PENGENALAN SUARA INSTRUMEN ORKESTRA SECARA REAL-TIME MENGGUNAKAN JARINGAN SYARAF TIRUAN

BAGASKORO SAPUTRO, Dr. Yohanes Suyanto, M.Kom; Catur Atmaji, S.Si., M.Cs.

2018 | Skripsi | S1 ELEKTRONIKA DAN INSTRUMENTASI

Belum dikenal secara meluasnya jenis-jenis instrumen orkestra dalam dunia pengolahan teknik suara di Indonesia menyebabkan lamanya waktu proses pengaturan sistem suara di setiap konser musik orkestra oleh teknisi. Dengan berkembangnya pembelajaran mesin, penggunaan metode Jaringan Syaraf Tiruan (JST) sudah sangat marak dan terbukti efektif dalam proses mengklasifikasi multi-objek. Penelitian ini mengenali instrumen musik berupa 11 jenis instrumen yang umum digunakan dalam sebuah orkestra. Sistem bantuan pelabelan otomatis dibangun dengan proses normalisasi dan penapisan pada tahap pra pengolahan sinyal, sedangkan 9 koefisien frekuensi harmonik dan 2 kali 15 koefisien MFCC digunakan sebagai ciri yang dianalisis, serta JST Multi Layer Perceptron digunakan sebagai metode klasifikasinya. Arsitektur JST dibangun dengan 2 buah lapisan tersembunyi masingmasing 68 node dan 86 node. Pelatihan dengan 2446 data audio rekaman primer dari Gadjah Mada Chamber Orchestra diuji secara offline dengan 272 data sumber sama dan online dengan 132 data playback dari London Philharmonic Orchestra. Hasil terbaik didapatkan dengan skor pelatihan sebesar 96,05%. Dalam pengujian, didapatkan skor akurasi sebesar 81,62% dengan waktu pengenalan terbaik sebesar 44,11 ms untuk setiap instrumen pada pengujian offline. Pengujian online menghasilkan akurasi sebesar 10,62% dengan kecepatan 92,889 ms. Kata kunci : jaringan syaraf tiruan, mlp, instrumen orkestra, frekuensi harmonik, mfcc

The unpopular knowledge of western orchestral instruments among local sound engineers in Indonesia causes several problems on the orchestral show's preparation, mainly about time consuming setups. Meanwhile, artificial neural network (ANN) is the most popular method to do machine learning for multi-objects detection-purposes nowadays. This research recognizes 11 different types of orchestral instrument. The concept of automatic labelling support system is built using normalization and filtering process as signal preprocessing, while 9 coefficients of harmonic frequencies and 2 folds of 15 coefficients of MFCC as its pattern features, and Multi Layer Perceptron of ANN as classification method. The ANN architecture has been successfully built under 2 hidden layers, which each has 68 nodes and 86 nodes. As 2446 audio primary data from Gadjah Mada Chamber Orchestra are being used as in training phase, this research test both offline with 272 similar source data and online with 132 playback data from London Philharmonic Orchestra. The best result scores 96.05% in training phase and 81.62% in offline testing phase for about 44.11 ms for predicting single instrument, while online test resulting 10.61% accuracy in about 92.889 ms. Keywords : artificial neural network, mlp, orchestral instrument, harmonic frequency, mfcc

Kata Kunci : Keywords : artificial neural network, mlp, orchestral instrument, harmonic frequency, mfcc