230.066013 1 -255.101510
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -104.725898 2 -242.546654 4 -258.226096 5 -290.127300 3 -312.952656 1 -338.337958
chord yang dikenali : Emin
Label Log of Probability-------------------------- 4 -144.336227 6 -169.386959 5 -187.870299 1 -221.850391 2 -234.252909 3 -234.754954
chord yang dikenali : Amin
Label Log of Probability-------------------------- 6 -108.022899 3 -141.493388 4 -166.515345 5 -168.241757 2 -172.469566 1 -270.894313
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -116.259875 1 -126.993407 3 -153.052461 5 -162.141844 4 -231.873145 2 -259.649965
chord yang dikenali : Emin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Training = 10Codebook = 128
Durasi HMM = 6,21 sAkurasi sistem = 83,33%
Cmaj41 - Cmaj50
Label Log of Probability-------------------------- 1 -107.396982 2 -293.040527 3 -296.982818 4 -318.415927 6 -348.392481 5 -371.968814
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -100.964615 3 -267.492459 4 -297.692329 6 -302.467941 2 -319.695751 5 -339.380018
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -185.975055 2 -235.279882 3 -238.119148 4 -267.060263 6 -322.167485 5 -336.262894
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -194.546630 2 -242.113716 3 -254.191764 5 -288.028432 4 -289.122258 6 -342.343626
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -112.582624 3 -207.506304 4 -264.310830 5 -297.612119 2 -316.476135 6 -352.879959
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -138.504697 4 -330.756266 6 -335.791623 3 -335.810572 2 -345.674876 5 -349.260923
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -195.941832 4 -236.710382 3 -249.209865 5 -265.160646 6 -268.209006 2 -295.187844
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 1 -143.379386 3 -214.732642 4 -317.383718 2 -337.012775 5 -342.810444 6 -342.933973
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 3 -155.296370 1 -181.081730 4 -296.903515 5 -324.487751 6 -373.095508 2 -376.870788
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 1 -122.205979 3 -268.685531 6 -272.351712 2 -300.664718 5 -306.719901 4 -308.272618
chord yang dikenali : Cmaj
Fmaj41 - Fmaj50
Label Log of Probability-------------------------- 2 -113.998288 4 -229.323737 3 -255.781553 1 -315.600603 5 -316.519149 6 -322.442360
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -117.669030 5 -268.661430 4 -275.235454 1 -285.435489 3 -307.008401 6 -313.108753
chord yang dikenali : Fmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 2 -117.340399 3 -272.790600 4 -290.567596 5 -313.478550 1 -315.465386 6 -360.507695
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -123.914268 5 -232.973409 3 -292.801855 1 -298.142409 4 -314.211274 6 -337.335327
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -105.286229 4 -230.967764 5 -293.516706 6 -328.121963 3 -344.806184 1 -347.734341
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -130.277471 5 -171.144427 4 -299.423237 6 -309.045276 1 -312.790718 3 -323.743654
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -131.967516 3 -204.060051 4 -242.425145 1 -249.087076 6 -255.307678 5 -266.851249
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 2 -214.542309 4 -269.093814 3 -271.009832 1 -300.820332 6 -340.524824 5 -351.617473
chord yang dikenali : Fmaj
Label Log of Probability-------------------------- 1 -240.206841 2 -250.149704 3 -252.195003 4 -291.755816 6 -333.136782 5 -349.402081
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 2 -183.709189 3 -238.484024 4 -275.149371 5 -315.892014 1 -318.347855 6 -346.652870
chord yang dikenali : Fmaj
Gmaj41 - Gmaj50
Label Log of Probability-------------------------- 1 -171.367445 3 -236.272051 2 -263.907643 4 -267.398120 5 -312.052129 6 -342.029949
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 3 -134.430289 2 -221.249964 1 -243.963830 4 -267.833890 6 -315.436523 5 -327.710392
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -114.831175 1 -186.449122 4 -249.308860 6 -284.497968 5 -298.255860 2 -313.211603
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -137.305159 1 -204.080488 5 -246.210164 4 -249.169636 6 -295.923114 2 -305.312324
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 5 -198.585059 3 -231.991851 4 -233.728499 2 -253.085925 1 -259.289599 6 -266.783689
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 3 -163.155791 1 -214.278343 4 -269.672637 5 -293.458013 6 -339.656430 2 -354.862521
chord yang dikenali : Gmaj
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 3 -134.789884 6 -195.616576 4 -204.973403 5 -226.816010 2 -267.030348 1 -332.452260
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -146.801529 2 -230.449117 5 -241.143658 6 -263.654683 4 -300.074042 1 -327.927301
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -138.242224 5 -195.985063 2 -239.583978 6 -240.017925 4 -257.293363 1 -333.720776
chord yang dikenali : Gmaj
Label Log of Probability-------------------------- 3 -146.801529 2 -230.449117 5 -241.143658 6 -263.654683 4 -300.074042 1 -327.927301
chord yang dikenali : Gmaj
Amin41 - Amin50
Label Log of Probability-------------------------- 4 -122.998173 5 -233.541308 2 -247.265277 1 -268.655475 6 -292.349469 3 -311.719052
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -204.631356 1 -216.801829 5 -230.730583 3 -241.938943 2 -253.623908 6 -263.021682
chord yang dikenali : Amin
Label Log of Probability-------------------------- 1 -197.546101 5 -213.961238 3 -265.625087 4 -332.462136 6 -336.811482 2 -352.307161
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 4 -139.133882 2 -213.461259 5 -247.939187 3 -278.480965 6 -301.247579 1 -312.948286
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -115.047444 6 -196.503514 5 -330.273879 1 -337.061610 3 -342.885220 2 -347.006435
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -222.006364 6 -273.545178 5 -296.971210 2 -314.454001 3 -319.506672 1 -333.847828
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -134.461712 2 -220.884794 5 -231.654499 6 -277.311273 3 -290.393465 1 -318.070478
chord yang dikenali : Amin
Label Log of Probability-------------------------- 4 -142.242904 6 -200.824703 3 -213.788641 5 -243.134997 2 -250.922489 1 -305.032751
chord yang dikenali : Amin
Label Log of Probability-------------------------- 6 -157.309850 2 -314.657938 4 -321.087890 3 -326.079252 5 -359.186116 1 -359.682433
chord yang dikenali : Emin
Label Log of Probability-------------------------- 4 -115.047444 6 -196.503514 5 -330.273879 1 -337.061610 3 -342.885220 2 -347.006435
chord yang dikenali : Amin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Dmin41 – Dmin50
Label Log of Probability-------------------------- 5 -105.736961 2 -204.532695 6 -301.060491 4 -354.068826 3 -362.088689 1 -362.388589
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -134.562329 2 -233.372671 1 -250.957001 3 -257.836012 4 -257.958884 6 -314.469844
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -234.110744 4 -236.502563 2 -243.243006 1 -249.577188 3 -272.676755 6 -307.039225
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -137.304593 4 -199.275871 2 -243.938320 3 -281.845701 6 -287.611928 1 -290.506215
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -129.173425 3 -198.843876 2 -256.064639 4 -259.140349 6 -268.093198 1 -327.772804
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 6 -214.527140 5 -226.706688 4 -242.040421 3 -250.122450 2 -277.416816 1 -316.783977
chord yang dikenali : Emin
Label Log of Probability-------------------------- 5 -134.562329 2 -233.372671 1 -250.957001 3 -257.836012 4 -257.958884 6 -314.469844
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -132.048400 3 -203.193885 6 -239.624160 4 -270.935246 2 -284.477235 1 -326.040640
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -122.733147 2 -201.015715 4 -289.107727 6 -313.918945 3 -333.053989 1 -354.421649
chord yang dikenali : Dmin
Label Log of Probability-------------------------- 5 -129.173425 3 -198.843876 2 -256.064639 4 -259.140349 6 -268.093198 1 -327.772804
chord yang dikenali : Dmin
Emin41 – Emin50
Label Log of Probability-------------------------- 6 -143.667193 4 -263.950908 3 -274.596103 2 -313.016694 1 -313.349835 5 -337.051458
chord yang dikenali : Emin
Label Log of Probability-------------------------- 1 -238.775991 4 -246.209989 6 -248.819941 2 -255.678768 5 -268.361566 3 -310.082793
chord yang dikenali : Cmaj
Label Log of Probability-------------------------- 4 -249.156922 1 -253.551499 2 -254.647959 5 -263.241378 3 -286.980372 6 -288.452040
chord yang dikenali : Amin
Label Log of Probability-------------------------- 6 -203.694664 1 -220.696808 2 -235.152139 3 -248.089284 4 -288.271759 5 -304.368254
chord yang dikenali : Emin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009
Label Log of Probability-------------------------- 6 -117.603158 4 -212.317285 2 -296.156972 3 -312.158280 5 -347.337026 1 -371.109248
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -148.087132 4 -234.792781 3 -278.938543 2 -297.691980 5 -312.800686 1 -330.404414
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -119.340677 4 -314.817370 5 -325.337678 2 -337.849044 1 -338.884855 3 -361.559781
chord yang dikenali : Emin
Label Log of Probability-------------------------- 4 -205.587974 6 -210.845223 2 -253.446653 3 -277.588204 5 -287.932327 1 -310.280842
chord yang dikenali : Amin
Label Log of Probability-------------------------- 6 -153.462483 4 -225.960410 3 -261.333718 5 -283.335108 2 -291.432943 1 -306.893445
chord yang dikenali : Emin
Label Log of Probability-------------------------- 6 -106.772753 3 -227.850731 1 -231.691785 4 -259.987765 5 -285.017479 2 -338.588945
chord yang dikenali : Emin
Simulasi pengenalan..., Davit Wasty Sijabat, FT UI, 2009