Penentuan Notasi Gamelan Rindik Menggunakan Metode Transformasi Wavelet
on
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%.
Intisari—Pada 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.
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.
-
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%.
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.
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…
Discussion and feedback