TUGAS AKHIR KLASIFIKASI MUSIK GAMAELAN TRADISIONAL INDONESIA MENGGUNAKAN JST KOHONEN-SOM (SELF ORGANIZING MAP) BAB III

Oleh :

ANDI AYU SEPTIAVILASARI

12.043.126

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS BHAYANGKARA

SURABAYA

2013

BAB III

TEORI PENDUKUNG

3.1         Ekstraksi Fitur

Ekstraksi fitur merupakan proses komputasi nilai numerik yang mewakili sebagian dari data audio, yang menghasilkan fitur-fitur baru dari data mentah dengan menerapkan satu atau lebih transformasi berikut.

3.1.1    Ektraksi Average Energy (AE)

Energi rata-rata (Average Energy) yang menunjukkan keras-lemahnya sinyal audio (Loudness), dan bisa juga diperoleh dengan menggunakan rumus sebagai berikut :

                                          (3.1)

Dimana x(n) merupakan nilai dari sampling lagu tiap 5 second, dan N adalah banyaknya sampling dalam satu frame sample audio.

Maka metode ektraksi AE dapat dilakukan dengan memecah file audio menjadi 30 frame sample audio, kemudian untuk masing-masing frame sample tersebut akan diketahui nilai sampling tiap 5 second  dan banyaknya sampling audio per frame. Setelah menentukan nilai sampling ratenya, kemudian akan dihitung nilai AE per frame menggunakan rumus diatas.

3.1.2    Ekstraksi Zero Crossing Rate

zero crossing akan terjadi saat sample dalam sebuah sinyal digital mempunyai perbedaan tanda. Rata-rata dari zero crossing dapat digunakan sebagai sebuah ukuran sederhana dari isi frekuensi sinyal.

Zero Crossing Rate itu sendiri merupakan perpindahan puncak sampling dari nilai positif ke negatif (dan sebaliknya), yang bisa dihitung menggunakan rumus :

                        (3.2)

Dimana sgnx(n) adalah tanda posisi puncak  sampling saat ini, dan sgnx(n-1) adalah tanda posisi puncak sampling sebelumnya. Sedangkan N adalah jumlah sampling yang dihitung dalam satu frame. Tanda posisi puncak akan bernilai +1 jika sampling di area atas, dan akan bernilai -1 jika posisi amplitudo di area bawah.

Maka, metode ektraksi ZCR dilakukan dengan membaca nilai sampling saat ini dan sebelumnya, memberi nilai +1 jika sampling>0 dan memberi nilai -1 jika sebaliknya. Kemudian dijumlahkan sgnx(n) dengan sgnx(n-1) tersebut, dan dijumlahkan hasilnya untuk setiap nilai sampling dalam rentang satu frame audio. Terakhir, jumlah akhir tersebut dibagi 2 kali banyaknya nilai amplitudo (2N) untuk memperoleh nilai Zero Crossing Ratenya.

3.2         Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (Artificial Neural Network) adalah sistem komputasi yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak.

3.2.1    Konsep Dasar Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan terdiri dari beberapa neuron dan ada hubungan antar neuron-neuron seperti otak manusia. Neuron/sel saraf adalah sebuah unit pemroses informasi yang merupakan dasar operasi jaringan syaraf tiruan.

Jaringan saraf tiruan terdiri atas beberapa elemen penghitung yang masing-masing dihubungkan melalui suatu bobot dan tersusun secara paralel. Bobot inilah yang nantinya akan berubah selama proses pelatihan.

Ø    Faktor Bobot

bobot merupakan suatu nilai yang mendefinisikan tingkat atau kepentingan hubungan antara suatu node dengan node yang lain. Semakin besar bobot suatu hubungan menandakan semakin pentingnya hubungan kedua node tersebut. Bobot-bobot tersebut bisa ditentukan untuk menyesuaikan dengan pola-pola input.

Ø    Fungsi Aktivasi

Setiap neuron mempunyai keadaan internal yang disebut level aktivasi atau level aktivitas yang merupakan fungsi input yang diterima. Secara tipikal suatu neuron mengirimkan aktivitasnya kebeberapa neuron lain sebagai sinyal. Yang perlu diperhatikan adalah bahwa neuron hanya dapat mengirimkan satu sinyal sesaat, walaupun sinyal tersebut dapat dipancarkan ke beberapa neuron lain.

3.3         JST Kohonen-SOM (Self Organizing Map)

Self Organizing Map (SOM), pertamakali diperkenalkan oleh Teuvo Kohonen pada tahun 1982 dengan teknik pelatihan JST yang menggunakan basis winner takes all, dimana hanya neuron pemenang yang akan diperbarui bobotnya. JST Kohonen-SOM merupakan salah satu model JST yang menggunakan metode unsupervised learning. Artinya, jaringan tersebut melakukan pembelajaran tanpa bimbingan data input-target.­­­­­­­­

3.3.1        Konsep Self Organizing Map

Jaringan ini terdiri dari dua lapisan (layer), yaitu lapisan input dan lapisan output. Setiap neuron dalam lapisan input terhubung dengan setiap neuron pada lapisan output. Setiap neuron dalam lapisan output merepresentasikan kelas (cluster) dari input yang diberikan.

Gambar 3.1 Pemetaan SOM

Misalkan masukan berupa vector yang tediri dari n komponen yang akan dikelompokkan dalam maksimum 28 buah kelompok. Keluaran jaringan adalah kelompok yang paling dekat/mirip dengan masukan yang diberikan. Ada beberapa ukuran kedekatan yang dapat dipakai. Ukuran yang paling sering digunakan adalah jarak Euclidian yang paling minimum.

Bobot vektor-vektor contoh berfungsi sebagai penentu kedekatan antara vektor tersebut dengan masukan yang diberikan. Selama proses pengaturan, vektor contoh yang pada saat itu paling dekat dengan masukan akan muncul sebagai pemenang, kemudian vektor pemenang dan vektor-vektor sekitarnya akan dimodifikasi bobotnya.