p-ISSN: 2301-5373

e-ISSN: 2654-5101

Jurnal Elektronik Ilmu Komputer Udayana

Volume 11, No 1. August 2022

Aplikasi Identifikasi Nada Darbuka Dengan Onset Detection, MFCC, Dan KNN

Hairul Lanaa1, Ngurah Agus Sanjayaa2, I Dewa Made Bayu Atmajaa3, Anak Agung Istri Ngurah Eka Karyawatia4, I Made Widiarthaa5, I Gusti Agung Gede Arya Kadyanana6

aProgram Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana Badung, Bali, Indonesia

1[email protected] 2[email protected] 3[email protected] 4[email protected] 5[email protected] 6[email protected]

Abstract

Darbuka is one of the hadrah musical instruments that acts as a marker when the vocals raise or lower the rhythm of the sound. In learning the Darbuka, the trainer needs to check whether the sound produced is correct or not. With the Darbuka tone recognition system, it will be easier for someone to learn hadrah without a coach. The system developed in this study uses onset detection to break the tone pattern. Then each note goes through a feature extraction process using MFCC with parameters of frame length, overlap length, and the number of coefficients. Then the results of feature extraction through a classification process using KNN. Thexresultsxof the system test showxthat the best combination of parameters in the identification of Darbuka tones with a frame length of 30 ms, overlap length of 30%, the number of MFCC coefficients as much as 19 and a value of K=7 produces a basic tone identification accuracy of 100%, a tone pattern identification accuracy of 86,67%, and the accuracy of basic tone identification in the tone pattern is 72%.

Keywords: Hadrah, Tone, MFCC, KNN, Onset

  • 1.    Pendahuluan

Darbuka adalah salah satu alat musik dari kesenian hadrah yang memiliki bentuk seperti dandang dengan rata-rata diameter sepanjang 22 cm dan terbuat dari bahan aluminium [1]. Darbuka memiliki peranan cukup penting sebagai penanda vokal untuk menaikkan atau menurunkan ritme suara dan berperan sebagai melodi dalam instrumen musik umum. Kata “Darbuka” sendiri berasal dari kata “daraba” atau ”doroba” yang berarti ”pukul”. Sesuai dengan asal katanya, Darbuka dimainkan dengan cara dipukul. Terdapat empat jenis pukulan Darbuka yaitu “dum”, “tak”, “ka”, dan “slap” dimana pukulan ”tak” dan “ka” menghasilkan suara nada yang sama, yang membedakan adalah pukulan “tak” menggunakan tangan kanan sedangkan pukulan “ka” menggunakan tangan kiri.

Pada umumnya dalam mempelajari Darbuka dibutuhkan pelatih untuk mengecek nada yang dihasilkan sudah benar atau tidak, namun tidak semua daerah memiliki kelompok hadrah sehingga ketersediaan pelatih Darbuka juga terbatas. Hal ini mengakibatkan sebagian orang kesulitan untuk berlatih Darbuka. Dengan adanya aplikasi identifikasi nada Darbuka diharapkan dapat mengatasi masalah yang dihadapi oleh sebagian orang yang ingin mempelajari Darbuka tanpa pelatih.

Aplikasi identifikasi nada Darbuka yang dikembangkan pada penelitian ini dapat mendeteksi onset sehingga sistem dapat melakukan identifikasi pada sebuah pola nada Darbuka. Sistem identifikasi nada Darbuka menggunakan algoritma Mel Frequency Cepstral Coefficients untuk ekstraksi fitur suara sehingga didapatkan suatu ciri dari sebuah file suara, kemudian akan dilakukan klasifikasi berdasarkan fitur suara dengan algoritma K-Nearest Neighbor.

  • 2.    Metode Penelitian

Metode yang digunakan pada penelitian ini menggunakan metode kuantitatif. Sedangkan metode untuk pembuatan sistem identifikasi nada Darbuka menggunakan algoritma Mel Frequency Cepstral Coefficients untuk ekstraksi fitur suara dan algoritma K-Nearest Neighbor untuk klasifikasi nada Darbuka.

  • 2.1.    Data Penelitian

Jenis data yang digunakan pada penelitian ini merupakan data primer yang merupakan hasil perekaman nada Darbuka. Sedangkan dalam pengambilan data yang digunakan adalah metode observasi dimana data diambil secara langsung melalui proses perekaman nada Darbuka yang dilakukan bersama Kelompok Hadrah Masjid Al-Mahdi Kusamba, Kecamatan Dawan, Kabupaten Klungkung. Pengambilan data berupa tiga jenis nada dasar yaitu dum, tak dan slap dengan jumlah setiap nada sebanyak 70 nada. Sedangkan untuk data pola nada yang diambil adalah baladi, maqsum, dan sayyidi sebanyak 10 data tiap pola nada. Jumlah data tiap jenis nada dapat dilihat pada tabel 1.

Tabel 1 Data Penelitian

Jenis Pukulan

Jumlah Data Latih

Jumlah Data Uji

Dum

50

20

Tak

50

20

Slap

50

20

Baladi

-

10

Maqsum

-

10

Sayyidi

-

10

  • 2.2.    Desain Sistem

Aplikasi identifikasi nada Darbuka yang dikembangkan pada penelitian ini merupakan aplikasi berbasis website dengan bahasa pemrograman utama Python dengan Framework Django dengan tampilan antarmuka menggunakan HTML, CSS dengan framework Bootstrap dan Javascript dengan library JQuery. Alur sistem terbagi menjadi dua proses utama yaitu tahap pelatihan dan tahap pengujian. Tahap pelatihan adalah tahap untuk mengambil ciri data latih melalui proses ekstraksi fitur suara menggunakan metode Mel Frequency Cepstral Coefficients (MFCC) kemudian dilakukan proses pelatihan menggunakan K-Nearest Neighbor sehingga didapatkan suatu model machine learning untuk proses identifikasi nada Darbuka. Flowchart tahap pelatihan dapat dilihat pada gambar 1.

Gambar 1 Flowchart Tahap Pelatihan

Tahap pengujian adalah tahap untuk menguji apakah data uji sudah benar atau tidak. Berbeda dengan tahap pelatihan, tahap pengujian akan melewati proses deteksi onset jika data uji berupa pola nada, proses deteksi onset berfungsi untuk mensegmentasikan tiap pukulan dan memecahnya menjadi beberapa pukulan atau nada dasar. Tiap nada dasar akan ekstraksi menggunakan algoritma MFCC, kemudian hasil ekstraksi fitur akan dilakukan identifikasi nada menggunakan algoritma KNN menggunakan model yang sudah dibuat. Kemudian sistem akan memberikan luaran apakah data uji benar atau tidak, selain itu sistem juga akan memberikan informasi akurasi yang dihasilkan sistem. Flowchart tahap pengujian dapat dilihat pada gambar 2.

Gambar 2 Flowchart Pengujian

Jika data uji berupa pola nada, maka sistem akan melalui proses deteksi onset untuk memecahnya menjadi nada dasar. Deteksi onset adalah kemampuan untuk melakukan deteksi awal dari suatu note dan durasi dari setiap note dapat dihitung [5]. Deteksi onset pada penelitian ini bertujuan mendeteksi awal suatu note, karena alat musik Darbuka adalah salah satu alat musik dari kesenian Hadrah dan cara memainkannya dengan cara dipukul. Secara umum, deteksi onset akan melalui proses preprocessing, reduction, dan peak picking. Tahap preprocessing berfungsi memecah sinyal kepada beberapa pita frekuensi dan memisahkan bagian transient/steady state. Tahap reduction merupakan kunci dalam proses deteksi onset. Metode reduction dipecah menjadi dua kelompok yaitu metode reduction berdasarkan penggunaan fitur sinyal suara yang sudah ditetapkan secara eksplisit (amplitude sinyal, perubahan frekuensi, dan fase) dan metode reduction berdasarkan model probabilistik sinyal [6]. Proses terakhir adalah peak picking yang menghasilkan waktu onset dari hadrah, kemudian akan dilakukan pemotongan nada sesuai dengan waktu onsetnya dengan cara memilih fitur yang lebih besar dari ambang sesuai dengan onset.

Ekstraksi fitur suara adalah proses yang bertujuan mendapatkan vektor ciri dari sebuah suara. Pada penelitian ini ekstraksi fitur suara dilakukan menggunakan algoritma MFCC yang didasarkan pada persepsi sistem pendengaran manusia. Secara umum MFCC mempunyai lima proses yaitu frame blocking, windowing, FFT, mel-frequency wrapping, dan cepstrum [2]. Flowchart ekstraksi fitur menggunakan algoritma MFCC dapat dilihat pada gambar 3.

Gambar 3 Flowchart MFCC

Proses pertama MFCC adalah frame blocking di mana sinyal dipotong menjadi beberapa bagian yang disebut dengan frame. Proses frame blocking, sebuah sinyal suara akan dibagi menjadi beberapa potong frame yang saling bertumpuk atau overlap, proses ini berfungsi untuk meminimalisasi sinyal yang hilang (deletion) dimana proses terus berulang sampai semua sinyal masuk ke dalam frame [3]. Selanjutnya tiap frame akan melalui proses windowing untuk meminimalisasi kebocoran spektral yang terjadi karena rendahnya jumlah sampling rate atau karena proses frame blocking yang menyebabkan sinyal menjadi berhenti [4]. Proses selanjutnya adalah fast fourier transform (FFT) merupakan metode analisis fourier. Analisis fourier adalah metode yang berrguna untuk melakukan analisa kepada sinyal yang dimasukkan berupa spectrogram. Proses selanjutnya adalah mel-frequency warping yang merupakan filter untuk mengetahu ukuran dari sebuah energi dari frequency band tertentu dalam sinyal

suara. Proses terakhir adalah cepstrum yaitu sebuah teknik untuk meningkatkan kualitas pengenalan sinyal suara.

K-Nearest Neighbor yaitu algoritma klasifikasi yang sederana, karena KNN akan mencari label dari data latih dengan jarak terpendek sejumlah K. Konsep dasar KNN seperti pada algoritma Nearest Neighbor, yaitu dengan mencari jarak terdekat antara data latih dengan data uji [7]. Flowchart KNN dapat dilihat pada gambar 4.

Gambar 4 Flowchart KNN

Langkah pertama algoritma KNN adalah menentukan nilai K, penentuan nilai K sangat penting karena akan sangat mempengaruhi tingkat akurasi dari proses klasifikasi. Langkah selanjutnya menghitung jarak antara data latih ke data uji. Ada beberapa persamaan dalam menghitung jarak seperti Manhattan Distance, Minkowsky Distance, Chebychev Distance, dan Euclidean Distance. Perhitungan jarak pada penelitian ini menggunakan persamaan Euclidean Distance. Penerapan dari rumus Euclidean Distance adalah dengan mengakarkan nilai dari variabel data latih dikurangi dengan nilai variabel data uji yang sudah dipangkatkan dengan dua. Jika terdapat lebih dari satu variabel, maka akumulasikan pemangkatan dua yang sebelumnya sudah dilakukan pengurangan data latih dikurangi dengan data uji. Persamaan Euclidean Distance dapat dilihat pada persamaan 1.

D (x,y) = √∑k=1(yk- *k)2            (1)

(Prasetyo, Suta Wijaya and Yudo Husodo, 2019)

Keterangan :

D(x,y) = hasil eucledian distance x = data uji y = data latih k = variabel data n = jumlah data latih

Setelah jarak ditentukan, selanjutnya adalah mencari jarak terdekat antara data uji dengan seluruh data latih dari yang jarak yang terdekat sampai dengan jarak yang terjauh. Kemudian diambil sejumlah K dengan nilai jarak terdekat dengan data uji. Dari nilai K tersebut akan dikelompokkan sesuai dengan mayoritas K sehingga sistem dapat menentukan apakah suatu nada alat musik Darbuka sudah benar atau tidak.

  • 3.    Hasil dan Diskusi

    3.1.  Tampilan Awal Aplikasi

Aplikasi identifikasi nada Darbuka memiliki tiga halaman yaitu halaman awal, halaman pengujian dan halaman identifikasi. Halaman awal berisi informasi mengenai kesenian Hadrah yang bertujuan untuk memberikan pemahaman kepada pengguna mengenai kesenian Hadrah terlebih alat musik Darbuka. Sedangkan halaman pengujian adalah halaman untuk melakukan identifikasi seluruh data uji yang ada pada sistem sehingga didapatkan akurasi sistem dalam mengidentifikasi nada Darbuka. Pada halaman pengujian, pengguna diminta memasukkan parameter yang digunakan dalam ekstraksi fitur menggunakan MFCC yaitu panjang frame, panjang overlap, dan jumlah koefisien MFCC, selain itu pengguna juga diminta untuk memasukkan nilai K untuk proses klasifikasi menggunakan KNN karena halaman pengujian dikhususkan untuk developer dalam mencari kombinasi parameter dengan akurasi terbaik. Hasil dari proses pengujian menampilkan hasil identifikasi dari semua data uji yang ada pada

sistem serta akurasi yang didapatkan. Dalam halaman pengujian terdapat dua tombol yaitu “Basic Tone” untuk pengujian pada nada dasar dan “Tone Pattern” untuk pengujian pada pola nada. Tampilan halaman pengujian dapat dilihat pada gambar 5 dan gambar 6.

Gambar 5 Antarmuka Halaman Pengujian

Gambar 6 Antarmuka Hasil Pengujian

Halaman ketiga adalah halaman identifikasi yang berfungsi untuk mengidentifikasi sebuah nada dari file yang dimasukkan oleh pengguna. Pada halaman identifikasi, pengguna tidak perlu memasukkan parameter seperti pada halaman pengujian karena pada identifikasi pada halaman ini menggunakan model terbaik dan dikhususkan untuk pengguna umum. Sama seperti halaman pengujian, halaman identifikasi akan terdapat dua tombol yaitu “Basic Tone” untuk pengujian pada nada dasar dan “Tone Pattern” untuk pengujian pada pola nada. Tampilan halaman pengujian dapat dilihat pada gambar 7 dan gambar 8.

Gambar 7 Antarmuka Halaman Identifikasi

Gambar 8 Antarmuka Hasil Identifikasi

  • 3.2.    Hasil Analisis Pengaruh Panjang Frame dan Panjang Overlap Terhadap Akurasi

Panjang frame dan overlap merupakan variabel yang menentukan jumlah frame dalam proses ekstraksi fitur MFCC. Pembagian sampling menjadi beberapa frame ini terjadi pada proses frame blocking. Pengujian ini menggunakan kombinasi panjang frame 10, 20 dan 30 dengan overlap yang digunakan adalah sebesar 30%, 40%, dan 50%. Sedangkan untuk parameter lain menggunakan parameter terbaik

yaitu jumlah koefisien MFCC sebanyak 19 dan nilai K=7. Hasil pengujian pengaruh panjang frame dan panjang overlap dapat dilihat pada tabel 2.

Tabel 2 Analisis Pengaruh Panjang Frame dan Overlap

Panjang Frame

Panjang Overlap

Akurasi Identifikasi Nada Dasar

Akurasi Identifikasi Pola Nada

Akurasi Identifikasi Nada Dasar Dalam Pola Nada

10 ms

30%

93,33%

73,33%

66,00%

40%

88,33%

73,33%

66,00%

50%

93,33%

73,33%

66,67%

20 ms

30%

100,00%

76,67%

68,00%

40%

100,00%

76,67%

70,00%

50%

98,33%

73,33%

69,33%

30 ms

30%

100,00%

86,67%

72,00%

40%

100,00%

80,00%

68,67%

50%

100,00%

76,67%

68,00%

Gambar grafik pengaruh panjang frame dan dapat dilihat pada gambar 9.

120

■ Nada Dasar ■ Pola Nada ■ Nada Nadar dalam Pola Nada


100

80

60

40

20

0

Gambar 9 Grafik Pengaruh Panjang Frame

Melalui grafik pada gambar 9, penggunaan panjang frame 30 ms menghasilkan akurasi terbaik untuk identifikasi nada dasar dengan rata-rata akurasi 100%, identifikasi pola nada dengan rata-rata akurasi 81,11%, dan identifikasi nada dasar dalam pola nada terbaik dengan rata-rata akurasi 69,56%. Kemudian gambar grafik pengaruh panjang overlap dan dapat dilihat pada gambar 10.

120

■ Nada Dasar ■ Pola Nada ■ Nada Dasar dalam Pola Nada


100

80

60

40

20

0

Gambar 10 Grafik Pengaruh Panjang Overlap

Melalui grafik pada gambar 10, penggunaan panjang overlap 30% menghasilkan akurasi terbaik untuk identifikasi nada dasar dengan rata-rata akurasi 99,44%, identifikasi pola nada dengan rata-rata akurasi 78,89%, dan identifikasi nada dasar dalam pola nada dengan rata-rata akurasi 68,67%.

  • 3.3.    Hasil Analisis Pengaruh Jumlah Koefisien MFCC Terhadap Akurasi

Koefisien MFCC merupakan jumlah koefisien pada proses discrete cosine transform yang terdapat pada proses MFCC. Pengaruh dari koefisien MFCC dapat diketahui dengan menjadikan koefisien MFCC sebagai variabel bebas. Koefisien MFCC yang diuji adalah 7, 10, 13, 16, dan 19. Sedangkan untuk parameter lain menggunakan parameter terbaik yaitu panjang frame 30 ms, panjang overlap 30%, dan nilai K=7. Hasil pengujian pengaruh koefisien MFCC terhadap akurasi identifikasi nada dapat ditampilkan pada tabel 3.

120


100


96.67


98.33


100


100


100


80


60


40


20


0


7


10


13


16


19


Tabel 3 Analisis Pengaruh Jumlah Koefisien

Jumlah Koefisien MFCC

Akurasi Identifikasi Nada Dasar

Akurasi Identifikasi Pola Nada

Akurasi Identifikasi Nada Dasar Dalam Pola Nada

7

96,67%

80,00%

65,33%

10

98,33%

76,67%

65,33%

13

100,00%

86,67%

70,00%

16

100,00%

86,67%

71,33%

19

100,00%

86,67%

72,00%

Gambar grafik pengaruh panjang overlap dan dapat dilihat pada gambar 11.

■ Nada Dasar ■ Pola Nada ■ Nada Dasar Dalam Pola Nada

Gambar 11 Grafik Pengaruh Panjang Overlap

Melalui grafik pada gambar 11, penggunaan jumlah koefisien MFCC sebanyak 13, 16 dan 19 menghasilkan akurasi terbaik untuk identifikasi nada dasar dengan akurasi 100% dan identifikasi pola nada dengan akurasi 86,67%. Sedangkan jumlah koefisien MFCC sebanyak 19 menghasilkan akurasi terbaik untuk identifikasi nada dasar dalam pola nada dengan akurasi 72%.

  • 3.4.    Analisis Jumlah K Terhadap Akurasi

Jumlah K pada algoritma K-Nearest Neighbor sangat mempengaruhi akurasi dalam identifikasi nada alat musik Darbuka, hal ini karena jumlah K mewakili jumlah tetangga terdekat yang merupakan data latih yang menjadi acuan dalam melakukan identifikasi sehingga jumlah K dalam penelitian ini menjadi variabel bebas. Jumlah K yang diuji adalah 1, 3, 5, 7, dan 9. Sedangkan untuk parameter lain menggunakan parameter terbaik yaitu panjang frame 30 ms, panjang overlap 30%, dan jumlah koefisien MFCC sebanyak 19. Hasil pengujian pengaruh jumlah K terhadap akurasi identifikasi nada dapat ditampilkan pada tabel 4.

Tabel 4 Analisis Pengaruh Jumlah K

K

Akurasi Identifikasi Nada Dasar

Akurasi Identifikasi Pola Nada

Akurasi Identifikasi Nada Dasar Dalam Pola Nada

3

98,33%

86,67%

72,67%

5

98,33%

86,67%

72,67%

7

100,00%

86,67%

72,00%

9

100,00%

86,67%

70,67%

Gambar grafik pengaruh jumlah K dan dapat dilihat pada gambar 12.

120

100

80

60

40

20

0

■ Nada Dasar ■ Nada Dasar Dalam Pola Nada ■ Pola Nada

Gambar 12 Grafik Pengaruh Jumlah K

Melalui grafik pada gambar 12, penggunaan nilai K=7 dan K=9 menghasilkan akurasi terbaik untuk nada dasar sebesar 100%, sedangkan penggunaan nilai K menghasilkan akurasi yang sama untuk identifikasi pola nada dengan akurasi 86,67%, dan penggunaan nilai K=3 dan K=5 menghasilkan akurasi terbaik untuk identifikasi nada dasar dalam pola nada dengan akurasi 72,67%.

  • 4.    Kesimpulan

Berdasarkan implementasi penelitian yang telah dilakukan dan hasil yang telah didapat, maka dapat ditarik kesimpulan sebagai berikut:

  • 1.    Penggunaan panjang frame 30 ms menghasilkan akurasi terbaik untuk identifikasi nada dasar dengan akurasi100%, identifikasi pola nada dengan akurasi 81,11%, dan identifikasi nada dasar dengan akurasi 69,56%. Sedangkan penggunaan panjang overlap 30% menghasilkan akurasi terbaik untuk identifikasi nada dasar dengan akurasi 99,44%, identifikasi pola nada dengan akurasi 78,89%, dan identifikasi nada dasar dalam pola nada dengan akurasi 68,67%. Sehingga dapat dikatakan semakin besar panjang frame dan semakin kecil panjang overlap maka semakin besar akurasi yang didapat.

  • 2.    Jumlah koefisien MFCC memiliki korelasi yang kuat terhadap tingkat akurasi identifikasi nada dasar alat musik Darbuka. Korelasi yang bersifat positif di mana semakin besar nilai koefisien MFCC yang digunakan akan semakin besar nilai akurasi yang didapatkan. Pada penelitian ini penggunaan panjang frame 13, 16, dan 19 menghasilkan akurasi tertinggi pada identifikasi nada dasar dengan akurasi 100% dan identifikasi pola nada dengan akurasi 86,67%, sedangkan pada identifikasi nada dasar dalam pola nada menghasilkan akurasi terbaik sebesar 72% dengan jumlah koefisien MFCC sebesar 19.

  • 3.    Jumlah K pada algoritma K-Nearest Neighbor sangat mempengaruhi tingkat akurasi dalam identifikasi nada alat musik Darbuka karena jumlah K mewakili jumlah tetangga terdekat yang merupakan data latih yang menjadi acuan dalam melakukan identifikasi. Nilai K=7 dan K=9 menghasilkan akurasi terbaik identifikasi untuk identifikasi nada dasar dengan akurasi 100%. Kemudian untuk identifikasi pola nada memiliki akurasi yang sama untuk semua nilai K yang diujikan dengan akurasi 86,67%. Sedangkan untuk identifikasi nada dasar dalam pola nada menghasilkan akurasi terbaik sebesar 72,67% dengan penggunaan K=3 dan K=5.

  • 4.    Aplikasi identifikasi nada alat music Darbuka menggunakan MFCC, dan KNN sudah berjalan dengan akurasi yang cukup tinggi sampai dengan 100% untuk identifikasi nada dasar Darbuka, namun masih perlu pengembangan lebih lanjut terlebih dalam identifikasi pola nada Darbuka dengan akurasi yang terbilang kecil, sehingga dapat membantu orang-orang dalam belajar alat musik Darbuka.

References

  • [1]    N. Marufah, “Komunikasi Seni Hadrah Majelis Ahbaabul Musthofa Yogyakarta,” Alhadharah J. Ilmu Dakwah, vol. 19, no. 2, pp. 91–116, 2020.

  • [2]    N. Nurhamidah, E. C. Djamal, and R. Ilyas, “Perintah Menggunakan Sinyal Suara dengan Mel-Frequency Cepstrum Coefficients dan Learning Vector Quantization,” Semin. Nas. Apl. Teknol. Inf. 2017, pp. 11–16, 2017.

  • [3]    R. Umar, I. Riadi, and A. Hanif, “Analisis Bentuk Pola Suara Menggunakan Ekstraksi Ciri Mel-Frequencey Cepstral Coefficients (MFCC),” CogITo Smart J., vol. 4, no. 2, p. 294, 2019, doi: 10.31154/cogito.v4i2.130.294-304.

  • [4]    F. Muhammad, Y. Indrawaty, and I. Amelia, “Identifikasi Nada Antara Suling Sunda Dan Suling

Rekorder Dengan Menggunakan Metode Mel Frequency Cepstral Coefficients (Mfcc) Dan Dynamic Time Warping (Dtw),” JTIIK J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 1, pp. 145– 154, 2020, doi: 10.25126/jtiik.202071649.

  • [5]    A. Suryarasmi and R. Pulungan, “Penyusunan Notasi Musik dengan Menggunakan Onset Detection pada Sinyal Audio,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 7, no. 2, p. 167, 2013, doi: 10.22146/ijccs.3357.

  • [6]    J. P. Bello, L. Daudet, S. Abdallah, C. Duxbury, M. Davies, and M. B. Sandler, “A Tutorial on Onset Detection in Music Signals,” Speech Audio …, pp. 1–13, 2005, [Online]. Available: http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1495485.

  • [7]    A. F. Ryamizard, B. Hidayat, and S. Saidah, “Deteksi Nada Tunggal Alat Musik Kecapi Bugis Makassar Menggunakan Metode Mel Frequency Cepstral Coefficient (Mfcc) Dan Klasifikasi K-Nearest Neighbour (Knn),” e-Proceeding Eng., vol. 5, no. 3, pp. 4715–4721, 2018.

146