Majalah Ilmiah Teknologi Elektro, Vol. 17, No. 3, September - Desember 2018

DOI: https://doi.org/10.24843/MITE.2018.v17i03.P03

319

Penentuan Notasi Gamelan Rindik Menggunakan Metode Transformasi Wavelet

I G.M. Meri Utama Yasa1, Linawati2, N. Pramaita3

Abstract—This paper present about recognition of gamelan rindik pattern using wavelet transform. Wavelet transform is used to find the special characteristic of gamelan rindik, which had previously been recorded and stored in computer with format *.wav. The data was subsequently used as training and tested data, Probabilistic Neural Network (PNN) was used to recognize gamelan rindik pattern using. The training and tasted data process used four different rindics, consisting 0f 264 gamelan rindik data. Discrete Wavelet Transform (DWT) was used as the method of feature extraction, with Symlet, Haar, and Daubechies Wavelet function. Those three functions of the wavelet shows the average accuracy level for Symlet 93.18%, Haar 92.04 %, and wavelet Daubechies 93.18%.

IntisariPada paper ini disajikan tentang pengenalan pola gamelan rindik menggunakan transformasi wavelet, transformasi wavelet digunakan untuk mencari ciri khusus yang terdapat dalam gamelan rindik, dimana sebelumnya telah dilakukan perekaman, dan disimpan dalam komputer dengan format *.wav, untuk selanjutnya dijadikan sebagai data latih dan data uji, pengenalan pola gamelan rindik menggunakan Jaringan Saraf Tiruan Probabilistik (PNN). Proses pelatihan dan pengujian digunakan empat rindik berbeda, yang terdiri dari 264 data gamelan rindik. Metode ekstraksi ciri yang digunakan adalah Discrete Wavelet Transform, dan fungsi wavelet yang digunakan adalah wavelet Symlet, Haar, dan Daubechies. Dari ketiga fungsi wavelet tersebut menunjukkan tingkat akurasi rata-rata untuk Symlet 93,18%, wavelet Haar 92,04%, dan Wavelet Daubechies 93,18%.

Kata Kunci— Gamelan Rindik, Wavelet, DWT, PNN.

  • I.    pendahuluan

Seiring berkembangnya jaman serta pengaruh globalisasi, generasi muda lebih tertarik terhadap alat musik modern yang jauh lebih popular dibandingkan dengan gamelan rindik, dimana alat musik moderen menawarkan permainan serta cara atau panduan bermain lebih variatif, sehingga mengakibatkan menurunnya minat generasi muda terhadap musik tradisional Bali. Untuk menjaga kelestarian gamelan rindik, maka dari itu perlu dilakukan sebuah analisa yang lebih mendalam tentang karakteristik, pola nada yang dihasilkan oleh gamelan rindik. Berdasarkan latar belakang dan beberapa penenlitian di atas, pada penelitian ini akan dilakukan analisa terhadap suara dari

khusus dari masing - masing bilah bambu yang dijadikan sebagai data uji maupun data latih yang diperoleh dari proses perekaman, selanjutnya dilanjutkan proses pengenalan pola menggunakan PNN (Probabilistic Neural Network), dengan membandingkan data uji dan data latih dari gamelan rindik. Beberapa fungsi wavelet yang diusulkan dalam penelitian ini diantaranya ; Haar, Debauchies, dan Symlet. Pemilihan fungsi wavelet yang tepat sangat mempengaruhi dalam proses ekstraksi fitur[, maka dari itu ketiga fungsi wavelet tersebut akan dibandingkan untuk mendapatkan klasifikasi hasil yang optimal.

  • II.    Studi Literatur

  • A.    Transfromasi Wavelet

Transformasi wavelet merupakan sebuah fungsi konversi yang dapat digunakan untuk membagi suatu fungsi atau sinyal ke dalam komponen frekuensi yang berbeda, yang selanjutnya komponen-komponen tersebut dapat dipelajari sesuai dengan skalanya. Dekomposisi Wavelet adalah teknik untuk menguraikan sinyal menjadi koefisien detail dan koefisien koefisien aproksimasi dengan menggunakan HPF dan LPF dan down sampling. Proses dekomposisi merupakan bagian analisis sinyal dengan DWT dan rekonstruksi yang merupakan bagian sistesis sinyal dengan DWT balik bertingkat sampai oktaf tertentu[1]. Transformasi wavlet diskrit dapat digunakan dalam proses awal sinyal untuk mendapatkan informasi cirisinyal tersebut, tingkat dekomposisi mempengaruhi tingkat pengenalan jaringan yaitu makin tinggi tingkat dekomposisi maka tingkat pengenalan jaringan makin menurun[1]. Pada dekomposisi wavelet dibagi menjadi aproksimasi dan detail, kemudian bagian aproksimasi dibagi lagi menjadi komponen aproksimasi dan detail, begitu seterusnya sampai level yang diinginkan[2].

Gambar 1: Dekomposisi Wavelet

  • B.    Jaringan Syaraf Probabilistik

Jaringan syaraf probabilistik tergolong dalam pembelajaran terawasi (supervised learning) karena keluaran yang diharapkan telah diketahui sebelumnya dan merupakan model yang dibentuk berdasarkan penaksiran fungsi peluang.

p-ISSN:1693– 2951; e-ISSN: 2503-2372

Model ini memberikan unjuk kerja pengklasifikasian yang sangat baik dan cepat dalam pelatihan karena dilakukan hanya dalam satu tahap pelatihan. Metode Bayes untuk mengklasifikasikan pola menggunakan suatu aturan pengambilan keputusan yang meminimalkan risiko yang dihadapi[3].

Gambar 2 : Layer Pada PNN[4]

Penelitian yang dilakukan oleh[4], menggabungkan metode Wavelet Shannon Entropy dengan Probabilistik Neural Network untuk mengenali suara pembicara melalui telepon dengan kualitas suara yang rendah, dengan metode WSE+PNN saat PNN digunakan untuk mengklasifikasi menghasilkan tingkat akurasi mencapai 89,3%, dibandingkan dengan GMM menghasilkan tingkat akurasi lebih rendah yaitu 87,3%.

  • III.    Metode penelitian

Diagram alir penelitian ini dapat dilihat pada Gambar 1, dimana pada tahap akuisisi data dilakuakan proses pengambilan data berupa rekaman suara masing masing bilah bambu. Kemudian pada tahap preprocessing data dilakukan pencarian informasi penting terhadap data yang sudah direkam dengan metode wavelet transform. Selanjutnya dalam proses pengenalan pola notasi data suara rindik menggunakan jaringan syaraf probabilistik (PNN), sehingga dapat dibandingkan dengan pola – pola yang berkesesuain dari masing masing bilah bambu antara data uji dan data latih. Selanjutnya dilakukan analisa hasil menggunakan penghitungan dengan tehnik akurasi dari pengambilan kesimpulan akan dibandingkan tingkat keberhasilan dari tiga fungsi wavelet yang akan digunakan

  • A.    Akuisisi Data

Akuisisi data dilakukan dengan melakukan perekaman gamelan rindik secara langsung, penelitian ini menggunakan empat jenis gamelan rindik yang berbeda, gambar 4, merupakan ilustrasi dari proses perekaman suara gamelan rindik, yang terdiri dari 66 kombinasi suara gamelan rindik.

Gambar 4 : Ilustrasi Perekaman Gamelan Rindik

  • B.    Praprosesing

Data gamelan yang sudah disimpan dari hasil perekaman dengan format *.wav akan diproses untuk mendapatkan ciriciri khusus yang terdapat dalam masing-masing data suara tersebut. Metode yang digunakan adalah transformasi wavelet diskrit. Fungsi wavelet yang digunakan adalah Symlet, Haar, dan Debauchies. Ekstraksi ciri sinyal suara gamelan rindik diperoleh dengan cara mendekomposisi sinyal suara kedalam tingkatan dekomposisi tertentu sampai mendekati hasil yang diinginkan. Di bawah ini adalah langkah langkah untuk mendapatkan ciri khusus dalam sinyal suara.

Gambar 5 : Alur Proses ekstraksi Ciri Data Suara

Berikut dibawah ini adalah hasil proses untuk mendapatkan ciri khusus dari sinyal suara gamelan rindik menggunakan fungsi wavelet symlet yang terdiri dari sinyal suara asli, hasil frame blocking, hasil windowing, dan koefisien aproksimasi wavelet yang ditunjukkan oleh gambar 6, gambar 7, dan

Gambar 3 : Alur Proses Penelitian


(a)


(b)


Gambar 7 : (a). Hasil Frame Blocking, (b). Hasil Windowing


Gambar 8 : Koefisien Aproksimasi Wavelet

  • C.    Pengenalan Pola

Dari hasil ekstraksi ciri menggunakan tiga fungsi wavelet (Symlet, Haar, Daubuchies), kemudian akan dilakukan pembadingan antara data latih dengan data uji, dimana dari 264 rekaman data rindik, salah satu rindik digunakan sebagai data uji (Rindik1 sebanyak 66 data uij), dan tiga rindik yang lainnya digunakan sebagai data latih (Rindik2, Rindik3, Rindik4 sebanya 198 data latih), kemudian dibandingkan dalam pengenalan pola suara gamelan rindik menggunakan Jaringan Syaraf Tiruan Probabilistik (PNN). Berikut gamabr 8, dan gambar 9 adalah ilustrasi proses pengenalan pola suara PNN.

Gambar 9 : Ilustrasi Pemodelan JST PNN

Gambar 10 : Pemodelan PNN Pengenalan Pola Suara


  • D.    Analisa Hasil

Proses pengujian dilakukan dengan membandingkan data uji dengan data gamelan rindik yang teridentifikasi dari data gamelan yang ada. Data uji akan diklasifikasikan ke kelas yang sesuai dengan cara menghitung peluang terbesar yang mendekati kelas data suara gamelan. Hasil yang didapat akan dihitung akurasinya dengan rumus berikut ini:

Hasil = ∑ Data Ujiyangbenar χ 100%                   (1)

∑Data Uji

  • E.    Pengambilan Kesimpulan

Pada tahap ini akan diambil kesimpulan, dimana dari ke tiga fungsi wavelet yang digunakan yaitu fungsi wavelet symlet, fungsi wavelet haar, dan fungsi wavelet daubechies, dalam proses pengenalan pola dilihat perbandingan dari ketiga fungsi wavelet yang memiliki tingkat keberhasilan paling tinggi. Berikut dibawah ini ilustrasi dari pengambilan kesimpulan menggunakan salah satu fungsi wavelet yang diusulkan.

  • IV.    HASIL DAN PEMBAHASAN

Dalam proses pelatihan dan pengujian data diperoleh dari penghitungan menggunakan program, berikut dalam gamabr 11 adalah salah satu tampilan antarmuka pelatihan data gamelan rindik.

I.G.M. Meri Utama Yasa:Penentuan Notasi Gamelan Rindik...


Setelah proses pelatihan akan dilakukan proses pengujian antara data latih dan data uji, yang dapat dilihat pada gambar 12, menggunakan salah satu fungsi wavelet yang


p-ISSN:1693– 2951; e-ISSN: 2503-2372



Gamabr 11 : Tampilan Antarmuka Pelatihan dengan Symlet

menampilkan informasi ekstraksi ciri data latih maupun data uji yaitu diagram sinyal asli, diagram frame blocking, hasil windowing, dan koefisien aproksimasi wavelet .

Gambar 12. Tampilan Antarmuka Pengujian data

  • A.    Hasil Pelatihan

Setelah proses pelatihan pada pelatihan program di atas, akan didapatkan hasil seperti yang terlihat pada Tabel I, data yang ditunjukkan pada tabel bukan merupakan keseluruhan data yang telah diujikan melainkan perwakilan saja. Berikut di bawah ini adalah tabel hasil pelatihan menggunakan tiga fungsi wavelet diantaranya fungsi wavelet symlet, haar, dan daubechies yang memberikan informasi amplitudo, frekuensi, kelas asli dan kelas keluaran.

TABEL I

Pelatihan Dengan Fungsi Wavelet Symlet

Data Gamelan

Amplitudo

Frekuensi

Kelas Asli

Kelas Keluaran

polos1.wav

0.017511

123

Rindik 4

Rindik 4

polos2.wav

0.0048011

76

Rindik 4

Rindik 4

polos3.wav

0.0060333

143

Rindik 4

Rindik 4

polos4.wav

0.33865

205

Rindik 4

Rindik 3

polos5.wav

0.007626

113

Rindik 4

Rindik 2

polos7.wav

0.0040097

121

Rindik 4

Rindik 4

polos8.wav

0.2299

122

Rindik 4

Rindik 4

polos9.wav

0.010097

311

Rindik 4

Rindik 4

polos10.wav

0.022603

97

Rindik 4

Rindik 4

Proses pelatihan dengan fungsi wavelet yang ditunjukkan oleh tabel di atas, didapatkan nilai akurasi dari fungsi wavele Symlet, dapat dilihat pada gambar 13, dimana pada grafik tersenut menunjukkan angka di sebelah kiri menampilkan amplitude yang dihasilkan, dan sebelah kanan menunjukkan tingkatan frekuensi yang dicapai dari proses pelatihan

^^Kelas Keluaran ■ " Frekuensi

Gambar 13. Grafik hasil pelatihan dengan Fungsi Symlet

TABEL II.

Pelatihan Menggunakan Fungsi Wavelet Haar

Data Gamelan

Amplitudo

Frekuensi

Kelas Asli

Kelas Keluaran

kombi2-7.wav

0.29314

204

Rindik 3

Rindik 3

kombi2-8.wav

0.32752

176

Rindik 3

Rindik 3

kombi2-9.wav

0.29252

193

Rindik 3

Rindik 3

kombi3-4.wav

0.27198

217

Rindik 3

Rindik 3

kombi3-5.wav

0.20595

206

Rindik 3

Rindik 3

kombi3-6.wav

0.076347

130

Rindik 3

Rindik 3

kombi3-7.wav

0.095143

207

Rindik 3

Rindik 3

kombi3-8.wav

0.19672

140

Rindik 3

Rindik 3

kombi3-9.wav

0.27336

109

Rindik 3

Rindik 3

kombi4-10.wav

0.27364

169

Rindik 3

Rindik 3

Hasil pelatihan menggunakan fungsi wavelet Haar dapat dirangkum dalam table II di atas dengan nilai amplitude dan frekuensi yang berbeda, dengan ditunjukkan oleh gambar 14, memberikan informasi amplitude dan frekuensi yang dihasilkan pada saat proses pelatihan

Gambar 14. Grafik hasil pelatihan dengan Fungsi Haar


Tabel III memberikan informasi hasil pelatihan menggunakan fungsi wavelet daubechies, yang menampilkan data gamelan, amplitudo, frekuensi, kelas asli, dan kelas keluaran


—•— Data Gamelan —•—Amplitudo   ^^ KeIasAsIi

^ι^ Kelas Keluaran ^^^^^^^ Frekuensi

TABEL III

Pelatihan Menggunakan Fungsi Wavelet Daubechies

Data Gamelan

Amplitudo

Frekuensi

Kelas Asli

Kelas Keluaran

suara01.wav

0.011113

182

Rindik 1

Rindik 1

suara02.wav

0.25564

218

Rindik 1

Rindik 1

suara03.wav

0.1592

261

Rindik 1

Rindik 1

suara04.wav

0.039511

134

Rindik 1

Rindik 1

suara05.wav

0.044188

159

Rindik 1

Rindik 1

suara06.wav

0.032628

132

Rindik 1

Rindik 1

suara07.wav

0.3243

194

Rindik 1

Rindik 1

suara08.wav

0.017085

131

Rindik 1

Rindik 1

suara09.wav

0.2185

205

Rindik 1

Rindik 3

Hasil pelatihan menggunakan fungsi wavelet Haar dapat dilihat dalam gambar 15, yang memberikan informasi berupa gragik diantaranya amplitude dan frekuensi yang dihasilkan pada saat proses pelatihan

^^Amplitudo ^^KelasAsli ^^^≡Kelas Keluaran ^^Frekuensi

Gambar 15. Grafik Hasil Pelatihan Daubechies

  • B.    Akurasi Pelatihan Wavelet

Pengujian system dilakukan untuk mengetahui tingkat akurasi hasil pelatihan menggunakan wavelet, melalui proses ekstraksi ciri data gamelan rindik menggunakan 66 hingga 264 file audio sebagai data uji dan data latih, dalam menghitung tingkat akurasi digunakan persamaan :

Akurasi Gamelan rindik =


Jumah Data Benar Total Data Pelatihan

x 100 %


(2)


Hasil pelatihan dengan tingkat sebaran 0,1 dalam pelatihan PNN, dengan menggunakan fungsi wavelet symlet dari 264 jumlah data, didapatkan 246 data yang benar, 18 data salah, dengan hasil akurasi mencapai 93,1818%, dengan perhitungan akurasi di bawah ini.

Akurasi Gamelan rindik = — x 100%

264

(3)


Hasil pengujian dengan tingkat sebaran 0,1 dalam pelatihan PNN menggunakan fungsi wavelet haar, dari 264 jumlah data didapatkan 243 data yang benar, 21 data salah, dengan hasil akurasi mencapai 92.0455%, dengan perhitungan akurasi di bawah ini.

Akurasi Gamelan rindik = — x 100%               (4)

264

Hasil pengujian dengan tingkat sebaran 0,1 dalam pelatihan PNN, menggunakan fungsi wavelet daubechies dari 264 jumlah data, didapatkan 246 data yang benar, 18 data salah, dengan hasil akurasi mencapai 93,1818%, dengan perhitungan akurasi di bawah ini.

Akurasi Gamelan rindik = — x 100%               (5)

264

TABEL IV.

Akurasi Fungsi Wavelet

Fungsi Wavelet

Data Benar

Data Salah

Akurasi(%)

Symlet

246

18

93.18

Haar

243

21

92.04

Daubechies

246

18

93.18

Grafik pengenalan pola gamelan rindik menggunakan PNN dari hasil ekstraksi ciri menggunakan DWT dengan fungsi wavelet symlet, haar, dan daubechies, hasil akurasi dengan menampilkan informasi jumlah data benar, jumlah data salah, dan tingkat akurasi pada saat proses pelatihan, yang ditunjukkna oleh gambar 16.

Gambar 16. Grafik Akurasi Pengenalan Pola

  • C.    Hasil Pengujian

Berikut dalam Tabel V adalah hasil pengujian, dari tiga fungsi yang digunakan, hasil pengujian menampilkan 15 data pengujian, merupakan perwakilan dari total keseluruhan pengujian yang telah dilakukan, dari tabel hasil pengujian tersebut menampilkan informasi Data Jaringan Pelatihan, Data Uji, Amplitudo dari data uji, Frekuensi dari data uji, Idintifikasi PNN dari data uji, kemudian menampilkan Data Pelatihan, Ampitudo dari data latih, Frekuensi dari data latih, dan Identifikasi PNN dari data latih. dari hasil Pengujian tersebut akan didapatkan hasil pengenalan paling baik dari ketiga fungsi yang telah digunakan.

I.G.M. Meri Utama Yasa:Penentuan Notasi Gamelan Rindik...


p-ISSN:1693– 2951; e-ISSN: 2503-2372



TABEL V. Hasil Pengujian

No

Data Jaringan Pelatihan

Data Uji

Amplitudo

Frekuensi

Identifikasi PNN

Data Latih

Amplitudo

Frekuensi

Identifikasi PNN

1

net_01Symlet

kombi2-3.wav

0.0480726

126

Rindik 1

kombi2-3.wav

0.296695

144

Rindik 2

2

net_01Symlet

kombi2-4.wav

0.152831

162

Rindik 1

kombi2-4.wav

0.0146389

77

Rindik 2

3

net_01Symlet

kombi3-9.wav

0.22846

166

Rindik 1

kombi3-9.wav

0.0427034

116

Rindik 2

4

net_01Symlet

kombi3-11.wav

0.335016

154

Rindik 1

kombi3-11.wav

0.0464406

169

Rindik 2

5

net_01Symlet

kombi4-5.wav

0.0429712

179

Rindik 1

kombi4-5.wav

0.27351

217

Rindik 2

6

net_02Haar

kombi5-11.wav

0.135526

185

Rindik 1

kombi5-11.wav

0.309918

174

Rindik 2

7

net_02Haar

kombi2-8.wav

0.364974

140

Rindik 1

kombi2-8.wav

0.266349

177

Rindik 3

8

net_02Haar

suara1.wav

0.0111126

182

Rindik 1

polos1.wav

0.0199527

166

Rindik 3

9

net_02Haar

kombi3-9

0.22746

116

Rindik 1

kombi3-9.wav

0.27364

110

Rindik 1

10

net_02Haar

kombi8-9.wav

0.292415

149

Rindik 1

kombi8-9.wav

0.126458

126

Rindik 1

11

net_03Db

kombi7-8.wav

0.132782

110

Rindik 1

kombi7-8.wav

0.0037406

144

Rindik 2

12

net_03Db

kombi7-10.wav

0.215168

114

Rindik 1

kombi7-10.wav

0.004048

84

Rindik 4

13

net_03Db

kombi8-9.wav

0.292415

149

Rindik 1

kombi8-9.wav

0.009553

141

Ridnik 3

14

net_03Db

kombi9-10.wav

0.241355

186

Rindik 1

kombi9-10.wav

0.0071463

161

Rindik 4

15

net_03Db

Rindik10-11.wav

0.29098

154

Rindik 1

kombi10-

11.wav

0.0036917

108

Rindik 3


Jumlah keseluruhan data sebanyak 264 data pelatihan dan pengujian yang digunakan kemudian diambli secara acak. berdasarkan hasil pengujian, didapatkan hasil bahwa : dari hasil pelatihan sebelumnya tingkat akurasi yang dihasilkan fungsi wavelet Symlet dan fungsi wavelet Daubechies memiliki tingkat akurasi yang sama yaitu 93,1818% dari 264 data pelatihan, selanjutnya dalam proses pengujian didapatkan hasil bahwa fungsi Wavelet Symlet dapat mengenali sebagian besar data dalam proses pengujian dibandingkan dengan fungsi Wavelet Daubechies.

  • V.    Kesimpulan

Dari pengujian system secara umum, hasil akurasi system menggunakan metode transformasi wavelet dan PNN dengan membandingkan tiga fungsi wavelet maka dapat dihasilkan akurasi yang terbaik dengan tingkat sebaran atau spread sebesar 0.1 untuk fungsi wavelet Symlet (93,18%), fungsi wavelet Haar (92,04%), dan fungsi wavelet Daubechies (93,18%), Berdasarkan hasil pelatihan tingkat akurasi yang dihasilkan fungsi wavelet Symlet dan fungsi wavelet Daubechies memiliki tingkat akurasi yang sama yaitu 93,1818% dari 246 data, selanjutnya dalam proses pengujian didapatkan hasil ; dalam Tabel V, fungsi Wavelet Symlet dapat mengenali data lebih baik dibandingkan dengan fungsi Wavelet Daubechies, dari 15 (limabelas) data yang diujikan Wavelet Symlet dapat mengenali semua data yang diujikan, sedangkan Wavelet Daubechies dari 5 data yang diujikan sebagai perwakilan terdapat 3 (tiga) data yang tidak dapat dikenali atau tidak dapat diidentifikasi.

Referensi

  • [1]    Ignatius Leo May. Pengenalan Vocal Bahasa Indonesia Dengan Jaringan Syaraf Tiruan Melalui Transformasi Wavelet Diskret.

  • [2]    Rifky Ekayana (2016). Identifikasi Kondisi Rileks Dari Sinyal EEG Menggunakan Wavelet Learning Vector Quantization

  • [3]    Suyanto, (2014). Artificial Intelligence Searching Learning Planning Learning

  • [4]    Lei Lei (2016), Speaker Identification using Wavelet Shannon Entropy and Probabilistic Neural Network

  • [5]    Chandraaditya 2017, Perbandingan Suara Normal dan Abnormal Menggunakan Probabilistic Neural Network dan Support Vector Machine.

  • [6]    Ketut Agustini, 2007. Biometrik Suara dengan Transformasi Wavelet Berbasis Orthogonal Daubenchies.

  • [7]    Ikhwan Mustiadi, 2012. Analisis Ekstraksi Ciri Sinyal EMG Menggunakan Wavelet Discrete Transform.

  • [8]    Arviani Rizki, 2013. Pengembangan Model Probabilistic Neural Network Untuk Identifikasi Cord Gitar.

  • [9]    Ira Puspasari, 2013. Analisis Ekstraksi Ciri Pada Suara Jantung Diastolik dengan menggunakan Wavelet Transform dan Wigner Ville Distribution.

  • [10]    Risanuri Hidayat 2016, Ekstraksi Fitur dari Ucapan Orang Indonesia Menggunakan Transformasi Wavelet Diskrit dan Transformasi Packet Wavelet.

ISSN 1693– 2951

I G.M. Meri Utama Yasa: Penentuan Notasi Gamelan Rindik…