|
BAB II LANDASAN
TEORI
Bab
ini
menjelaskan landasan
teori
yang
digunakan dalam
perancangan sistem
Networks
pendeteksi
suara
dan
pembangkitan not,
dimulai
dengan
memaparkan
pengertian
Tentang
Teori
Musik,
pengertian
dariNeural Networks,
kemudian
diikuti
dengan
penjelasan teori
tentang
model
dan
konsep
dasar Neural
Networks,
arsitektur
Neural Backpropagation, serta
pengolahan sinyal dari transkripsi melodi
2.1
Teori Musik
Sub
bab
ini
membahas
mengenai teori
musik
yang
dikutip
dari
buku
Victor
Booth(1983)
yang dimulai dengan pengertian musik, serta elemen-elemen dalam musik.
a. Pengertian Musik
Definisi musik yang bermacam-macam yaitu:
1.
Kamtmi
Musik adalah bagian dari kehiduoan dan perkembangan jiwa manusia.
2. Jhon M
Musik
merupakan kekuatan dasar
yang
sangan efektif
untuk
menenagkan dan
mendatangkan inspirasi bagi banyak orang
3. Alleglory of Music karya Lorenzo Lippi
Musik adalah bunyi yang diterima individu dan berbeda beda berdasarkan
sejarah, lokasi, budaya, dan selera seseorang.
4. Aristoteles
Musik mempunyai kemampuan
mendamaikan
hati
yang
gundah,
mempunyai
terapi rekreatif, dan mempunyai jiwa patriotisme.
7
|
|
8
b.
Elemen dalam Musik
1.
Bunyi
Bunyi dan
nada dipelajari dalam
mata pelajaran iImu akustika
musik.Biasanya
ilmu akustika dipelajari sebagai landasan dalam memahami produksi bunyi berbagai
instrumen musik.Secara akustik, bunyi dihasilkan oleh getaran.Sebagai contoh ialah
fenomena
produksi suara
yang
dihasilkan
dengan
jalan
menggesekkan
alat
penggesek
(bow)
pada
dawai-dawai
biola.
Contoh
lain
ialah petikan
pada
dawai-
dawai
gitar
Getaran yang
teratur
pada
jumlah
tertentu
dalam setiap
detiknya
menghasilkan nada-nada
musikal
yang
membedakan dari
bunyi
yang
diproduksi
untuk
tujuan
lain.
Semakin
tinggi
kecepatan getaran
maka
semakin
tinggi
pula
tingkat ketinggian suatu bunyi atau nada.Berdasarkan tinggi rendahnya, penyebutan
nada-nada musical menggunakan tujuh abjad pertama yaitu A, B, C, D, E, F, dan G,
mulai dari yang terrendah hingga tertinggi.
2. Garis Paranada
Butir-butir nada diletakan pada
lima buah garis
sejajar
yang di
Indonesia lazim
disebut
paranada
(Inggris: Staff).
Sitem
penulisan
butir-butir nada
para
paranada
dikenal
dalam
masyarakat kita
dengan
istilah
not
balok.Pada
dasarnya
prinsip
membaca not balok adalah sangat
sederhana seperti
halnya membaca sebuah grafik
yang
logis.
Tingkat ketinggian
nada
dapat
terlihat dengan
jelas
sebagaimana apa
adanya pada paranada. Butir
nada
yang
terletak di
bawah
menunjukkan nada
yang
rendah
dan
demikian pula
halnya
dengan
nada
yang
tinggi
tentunya
terletak
di
wilayah
atas.Pada garis
paranada terdapat
garis-garis vertical
pembatas
iramam
disebut
garis
birama.
Di
antara
garis-garis
pembatas
terbentuk kolom-kolom
yang
disebut birama: bar.
|
 9
Gambar 2.1 Garis Paranada
Gambar 2.2 Posisi Not dalam Garis Paranada
Paranada
dapat
mengakomodasi
seluruh
wilayah
nada-nada
musikal
dari
yang
terrendah
hingga
yang
tertinggi. Untuk
keperluan
tersebut
nama-nama
nada
pada
paranada ditentukan
oleh kunci (Inggris: Clef)
yang berbeda-beda yang diletakkan
pada setiap awal paranada. Penulisan nada-nada pada wilayah suara tinggi (Diskan)
menggunakan kunci G
(G clef) atau biasa juga disebut treble clef;
nada-nada pada
wilayah suara rendah
(baskan)
menggunakan kunci F atau biasa disebut bass clef.
Di antara
kedua
kunci
tersebut
ada
kunci-kunci
lain
yaitu
kunci
C yang
biasa
disebut dengan alto clef, untuk mengakomodasi penulisan nada-nada tengah.
|
 10
Gambar 2.3 Posisi nada C berdasarkan kunci (clef)
3. Skala Nada
Dalam dunia pendidikan
musik Indonesia
“skala nada” lebihdikenal
dengan
istilah
“tangga
nada” sedangakan secara
internasionaldisebut scale (Inggris). Nada-
nada yang berurutan secara alfabetisadalah susunan nada-nada skala. Nada pertama
pada
sebuah
skalamemiliki kedudukan
sebagai
Tonika
yang
sekaligus
menjadi
namadari tangga nada tersebut.
Gambar 2.4 Skala C mayor
4. Kunci
Tanda kunci (Inggris:
key signature)
berbeda
dengan kunci(clef),
digunakan
untuk menunjukkan skala nada
yang berbeda-beda.Tanda kunci selalu ditempatkan
di
setiap
awal
garis
paranada
(bukanhanya di
awal
lagu)
dalam
bentuk
susunan
aksidental kres dan mol
|
 11
Gambar 2.5 Kunci G dan kunci F
5. Tempo
Jika
melodi dapat dianalogikan sebagai jiwa bagi
musik
maka jantungnya ialah
ritme
dan
tempo.Tempo
merupakan
“polisi
lalu
lintas”
yang
mengatur
kelancaran
lalulintas sedangkan kelancaran lalulintasnya ialah ritme.Petunjuk tempo pada
naskah musikal tertulis di kiri atas halaman permulaan sebuah karya musik.
Tabel 2.1 Tempo
KATEGORI
SUB KATEGORI
KETERANGAN
Sangat Lambat
Largo
Luas
Grave
Serius
Lambat
Lento
-
Adagio
Gemulai, ringan (tidak tergesa-gesa),
santai (slowly)
Sedang
Andante
Berjalan - dalam tempo orang berjalan
Andantino
Sedikit / seperti andante (lebih cepat dari
andante)
Moderato
-
Agak Cepat
Allegretto
Agak hidup (tidak secepat allegro)
Cepat
Allegro
Gembira, ceria, hidup
Sangat Cepat
Allegro molto
Sangat hidup
Vivace
Enerjik, bersemangat, hidup
Presto
Sangat cepat
Pertissimo
Secepat mungkin
|
 12
6. Dinamika
Volume
yang
menunjukkan
tingkat
kekuatan
atau
kelemahanbunyi pada
saat
musik
dimainkan,
disebut
dinamik.Sebagaimanahalnya tempo
yang
bermacam-
macam dari yang tetap dan berubah,maka demikian juga dengan dinamik, ada
yang
tetap dan ada jugayangberubah.Baik dinamik maupun tempo, keduanya berakar dari
sifat –
sifatemosi.Untuk mengungkapkan misteri
dan
ketakutan
dibutuhkanbisikan,
sedangkan
kemenangan
dan
aktivitas
yang
berani
resonansiyang penuh.Dinamik-
dinamik yang pokok berkisar dari yang paling lemah hingga yang paling kuat, yaitu:
Tabel 2.2 Dinamik
TINGKAT VOLUME
ISTILAH DINAMIK
SIMBOL
Sangat Lemah
Pianissimo
pp
Lemah
Piano
pp
Agak Lemah
Mezzo Piano
mp
Agak Kuat
Mezzo Forte
mf
Kuat
Forte
f
Sangat Kuat
Fortisimo
ff
Dalam keadaan tertentu terdapat tanda-tanda perubahan dinamik. Yang
paling
umum di antaranya ialah sebagai berikut
Tabel 2.3 Perubahan Dinamik
TINGKAT VOLUME
ISTILAH DINAMIK
SIMBOL
Berangsur menguat
Crescendo
Berangsur melemah
Descrescendo atau
Diminuendo
Tekanan mendadak / aksen
pada satu nada atau satu akor
Sforzando
sf / forced
7. Ritme
|
 13
Ritme
atau
irama,
adalah
susunan
di
antara durasi
nada-nadayang pendek
dan
panjang, nada-nada yang bertekanan dan yang takbertekanan, menurut pola tertentu
yang
berulang-ulang.Dapat jugadikatakan
bahwa
ritme
ialah
melodi
yang
monoton.Dalam
berbagaisituasi
ritme ialah bagaikan denyut jantung bagi suatu
karya
musiksehingga tanpanya
sebuah
karya
musik
tidak
bisa
hidup
atau
bernafas.Tanda ritme terdapat dalam garis paranada pada permulaan lagu
tepatsetelah kunci
(clef) dan tanda
kunci.Tanda ritme tersusun dari
duapembagian
angka.Angka
yang
terdapat
di
atas
menunjukan
polatekanan
yang berulang-ulang
dengan
dibatasi
oleh
garis
pembatasvertikal atau
biasa
disebut
garis
birama,
sedangkan angka yangterletak di bawahnya menunjukkan jenis nada yang dijadikan
satuan.
Gambar 2.6 Unsur-Unsur Bentuk Nada
|
 14
Tabel 2.4 Bentuk, Nama dan Nilai Not dan Tanda Diam
Secara
internasional
penamaan
bentuk-bentuk
nada
dan
tandaistirahat ada
dua
macam sebagaimana tampak pada tabel di atas. DiIndonesia, model penamaan kuantitas
atau dengan angka adalah
yangpaling
sering digunakan daripada
istilah-istilah kualitas.
Di
sampingbentuk-bentuk nada
dan
tanda-tanda
istirahat
di
atas
masih
ada
lagiyang
sangat jarang digunakan yaitu ”breve” yang durasinya adalahdua kali lipat nada penuh.
2.2
Pengertian
Neural Networks
Menurut Fausset(1994,p1) Pada dasarnya Komputasi Neural adalah sebuah
proses
penyebaran
yang
terdistribusi. Hal
ini
membuat
komputasi
neural
mampu
mengadaptasi
proses
belajar
dengan
pengawasan
dan/atau
tanpa
pengawasan terhadap
lingkungan informasi. Arsitektur dari Neural Networks sebenarnya di
dasarkan dengan
bagaimana
sistem syaraf manusia terhubung.Pada
umumnya,
ada kurang lebih 100
milyar
jumlah
saraf
dalam
otak
manisia.
Saraf-saraf
dalam
otak
manusia
terhubung
secara paralel ke banyak bentuk saraf
yang
lain
membentuk sebuah parallel computer
|
|
15
seperti
mesin. Neural Networks di desain dengan cara
mencari gaya perhitungan otak
manusia.
Hasilnya,
Neural
Networks
mempunyai cukup
kekuatan
untuk
memecahkan
berbagai masalah yang terbukti sulit bila menggunakan metode-metode komputasi
digital
yang konvensional.Jenis dari tugas-tugas teori
termasuk pengenalan muka orang
terkenal, pembelajaran untuk berbicara dan mengerti sebuah bahasa dasar, mendapatkan
kembali
informasi dari
memori dengan konteks yang tepat, dan
melakukan permintaan
tugas-tugas pengklasifikasian.
Sistem berfikir
manusia
adalah
paralel
yang
berarti
bahwa
sistem berfikir
ini
beroperasi
dengan sejumlah besar saraf-saraf yang terhubung bersama. Ini
berbanding
terbalik dengan logika konvensional
matematika
yang singkat, karakter utama dari
proses
pemikiran
manusia
adalah
tidak
tepat,
berantakan(acak), tetapi
dapat
menyesuaikan diri. Hal
ini dipelajari dengan contoh, pengalaman dan hal
ini ditunjukan
dengan
adaptasi
yang kuat
untuk
perubahan
lingkungan luar.
Jaringan
saraf
di
bentuk
sebagai
cara
untuk
menirukan
sebagian
besar
dari
karakteristik-karakteristik proses
pemikiran manusia. Neural Networks sejauh ini menampilkan sangat banyak hasil yang
bisa diharapkan.
a.
Pembelajaran
:Neural
Networks
dapat
mengubah
perilaku
dalam
member
respon
terhadap
lingkungan. Ketika
diberikan
sebuah
masukkan
dengan
atau
tanpa
ditentukan
hasilnya, neural netwoks dapat mengatur sendiri produksi respon –
respon yang konsisten.
b.
Generalisasi : Ketika neuron pertama kali dilatih(train), respon dari jaringan-
jaringan tersebut
dalam batas
tertentu
tidak
sensitif terhadap
variasi
kecil,
yang
mungkindisebabkanoleh faktor
noise
(kebisingan)
atau
sedikit
distorsi
dalam
lingkungan dunia nyata, dan di dalam input-inputnya.
|
 16
c.
Paralelisasi secara benar : Informasi diproses dalam sifat paralel besar-besaran.
d.
Toleransi kesalahan
:
Pertama kali ketika jaringan koneksi dibuat, jaringan mampu
untuk
mengantarkan sebuah
perilaku
yang
kuat.
Tanggapan
dari
jaringan
secara
keseluruhan hanya dapat sedikit terdegradasi jika beberapa dari nya elemen-elemen
pemrosesan sedikit rusak atau diubah.
2.3
Model NeuralNetworks
Menurut
Fausset(1994,p2)sebuah
model
saraf
yang
sederhanaadalah asas
dasar
yang
paling
penting
dalam
melakukan suatu proses dalam
jaringan
saraf.
Bobot
yang
sesuai dengan kekuatan sinaptik dalam koneksi saraf, yaitu analogi untuk “memori” dan
jumlah
neuron
semuanya
diberi
bobot input
yang
memodifilasi sinyal
melalui sebuah
fungsi
transfer
yang biasanya
nonlinear. Fungsi
transfer
dapat
menjadi
sebuah
fungsi
threshold yang
hanya
mengizinkan sinyal untuk
melewatinya jika digabungkan dengan
menjangkau tingkat aktifitas sebuah nilai pasti threshold, atau fungsi yang berkelanjutan
terhadap kombinasi input.
Gambar 2.7 Model Syaraf Sedernana
|
 17
Menurut
Fausett(1994, p3),
pemrosesan
informasi
pada
Neural
Networksmengambil analogi
seperti
halnya
pada
neuron
biologis.
Setiap
neuron
menerima
sinyal-sinyaldari neuron
lain
melalui
sambungan
yang
disebut
synapsis.
Sebagian
sinyal
inputcendrung menyebabkan
neuron
terhambat
atau
terlemahkan
(inhibited).Ketika efek
kumulatif
dari
sinyal
tersebut
melebihi
suatu
batas threshold,
neuronyang bersangkutan akan
menembakkan sinyal ke
neuron lainnya. Sebuah neuron
tunggalatau konsep
Neural Networks digambarkan dalam bentuk
node
yang
menerima
sinyal-sinyalinput dan
menghasilkan
output
dengan
proses
tersebut
di
atas,
dan
karenanyasering pula disebut sebagai summing device.
Sinyal neuron yang dimaksud digambarkan pada Gambar 2.4 berikut:
X
1
W1
Synapsis Output
W2
Y
Level
?
f
X
2
Net Output
Aktivasi
W3
X
3
Summing
fungsi Aktivasi
device
Input
(Sumber: Fausett, 1994 p.4)
Gambar 2.8Sinyal pada Neuron
|
|
18
a.
Neural
Networksmerupakan
sebuah
sistem
pemrosesan
informasi
yang
memiliki
karakteristik
serupa
dengan
jaringan
neural
biologis. Karakteristik yang
diadopsi
antara lain:
1)
Jumlah yang besar dari processing element atau neuron.
2)
Neuron-neuron bekerja secara paralel.
3)
Memiliki sifat fault tolerance.
b.
Fungsi dan kinerja Jaringan Syaraf Tiruan sebagai sebuah sistem sangat tergantung
tiga hal:
1)
Karakteristik neuron: Terkait dengan fungsi aktivasi yang digunakan.
2)
Topologi jaringan : Bagaimana
sejumlah neuron dalam sistem atau model
Neural Networksdihubungkan.
3)
Learning rules: Aturan-aturan pembelajaran yang digunakan.
c.
Beberapa model atau arsitektur atau struktur Neural Networks :
1)
Multilayernetworks (Backpropagation).
2)
Bidirectional Associative Memory (BAM).
3)
Self-Organizing Map (SOM).
d. Beberapa learning rules yang terkait dengan ketiga model diatas :
1)
Error Correction Learning Rules.
2)
Hebbian Learning Rules.
3)
Kohonen Map.
|
 19
2.4
ArsitekturNeural Networks :Backpropagation
Menurut
Haykin
(1999,
p21),
neuron-neuron seringkali
diatur
atau
ditata
sedemikian rupa
dalam bentuk
layer
atau
lapisan. Pada
umumnya
neuron-neuron yang
berada pada satu layer berperilaku sama. Faktor-faktor penting yang menentukan
perilaku
sebuah
neuron
adalah
fungsi
aktivasi
dan
pola-pola
koneksi
bobot
baik
itu
sinyal input maupun sinyal output. Dalam satu layer, umumnya setiap neuron memiliki
fungsi aktivasi dan juga pola koneksi bobot tersebut.
Pengaturan neuron-neuron ke
dalam layer-layer dan pola-pola koneksinya
disebut
Arsitektur
Neural
Networks.Neural Networks
sering
diklasifikasikan
sebagai
single
layer
atau
multi
layer.Dalam penentuan
jumlah
layer,
input
unit
tidak
dihitung
sebagai layer, karena tidak
melakukan komputasi.Dengan demikian,
jumlah
layer pada
Neural Networks dapat didefinisikan sebagai
“Jumlah layer-layer koneksi bobot antara
dua unit lapisan”.
One layer of Weight ->akan disimpan dalam bentuk MATRIKS BOBOT
Gambar 2.9 Single layer Network
|
 20
Suatu singlelayernetworks memiliki satu layer koneksi bobot seperti terlihat pada
gambar/ilustrasi tersebut.Backpropagationadalah sebuah bentuk multi
layernetwork
yang saat ini berkembang pesat dan digunakan dalam berbagai aplikasi.
Ilustrasi
dari
Backpropagationnetwork adalah
seperti
pada
gambar 2.6
sebagai
berikut:
Gambar 2.10 BackpropagationNetworkDesign
Backpropagationnetwork merupakan network dengan arsitektur yang terdiri dari
dua
atau
lebih
layer-layer dari
koneksi
bobot.
Dengan
kata
lain,
Backpropagationnetwork memiliki
satu
atau
lebih
hidden
unit.
Dengan
demikian,
Backpropagationnetworks
memiliki
satu
output
unit.
Backpropagationnetworks
dapat
memecahkan
masalah-masalah
yang
lebih
kompleks
dibanding
single
layernetworks.
|
|
21
Namun training pada Backpropagationnetworks lebih sulit dilakukan, walau lebih besar
peluang keberhasilannya.
a.
Inisialisasi Bobot
Inisialisasi
Bobot
Secara
UmumMenurut
Fausett(1994, p.15),
metode
untuk
memberi
nilai-nilai bobot koneksidisebut juga “training”.Training merupakan hal
yang
sangat penting yang membedakankarakter Neural Networksyang berbeda.
Inisialisasi
bobot,
yaitu
masukan
ke
unit
tersembunyi, dirancang
agar
dapat
meningkatkan kemampuan dari
unit
tersembunyi pada
tahap pembelajaran.
Inisialisasi
dilakukan
dengan
mendistribusikan bobot
awal
untuk
tiap
pola
masukan,
sehingga
jaringan
akan
memasukkan
bobot
awal
ke
dalam
salah
satu
unit
tersembunyi yang
nilainya
akan
berada
dalam
rentang
dimana
unit
tersembunyi akan
melakukan
pembelajaran secara cepat.
Inisialisasi
bobot
yang
terlalu besar
mengakibatkan sinyal
masukan
yang
telah
diinisialisasikan akan jatuh pada daerah dimana turunan dari fungsi sigmoid mempunyai
nilai
yang sangat kecil
(daerah saturasi). Sedangkan jika
inisialisasi awal
bobot terlalu
kecil,
masukan
yang
menuju
unit
tersembunyi atau
unit keluaran akan
mendekati
nol,
dan akam menyebabkan proses pembelajaran menjadi sangat lambat.
b.
Fungsi Aktivasi
Fungsi
aktivasi adalah
suatu
fungsi
yang
memproses
nilai
input
untuk
menghasilkan suatu
nilai
output.
Operasi
dasar
pada
sebuah
neuron
mencakup
penjumlahan
bobot
(weight)
dari
sinyal
input
dan
menghasilkan output
serta
mengaplikasikan fungsi aktivasi
untuk input unit, digunakan semua
neuron, khususnya
pada
input
unit. Pada berbagai kasus,
umumnya digunakan
fungsi
aktivasi
non-linear.
Fungsi-fungsi aktivasi yang sering digunakan dalam Neural Networks adalah:
|
 22
1)
Fungsi identitas:
f(x) = x (2.1)
Digunakan pada neuron-neuron input unit.
2)
Fungsi tangga biner (biner step function):
f(x) = 1, jika x> = ? (2.2)
f(x) = 0, jika x< ? (2.3)
di mana ? adalah suatu nilai threshold.
Fungsi
ini digunakan untuk
mengubah input bersih (netinput) yang
merupakan
variabel kontinu, menjadi output bernilai biner (0 dan 1). Nilai threshold ? menjadi garis
pemisah antara daerah dengan respons aktivasi positif dan negatif.
Gambar 2.11 Fungsi Tangga Biner
3)
Fungsi tangga bipolar (bipolar step function):
f(x) = 1, jika x> = ? (2.4)
f(x) = -1, jika x< ? (2.5)
|
 23
Fungsi tangga
bipolar
serupa
dengan
fungsi tangga
biner,
hanya
saja
memiliki
daerah hasil {-1,1}.
Gambar 2.12 Fungsi Tangga Bipolar
4)
Fungsi sigmoid biner.
Fungsi
ini
mencakup
fungsi-fungsi
berbentuk
kurva S.
Yang
sering digunakan
adalah
fungsi
logistik karena
memiliki
kelebihan
dalam
melatih(training) pada
Neural
Networks yang menggunakan algoritma Backpropagation. Fungsi logistik sigmoid yang
dimaksud adalah s =1.
f(x)= =
?
?
?
?s
di
mana s merupakan parameter kecuraman yang diberikan, umumnya s dipilih
sama dengan 1. Turunan pertama fungsi ini:
f’(x) = s f(x) [1 – f(x)]
dengan daerah
hasil
interval 0
sampai dengan
1.Implikasi tidak
langsung
yang
bisa
disimpulkan bahwa dalam
Neural Networks,
nilai-nilai
input
berupa
vektor
dan
elemen-elemennya, nilai-nilainya terkait dengan fungsi aktivasi yang digunakan.
|
 24
Gambar 2.13 Fungsi Sigmoid biner
5)
Fungsi sigmoid bipolar
Fungsi
sigmoid
bipolar bisa
diskalakan
sehingga
memiliki
daerah
hasil
pada
sembarang
interval sesuai
dengan
permasalahan
yang
diberikan.Paling umum
adalah
daerah hasil dari -1 sampai dengan 1.Fungsi hasil perkalian ini disebut dengan
fungsi
sigmoid bipolar. Jika f(x) adalah fungsi sigmoid biner dan g(x) adalah
fungsi sigmoid
bipolar, maka:
f(x)=
g(x) = 2f(x) – 1
f(x)=
-1
g(x)=
|
 25
g’(x) = (s/2) [1+g(x)] [1-g(x)]
Gambar 2.14 Fungsi Sigmoid bipolar
2.5
Algoritma Backpropagation
Baru-baru
ini,jaringan saraf
multilayer
telah
diterapkan
dengan
sukses
untuk
memecahkan banyak masalah yang sulit dan beragam melalui berbagai macam kegiatan
yang
dengan
prosedur-prosedur
supervised learning
antara
tingkat
kesalahan
dengan
algoritma Backpropagation(BP)
proses pembelajaran tampaknya menjadi paling
popular. Algoritma
ini
adalah sebuah
algoritma iteratif
yang berbasiskan gradien yang
diusulkan
untuk
meminimalkan kesalahanantara vektor output
aktual dari
jaringan
dan
vector
output
yang
diinginkan. Karena model
neuron
yang
nonlinear,
model
algoritmasupervised learning
pada
dasarnya
berbasiskan
dengan
metode
optimasi
nonlinear. Dalam
hal
berikut, kita
akan menggambarkan pelatihan batch-mode dengan
menggunakan algoritma backpropagation.
Untuk notasi yang lebih dikenal, lapisan diberi nomor dari bawah ke atas dimulai
dari 1.
Analogi
untuk
perseptron
satu
lapis(single
layer),
layer
1
terdiri
dari
proses
|
|
26
fanout
neuron-neuron yang
hanya
menerima
pola
input
masing
masing
elemen
dan
melewatkan masing-masing elemen secara langsung ke semua jumlah lapisan 2. Masing-
masing
neuron
di
lapisan
lain
menerima sinyal
yang
telah
diberi
bobot
dari
masing-
masing
neuron
lapisan diatasnya. Setelah penjumlahan dan operasi dari fungsi aktifasi,
output disebarkan ke semua neuron dari lapusan atas sampai layer yang selanjutnya.
Sebuah
Neural
NetworksBackPropagationyang baik
membutuhkan
lebih
dari
sekedar sebuah
algoritma pembelajaran (Yun,
2001).
Maka,
untuk
mendapatkan
performa Neural Networks Backpropagation yang baik, ada beberapa parameter seperti
epoch, kecepatan pembelajaran, lapisan tersembunyi dan jumlah unit tersembunyi yang
harus
dipilih
secara
selektif
untuk
memperbaiki
kelemahan-kelemahan pada
Neural
NetworksBackpropagation, antara lain :
a. Epochs
Satu epoch berarti satu kali siklus pembelajaran (Yun, 2001, p17).Jumlah epoch
menunjukkan
kecepatan
sistem. Semakin banyak epoch
yang
dibutuhkan
dalam
mencapai target error,
berarti kerja sistem akan
semakin
lama, begitu pula
sebaliknya.
Pemberian
batas
epoch
yang
besar
berarti
meningkatkan akurasi
arsitektur,
namun
membutuhkan waktu pembelajaran yang lebih lama.Begitu pula sebaliknya.
b. Kecepatan Pembelajaran
Kecepatan pembelajaran (learning rate) digunakan untuk mengontrol perubahan
nilai bobot, dengan nilai koefisien berkisar antara 0 dan 1. Semakin tinggi nilai
kecepatan pembelajaran
yang
digunakan
akan
menyebabkan perubahan
yang
semakin
besar
pada
bobot,
sehingga
pembelajaran menjadi
kurang
baik.
Sedangkan,
dengan
tingkat
kecepatan
pembelajaran
yang
rendah
akan
menghasilkan pembelajaran
yang
akurat namun prosesnya
menjadi sangat lambat (Sarle, 2004). Kecepatan pembelajaran
|
 27
yang baik akan memberikan hasil yang efektif, namun bersifat relatif untuk suatu sistem.
Jadi
kecepatan
pembelajaran yang
baik
untuk
sebuah
sestem
belum
tentu
baik
untuk
sistem yang lain.
c. Inisialisasi Bobot dalam Neural NetworksBackpropagation
Prosedur umum dalam inisialisasi nilai awal bobot (dan bias) adalah dengan nilai
acak
antara -0.5
dan
0.5
(atau antara
-1
dan
1).
Inisialisasi nilai
awal
bobot
Nguyen
Widrow
merupakan suatu
modifikasi
dalam
memberikan nilai
awal
bobot
yang
akan
membantu Neural NetworksBackpropa
gationmelakukan
proses
pembelajaran
lebih
cepat.
Percobaan
yang
dilakukan
oleh Laurene Fausett (Fausett,1994, p302)
mengenai permasalahan XOR membuktikan
hal
ini.
Dari
Tabel
2.1
terlihat
bahwa
percobaan dengan
algoritma
Nguyen-Widrow
memiliki
banyak
epoch
yang
jauh
lebih
sedikit
daripada
percobaan tanpa
algoritma
Nguyen-Widrow.
Tabel 2.5 hasil percobaan XOR oleh Laurene Fausett
Inisialisasi bobot
awal
Nguyen-Widrow
dapat
dihitung
dengan
menggunakanalgoritma
sebagai berikut
:
untuk setiap
unit
tersembunyi
(
j
=
1,...,
p),
inisialisasikan nilai
vektor bobot
dari
unit
tersembunyi v
ij
(lama)
dengan
nilai
acak
antara -0.5 sampai 0.5 atau - y sampai dengan y , dimana y adalah rentang yang telah
|
 28
ditentukan oleh
perancang sistem.
Setelah
itu,
hitung
nilai
vj(old
)
(normalisasi),
menggunakan rumus normalisasi :
(2.1)
dan hitung nilai ß menggunakan rumus:
(2.2)
baru kemudian nilai bobot baru antara lapisan masukan dan lapisan tersembunyi
dapat diinisialisasikan dengan persamaan :
(2.3)
dengan
nilai
bias
dan
bobot
antara
lapisan
tersembunyi dengan
lapisan
keluaran
merupakan nilai acak antara -0.5 dan 0.5 atau antara - y dan y . Variabel n adalah banyak
unit masukan,
variabel p adalah banyak unit tersembunyi, dan
variabel ß adalah faktor
skala.
d. Fungsi Aktivasi dalam Neural NetworksBackpropagation
Jangkauan fungsi
aktivasi
harus
sesuai
dengan
jangkauan nilai
target
dari
permasalahan tertentu (Fausett, 1994, p309). Fungsi sigmoid bipolar berhubungan dekat
dengan fungsi tangen hiperbolik. Oleh karena itulah fungsi ini sering digunakan sebagai
fungsi aktivasi ketika output yang diperlukan memiliki rentang antara -1 sampai dengan
1 (Fausett,
1994,
p19). Fungsi
sigmoid bipolar
mempunyai
rentang
(-1,1) dan
dirumuskan dengan
|
 29
(2.4)
dengan fungsi turunannya sebagai berikut :
(2.5)
dimanas
merupakan parameter kecuraman
yang
diketahui
nilainya.
Umumnya
nilai
s
dipilih
sama
dengan
1.
Proses
pelatihan
menggunakan fugnsi
sigmoid
biner
membutuhkan waktu
pembelajaran
lebih
lama karena fungsi sigmoid biner
tidak
dapat
memetakan sinyal
masukan
negatif dengan
tepat,
padahal
sinyal bobot
pada
jaringan
bisa bernilai negatif. Oleh sebab itu, bila fungsi sigmoid biner menerima sinyal masukan
yang
bernilai
negatif
maka
pola
yang
diterimanya
tidak akan
bisa dipelajari sehingga
sinyal
yang
diterima
selalu
bernilai
positif
(hanya
mendekati
nilai
yang
dekat dengan
angka
nol). Pada beberapa kasus, terdapat beberapa unit yang
tidak dapat
mempelajari
pola
masukan
yang
bernilai
nol
(Fausett,
1994,
p300).Hal
ini
telah
dibuktikan oleh
Laurene
Fausett dalam percobaannya
mengenai
permasalahan
XOR
pada
Tabel
2.1.Dengan fungsi
sigmoid
biner,
epoch
yang
dibutuhkan
dalam
jaringan
untuk
konvergensi sebanyak
3000,
sedangkan
dengan
fungsi
sigmoid
bipolar
proses
pembelajaran menjadi lebih cepat, yaitu hanya membutuhkan epoch sebanyak 387.
e. Lapisan Tersembunyi
Menurut
Fausett
(1994,
p320), Sebuah
lapisan
tersembunyi sudah cukup
memadai
untuk
memecahkan
permasalahan yang
mengandung
perkiraan-
perkiraan.Namun, beberapa permasalahan lebih mudah utntuk dipecahkan menggunakan
|
|
30
sebuah
jaringan
dengan
dua
atau
tiga
lapisan
tersembunyi, namun
hal
ini
dapat
mempengaruhi kecepatan
pembelajaran
menjadi
lebih
lambat.Tanpa adanya
lapisan
tersembunyi, hasil
dapat diperoleh dengan cepat.Namun hasilnya tidak
optimal karena
jangkauan dari error
sistem tidak dekat (data
masuk ke
NetworkBackpropagationtanpa
melalui “rintangan”, dan
langsung menghasilkan nilai keluaran).Sedangkan penggunaan
lapisan
tersembunyi yang
terlalu
banyak
dapat
menurunkan performa
dari
NetworkBackpropagationitu sendiri,
karena
adanya
pemetaan
rangkaian
yang
terlalu
kompleks serta prosedur pembelajaran yang terlalu subjektif.
f.
Unit Tersembunyi
Jumlah unit tersembunyi
yang diperlukan
berhubungan
dengan kompleksitas
tugas
NetworkBackpropagationyang
akan
dikerjakan
untuk
menjalankan
tugas
secara
maksimal.
Sebuah
NetworkBackpropagationdengan
unit
tersembunyi
yang
terlalu
sedikit akan memiliki
tingkat
error pembelajaran
dan error klasifikasi
yang tinggi
karena
tidak
mampu
memetakan masukan
yang
kompleks
menuju
keluaran
yang
kompleks.
Begitu pula
sebaliknya,
dengan
unit tersembunyi
yang
terlalu
banyak
akan
dijumpai tingkat error pembelajaran yang
rendah
namun
tingkat error klasifikasi
yang
semakin tinggi.
Penentuan
banyak
unit
tersembunyi yang
akan
digunakan
dalam
penelitian
dilakukan dengan melakukan percobaan dan membandingkan hasil yang terbaik. Namun
ada beberapa pedoman yang dapat digunakan untuk menentukan
banyak unit
tersembunyi yang
optimal.
Menurut
Yun
Peng
(Yun,
2001,
p24),
banyak
unit
tersembunyi optimal dapat diperkirakan dengan persamaan berikut :
|
 31
p >2n
(2.66)
dimanap
adalah
jumlah
unit
tersembunyi dan
n
adalah
jumlah
unit
masukan.Menurut
Garson
(Garson,
1998,
p86),
untuk
menghitung banyak
unit
tersembunyioptimal dapat menggunakan metode yang dirumuskan sebagai berikut :
(2.7)
dimanah adalah jumlah unit tersembunyi, i adalah jumlah unit masukan, o adalah jumlah
unit keluaran, n
adalah
batas
epoch,
dan
r
adalah
tingkat
noise dari
data
yang
akan
melakukan
proses
pembelajaran
(biasanya
antara
5
dan
10).
Pedoman-pedoman
yang
ada
tidak
sepenuhnya
dapat
dipercaya.Oleh karena
itu,
percobaan
terhadap
berbagai
macam unit tersembunyi tetap perlu dilakukan.
g. Lama Pembelajaran
Semasa
melakukan
proses
pembelajaran, perlu
diperhatikan agar
proses
yang
berlangsung tidak
melebihi
tahap
kebenaran
data
yang
diinginkan
(overfitting/overtrained)
sehingga menyebabkan error menjadi lebih besar daripada
yang diharapkan (Cohen dan Jensen, 1996, p1). Selama error pada tahap pembelajaran,
maka proses pembelajaran akan tetap dilanjutkan. Ketika error
mulai meningkat, berarti
sistem
mulai
kehilangan
kemampuannya
untuk
mengklasifikasi.Maka pada
titik
ini,
pembelajaran harus
dihentikan.Error yang
ditemui
pada
tahap
pembelajaran
dikategorikan dalam dua kondisi yaitu global minima yang merupakan kondisi terendah,
dan local minima adalah kondisi error yang bukan merupakan error terendah.
Proses pembelajaran dengan NetworkBackpropagationdimulai
dan dilakukan
terus menerus dengan tujuan memperoleh error
minimum. Hanya ada satu lembah yang
memberikan penyelesaian
permasalahan/error
terkecil,
yaitu
globalminima,
yang
|
|
32
memberikan
hasil
sempurna.Lembah
yang
lebih
dangkal,
yaitu kondisi
local
minima.
Jika
dijumpai local
minima
dan
dianggap telah
mencapai
global
minima
dan
pembelajaran tidak diteruskan, maka akan diperoleh suatu hasil yang kurang baik
(Tveter, 2000, p1). Oleh karena itu, proses pembelajaran perlu dilakukan terus menerus
sampai diperoleh global minima.
2.6 Pengolahan Sinyal dari Transkripsi Melodi
Pada bagian ini akan dibahas mengenai proses pengolahan sinyal dari transkipsi
melodi.Rodger J. McNab, Lloyd A. Smith and Ian H. Wittenmenulis jurnaldengan judul
Signal
Processing
for
Melody
Transcription ,
yang
menjelaskan
tentang
pengolahan
sinyal dari transkripsi melodi dimulai dari proses sampling dan filtering sampai dengan
pelacakan nada.
Dengan
kemajuan
pemrosesan
sinyal
digital,
teknik
repersentasi musik
dan
teknologi
perangkat
keras
komputer,
menjadi
sebuah
hal
yang
layak
untuk
mengubah
melodi-melodi secara
otomatis
dari
sebuah
gelombang
akustik
menjadi
representasi
tertulis,
menggunakan sebuah
komputer
yang
kecil.Sebagai
contoh,
seseorang
bisa
menyanyikan
sebuah lagu dan memiliki catatan lagu tersebut dalam notasi musik.
Skema tersebut akan memiliki cerita dan merupakan aplikasi yang menarik untuk musisi
profesional, murid
dari
sekolah
musik, dan
orang-orang yang
tidak
menyukai
musik
sekalipun. Penulis lagu bisa menulis lagu dengan mudah tanpa perlu mencatatnya untuk
sebuah nada keyboard dalam rekaman MIDI, para siswa dapat berlatih bernyanyi dengan
tutor komputer, dan orang-orang biasa bisa mengidentifikasi melodi yang sulit dipahami,
|
|
33
dengan
menyenandungkan beberapa baris lagu dan kemudian dicocokan dengan
nama
lagu yang diambil dari database.
Meskipun
pelacak
nada,
yang
mengidentifikasi
frekuensi
dasar
gelombang
dan
mengikuti evolusi
yang terjadi dari waktu ke waktu, telah sekitar
30 tahun atau lebih,
hanya
ada
beberapa
proyek
yang
telah
melakukan
rekayasa
sistem
yang
dibutuhkan
untuk
membuat sebuah sistem
transkripsi musik, dan
mereka
selalu mendapat batasan
yang serius. Askenfelt menjelaskan penggunaan perangkat keras real-time tracker untuk
mencatat lagu-lagu rakyat dari rekaman kaset. Orang mendengarkan output sintesis dari
pelacakan nada dan menggunakan editor musik untuk memperbaiki error. Namun, tidak
mempunyai batasan
yang
jelas
bagaimana sebuah sistem dikatakan sukses:
Askenfelt
melaporkan bahwa " titik terlemah dalam proses transkripsi saat ini berada saat deteksi
nada
dan
penugasan
nilai
not
.
"Pelacakan
nada
telah
digunakan
untuk
menuliskan
musik instrumental, tapi memerlukan input dengan nada yang konstan- tidak ada getaran
atau
glissando.
Batasan
ini
merupakan
aturan
untuk
mendapatkan
output
dari sumber
vokal.
Sebagai
contoh,
Moorer
menjelaskan bahwa
sebuah
sistem
mampu
mentranskripsi dua bagian musik,
dan
misalnya
input
yang
berasal dari duet
biola
dan
gitar.
Dia
melaporkan masalah dalam menemukan awal dan
ujung dari
not. Piszczalski
dan
Galler
membatasi
input
untuk
rekaman
dan permainan
seruling
yang
memiliki
tempo konsisten. Instrumen
ini relatif
mudah untuk pelacakan karena
mereka memiliki
frekuensi dasar yang kuat dan harmonik lemah.
Baru-baru
ini,
Kuhn
menggambarkan
sebuah
sistem
yang
mentranskripsi
lagu
dengan
menampilkan perubahan
nada
dengan
garis
horizontal
yang tebal pada anggota
dari musik musik untuk menunjukkan not yang diproduksi kepada pengguna. Tidak ada
upaya
yang dibuat
untuk mengidentifikasi batas antara satu not dan berikutnya: satu-
|
|
34
satunya
cara
untuk
membuat nilai
musik
bagi
pengguna yang
menekan
keyboard
komputer
di
awal
not.
Ada
setidaknya dua
sistem
komersial
yang
mengaku
telah
mengajarkan sightsinging- tetapi
mereka
menghasilkan melodi secara acak,
yang
pasti
menciptakan contohan yang sangat buruk bagi pengguna yang bekerja untuk itu. Lebih
mendasar,
mereka
memerlukan
pengguna
untuk
tempo
yang
tetap tanpa pengecualian
yang ditetapkan oleh mesin, dan secara keseluruhan berhasil mengukur perhitungan dari
akumulasi
jumlah
waktu
yang dinyanyikan
oleh
seseorang
dengan
nada
yang
tidak
benar.
Sebagian
solusi
untuk
masalah
transkripsi melodi tidak
sangat
berguna
dalam
praktek.
Pekerjaan
yang
besar
dibutuhkan
untuk
membangun
sebuah sistem
transkripsi
melodi yang berguna yang bekerja dengan suara penyanyi.Pelacakan
nada dikenal
dengan
masalah
akurasi, terutama pada
awal dan
ujung
not
dan
pada
transisi
antara
frekuensi, dan error yang sangat besar (mis. perpindahan oktaf) yang umum.Kebanyakan
orang bukan penyanyi yang baik,
yang dikenal dari
macam-macam sumber
yang
harus
ditujukan agar perangkat transkripsi dapat berguna suatu saat nanti. Selain itu, ada yang
perbedaan
cara
untuk
mendefinisikan interval
musik
dari
nada,
dan
hal
itu
adalah
pertanyaan penelitian terbuka untuk jenis skala orang saat bernyanyi yang tetap
walaupun
tanpa
ditemani.
Menentukan
batasan-batasan antara
not
tidaklah
mudah,
terutama
untuk inputan vokal,
meskipun pengguna dapat dibantu dengan bernyanyi do
atau
ta.
Hubungan
antara
waktu
akuisisi
nada
dan
durasi
terpendek not
diharapkan
sebagai faktor penting dalam menetapkan ritme.
Sebelum
menjelaskan
tentang
pelacakan
nada
dan
pencatatan proses
identifikasi,
marilah kita
meneluarkan beberapa
persiapan
tentang penangkapan
suara
dan catatan representasi. Langkah pertama dalam transkripsi melodi adalah menangkap
|
|
35
input
dari
sinyal
analog
dan
mengubahnya menjadi
bentuk
sinyal
digital,
melakukan
penyaringan
untuk
menghapus
gangguan/noise
yang
tidak
diinginkan
frekuensi.
Yang
berikutnya
adalah
mengidentifikasi frekuensi,
sebagai
dijelaskan
dalam
bagian
pelacakan nada. Sedangkan
frekuensi
merupakan atribut
fisik
dari suatu periodik atau
sinyal
kuasi-periodik, nada
adalah atribut persepsi dalam
membangkitkan pendengaran
sistem. Secara
umum,
ada
yang
teratur secara
baik berkorespondensi antara
frekuensi
dan pitch yang hanya diterobos di bawah carefullycontrolled kondisi di psychoacoustic ;
maka
istilah
frekuensi
dan
pitch
digunakan
secara
bersamaan. Dalam
rangka
untuk
mewakili
pitches
musik,
maka
perlu
mempertimbangkan bagaimana
skala
musik
didefinisikan
2.6.1 Sampling and Filtering
Transkripsi
Melodi
telah
berjalan
pada
Apple Macintosh
PowerPC
8100,
yang
memiliki
built-in
suara
Input /
Output.Gelombang
akustik
disaring
pada
frekuensi 10
kHz,
sampel
diambil
pada
frekuensi
22,05kHz,
dan
quantisasi untuk
mewakili
8-bit
linear.
Untuk
transkripsi musik,
kami
hanya
tertarik
pada
frekuensi
dasar
input.
Harmonisasi, terjadi pada kelipatan
integral dari
frekuensi, sering muncul kebingungan
dalam pelacak nada
dan
membuat
lebih sulit
untuk menentukan dasar dari
transkripsi.
Oleh karena
itu input disaring untuk menghilangkan harmonisasi acak sebanyak
mungkin, sambil
tetap
menjaga
frekuensi dasar.
Batas
wajar
untuk
suara
menyanyi
didefinisikan oleh staf musik, yang berkisar dari F2 (87,31Hz) tepat di bawah staf bass,
untuk G5 (784 Hz) hanya di atas staf treble.Sementara garis buku besar digunakan untuk
|
|
36
memperpanjang staf di kedua arah, ini mewakili nada ekstrim untuk penyanyi dan yang
berada di luar ruang lingkup sebagian besar aplikasi transkripsi melodi.
Inputlow-pass disaring
dengan
frekuensi
cutoff
1000
Hz,
stopband
dengan
redaman -14 dB, dan passband suara dari 2 dB. Ini bukan persyaratan desain yang keras,
dan
dapat dipenuhi
oleh
suatu
ninthorder
terbatas
impuls
respons
(FIR)
filter.
Sinyal
yang telah disaring dilewatkan ke tracker nada, yang mengidentifikasi frekuensi dasar.
2.6.2
Skala Musik
Sebuah skala musik adalah sebuah organisasi logaritmik dari
nada berdasarkan
oktaf, yang merupakan jarak dua nada ketika salah satu adalah dua kali frekuensi yang
lain. Sebagai contoh,nilai tengah C(C4) memiliki frekuensi 261,6 Hz; oktaf di atas (C5)
adalah 523,2 Hz dan di atas nada sopran tinggi C (C6) pada frekuensi 1046,4 Hz.Oktaf
bawah nilai tengah C(C3) adalah 130,8 Hz, dan di bawah itu, pada 65,4 Hz, adalah C2-
yang
telah
pasti
dari
beberapa
jingle-singing
bass
yang
luar
biasa.Meskipun oktaf
tampaknya menjadi
unit
persepsi
pada
manusia,
nada
organisasi dalam
oktaf
diambil
dalam
bentuk
yang
berbeda
di
seluruh
budaya.Dalam
musik
Barat,
organisasi
utama
sejak
masa
Bach
merupakan skala
yang
sama
dengan
marah,
yang
membagi
oktaf
menjadi dua belas sama
spasi semitone.Interval oktaf sesuai dengan
frekuensi dua kali
lipat dan semitone
yang
memiliki spasi
yang sama dalam arti perkalian, jadi
naik satu
semitone sama dengan mengalikan frekuensi oleh kedua belas akar 2, atau sekitar 1,059.
Semitone adalah unit terkecil dari nada pada Musik barat, tetapi unit yang lebih
kecil dengan mudah dapat dirasakan dan digunakan dalam musik dari beberapa budaya.
Fisikawan
dan psikolog
telah sepakat
pada unit logaritmik
dari persen,
yang
didefinisikan
sebagai
satu dari
seperseratus
semitone
dalam
skala
marah sama.
|
|
37
Kemudian, oktaf adalah 1200 sen.Perbedaan antara dua
nada terkecil pada
nada
berurutan yang
dapat dirasakan oleh
manusia
adalah
sekitar
3
Hz;
ini
menghasilkan
diskriminasi
nada
sekitar
lima
sen
pada
1000
Hz.Di
atas
diskriminasi 1000
Hz
yang
stabil pada sekitar 4 sen.
Sementara itu nada dapat dikategorikan dalam oktaf, semitone dan sen, frekuensi
uang berkelanjutan. Dalam menetapkan pitch musik untuk frekuensi tertentu melibatkan
kuantisasi. Dalam
rangka
untuk kuantisasi
nada dalam
musik
Barat didasarkan
pada
standar
pengaturan
tertentu
(misalnya,
A-440),
resolusi
semitone sudah
cukup.
Untuk
mengakomodasi
sistem
Tuning
yang
berbeda,bagaimanapun
caranya
semua
termasuk
dalam
adaptasi
dengan
pengguna, yang diharuskan
bernyanyi
sedikit
tajam atau
datar
dengan
resolusi
yang
lebih
tinggi
adalah
penting.
Kami telah
merancang
sistem
di
sekitar resolusi pitch lima sen, yang adalah tentang batas akurasi pelacakan nada.
2.6.3 Notasi Direpresentasikan dalam Bentuk MIDI
Sejak unit-oktaf
musik,sen dan sebagainya adalah
ukuran
yang
relatif,
jarak
di
antara
sen
dapat
dihitung
masing-masing pada
setiap
interval
yang
dinyanyikan
oleh
pengguna.
Hal ini berguna, namun, untuk menetapkan titik referensi
yang tetap, dibuat
pengembangan lebih mudah dan debugging. MIDI (Musical Instrumen Digital Interface)
adalah sebuah standar untuk mengendalikan dan berkomunikasi dengan instrumen musik
elektronik.Hal ini memiliki banyak sisi, sisi
yang paling erat dengan Sistem transkripsi
melodi dijadikan representasi
standar dari skala musik Barat.MIDI
memberikan sebuah
integer skala untuk setiap not. Nilai tengah C (C4) diberi nilai 60, not yang tepat berada
di
atas
not C4
(C#4) diberi
nilai 61,dan yang berada di bawah
(B3)
diberi
nilai
59.
Meskipun membuat sedikit lebih masuk akal untuk menetapkan label pitch untuk
|
|
38
frekuensi di bawah 15 Hz, MIDI mencatat 0 dengan nilai
frekuensi 8,176 Hz,satu oktaf
di bawah C0. Not tertinggi didefinisikan
dengan nilai 127, 13344 Hz ,yang tidak
mungkin
dianggap
sebagai
not
dalam
musik.Piano
keyboard
standar
mempunyai
not
yang berkisar antara 21-108.
Semua
nada-nada
terkait
dengan
not
internal
MIDI,
masing-masing not
dinyatakan sebagai jarak dalam nilai sen dari 8,176 Hz. Catatan pada skala marah relatif
dengan A-440 yang terjadi pada kelipatan seratus sen: C4, misalnya,6000 sen. Skema ini
dengan
mudah
menggabungkan
laras
alternatif
(non-equitempered)
dari
musik
Barat,
seperti "just" atau sistem Pythagoras, hanya dengan mengubah hubungan antara sen dan
nama not.
Hal
ini
juga dapat disesuaikan
untuk
mengidentifikasi catatan
dalam
musik
dari budaya lain.
2.7 Pelacakan Nada
Penentuan nada
adalah
operasi
yang
umum
di
dalam
pemrosesan
sinyal.Sayangnya hal
ini masih sangat sulit, seperti
yang diujikan dalam ratusan
algoritma
pelacakan
nada
yang
berbeda
yang telah
dikembangkan.Algoritma
ini dapat
diklasifikasikan
menjadi
tiga
jenis,
tergantung
pada
apakah
pemrosesan
sinyal
dalam
domain
waktu (gelombang
sampel),
domain
frekuensi
(spektrum
amplitudo atau
fase)
atau
domain
cepstral
(urutan spektrum
amplitudo kedua).Salah satu
algoritma
terbaik
dalam
pelacakan
nada
terkenal,
dan
metodenya
dibandingkan satu
dengan
yang
lain,
adalah
skema
Gold-Rabiner.Skema yang
digunakan
adalah
metode
waktu-domain:
menentukan frekuensi dengan memeriksa struktur gelombang.Karena dianggap baik dan
baik, kami memilih untuk menerapkannya sebagai metode penentuan nada.
|