Anda di halaman 1dari 23

PROPOSAL SKRIPSI

Perancangan Aplikasi Chord Recognition


Pada Lagu dengan Metode Naive Bayes












DISUSUN OLEH :
ITTO WIRAWAN M 115060800111045



PROGRAM TEKNOLOGI INFORMASI DAN
TEKNIK KOMPUTER
UNIVERSITAS BRAWIJAYA
MALANG 2014

BAB I
PENDAHUHULUAN
1.1 Latar Belakang
Chord adalah kumpulan tiga nada atau lebih yang bila dimainkan secara
bersamaan terdengar harmonis. Akord bisa dimainkan secara terputus-putus
ataupun secara bersamaan. Chord dijumpai pada salah satu alat musik yang sudah
populer yaitu gitar. Gitar sebagai alat musik sudah tentu digunakan untuk
mengiringi sebuah lagu dan chord disini berperan sebagai nada yang harus dipilih
sesuai dengan lagu yang dimainkan. Pada setiap lagu tentunya memiliki urutan
nada-nada sendiri yang bergantian secara teratur sehingga enak didengar. Para
musisi handal biasanya sudah dapat mengenal dan dapat memilah nada-nada apa
saja yang terdapat dalam sebuah lagu. Sehingga dalam memainkan gitar untuk
menggiring sebuah lagu mereka bisa dengan tepat memilih chord gitar yang
cocok dengan lagu yang akan dimainkan.
Pemilihan chord gitar yang tepat sangat krusial dalam memainkan sebuah
lagu. Apabila pemilihan chord tidak tepat, maka lagu yang dimainkan akan jelek
dan tidak enak didengar karena ketidakcocokan antara lagu yang dimainkan
dengan pemilihan chord pada gitar. Biasanya bagi para musisi yang profesional,
pemilihan nada chord gitar bisa mereka tebak/pilih dengan sendirinya hanya
dengan mendengar sebentar lagu yang akan dimainkan mereka lansung bisa
mengenali dengan tepat chord apa saja yang cocok dalam lagu itu. Semua itu
dikarenakan bakat dan telinga mereka yang sudah terlatih dalam dunia musik.
Sedangkan bagi orang awam atau orang yang baru berlatih alat musik
gitar, mengenali chord gitar pada sebuah lagu itu bukan perkara yang gampang,
diperlukan waktu yang cukup lama melatih kepekaan telinga dalam memilah nada
dalam sebuah lagu. Terkadang chord gitar suatu lagu banyak tersedia dalam buku
gitar maupun website musik, akan tetapi sebenarnya tidak semua lagu mereka
sediakan chordnya. Menurut pengalaman, chord lagu yang ada pada media seperti
buku dan website hanya untuk golongan musik tertentu saja. Bisa hanya pada lagu
yang terbaru saja atau hanya pada lagu terpopuler saja. Sedangkan untuk lagu
lawas dan beberapa golongan lagu tidak terdapat ulasan chord gitarnya.
Bagi orang awam yang ingin belajar gitar, refrensi chord dari buku dan
website saja tidaklah cukup. Bila pada suatu kondisi dimana kita ingin memainkan
lagu kesukaan kita pada suatu acara maupun aktivitas biasa sedangkan lagu yang
inigin kita mainkan tidak ada refrensi chord dikarenakan lagu tersebut sudah
lawas maka hal tersebut sangat disayangkan. Diperlukan metode lain selain
refrensi orang dalam mencari chord gitar. Di zaman teknologi ini semua serba
mungkin dengan komputer. Dalam dunia IT terdapat yang namanya pattern
Recognition atau pengenalan pola yang berfungsi untuk mengklasifikasikan
sebuah pola agar dapat dikenali oleh sebuah komputer. Dalam kasus chord ini
bisa dikategorikan sebagai pengenalan suara. Salah satu metode pengenalan pola
yaitu Naive Bayes.
Dari permasalahan tersebut, maka penulis mengusulkan judul
Perancangan Aplikasi Chord Recognition Pada Lagu dengan Metode Naive
Bayes . Penulis menerapkan metode Naive Bayes sebagai komputasi pengenalan
pola chord pada suara lagu.
Klasifikasi adalah salah satu tugas yang penting dalam data mining, dalam
klasifikasi sebuah pengklasifikasi dibuat dari sekumpulan data latih dengan kelas
yang telah di tentukan sebelumnya. Performa pengklasifikasi biasanya diukur
dengan ketepatan (atau tingkat galat) [WAL-95].
Teorema Bayes adalah teorema yang digunakan dalam statistika untuk
menghitung peluang untuk suatu hipotesis, Bayes Optimal Classifier menghitung
peluang dari suatu kelas dari masing-masing kelompok atribut yang ada, dan
menentukan kelas mana yang paling optimal. Sedangkan Nave Bayes adalah
penggunaan Teorema Bayes dengan asumsi keidependenan atribut. Asumsi
keidependenan atribut akan menghilangkan kebutuhan banyaknya jumlah data
latih dari perkalian kartesius seluruh atribut yang dibutuhkan untuk
mengklasifikasikan suatu data [BER-01].
Hasil peneltian akan berupa proses komputasi aplikasi chord recognision
yang mana akan mendapatkan hasil perhitungan naive bayes pada penentuan class
dari nilai maksimal pada hasil posteriornya. Dari penentuan class tersebut akan
terdapat hasil klasifikasi dari data testing yang sudah ditentukan sebelumya lalu
akan ditampilkan melalui visualisasi dengan aplikasi yang dibuat.
Aplikasi sendiri menggunakan bahasa pemrograman berbasis Java dan
memakai tools lainnya sebagai pendukung seperti microsoft excel dan emulator
android.

1.2 Rumusan Masalah
Berdasarkan latar belakang masalah di atas.Penulis mengemukakan berbagai
permasalahan yang ada diantaranya sebagai berikut :
1. Bagaimana melakukan klasifikasi sebuah lagu secara continuous ?
2. Bagaimana mendapatkan data latih yang bagus dari chord gitar dan
metode ekstrasi fiturnya ?
3. Bagaimana mencari pola data forrmat database dengan menggunakan
data latih?
4. Bagaimana besar akurasi yang dihasilkan metode Naive Bayes pada
chord sebuah lagu?

1.3 Ruang Lingkup
Berikut merupakan Ruang lingkup sebagai batasan masalah yang diambil oleh
penulis diantaranya :
1. Pada penelitian ini menggunakan metode Naive Bayes
2. Pengunaan aplikasi ini hanya mendeteksi chor gitar saja dalam sebuah
lagi
3. Jenis lagu hanya sekitar lagu dengan akustik gitar saja.
4. Objek penelitian merupakan data-data dari chord gitar yang didapat dari
rekaman suara gitar dan lagu akustik sebgai data testingnya

1.4 Tujuan
Tujuan dari pembuatan proposal ini adalah merancang sebuah aplikasi
pengenal chord gitar pada lagu untuk dapat membantu orang mencari chord
dari sebuah lagu yang ingin ia mainkan.Mengimplementasikan metode Naive
Bayes sebagai pengklasifikasi chord pada sebuah lagu. Selain itu, aplikasi juga
bertujuan untuk menjadikannya sebagai media pembelajaran bagi orang yang
ingin berlatih gitar.

1.5 Manfaat
Dari Hasil penelitian diharapkan didapat manfaat diantaranya :
1. Membantu orang untuk mencari chord pada suatu lagu
2. Sebagai sarana orang untuk belajar musik
3. Menambah pengetahuan penulis dalam menerapkan metode Naive
Bayes pada aplikasi Chord Recognition


1.6 Sistematika
Penulisan Skripsi ini disusun secara sistematis agar pembaca lebih mudah dalam
mempelajari dan diambil manfaatnya. Sebagai berikut:
1. BAB I PENDAHULUAN
Bab satu berisi penduhulan yang terdiri dari latar belakang, tujuan
penulisan, rumusan masalah, pembatasan masalah, manfaat penelitian dan
sistematika penulisan.
2. BAB II LANDASAN TEORI
Berisi teori-teori yang berhubungan data mining dan naive bayes yang
akan dipakai sebagai metode klasifikasi.
3. BAB III METODE PENELITIAN
Bab ini berisi metode yang digunkan dalam penelitian. Baik metode yang
digunakan dalam penelitian maupun dalam penulisan. Dari bab ini berisi
urutan tentang apa saja yang akan dilakukan dalam penelitian dari bab 1
sampai selesai.
4. BAB IV PERANCANGAN
Berisi penjelasan dari analisa dan perancangan aplikasi Chord Recognition
menggunakan metode Naive Bayes.
5. BAB V IMPLEMENTASI
Berisi proses implementasi dari aplikasi Chord Recognition menggunakan
metode Naive Bayes.
6. BAB VI PENGUJIAN DAN ANALISIS
Berisi pegujian dari hasil komputasi data dan percobaan keakuratan
dengan lagu. Pengujian dilakukan dengan membandingkan hasil dari
aplikasi dengan data chord yang didapat dengan observasi atau sumber
lain.
7. BAB VII PENUTUP
Berisi kesimpulan dari seluruh pembuatan dan pengujian aplikasi Chord
Recognition dengan metode Naive Bayes. Dan saran untuk penelitian ini.




1.7 Jadwal Penelitinan
Tabel 1.1










No

Kegiatan

Bulan dan Minggu ke :
Bulan 1 Bulan 2 Bulan 3 Bulan 4 Bulan 5
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1. Studi Literatur
2. Analisa
Kebutuhan

3. Pengumpulan
Data

4. Perancangan
5. Implementasi
Sistem

6. Pengujian
sistem

7. Penulisan
laporan
Penelitihan



BAB II
DASAR TEORI
Pada bab ini berisi tentang beberapa landasan teori yang dijadikan dasar untuk
penelitian Perancangan Aplikasi Chord Recognition Pada Lagu dengan
Metode Naive Bayes.
Kajian pustaka adalah membahas penelitian yang telah ada dan yang
diusulkan. Dasar Teori membahas teori yang diperlukan untuk menyusun
penelitian yang diusulkan. Terdapat kajian pustaka yang dijadikan referensi untuk
penelitian ini, yaitu Data Mining : Teknik Pemanfaatan Data Untuk Keperluan
Bisnis. Yogyakarta : Graha Ilmu , Aplikasi Sistem Pakar, dan Rekayasa
Perangkat Lunak Berorientasi Objek Pemodelan, Arsitektur, dan Perancangan

2.1 Data Mining
Data mining adalah proses yang menggunakan teknik statistik, matematika,
kecerdasan buatan, dan machine learning untuk mengekstraksi dan
mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari
berbagai database besar . Istilah data mining memiliki hakikat sebagai disiplin
ilmu yang tujuan utamanya adalah untuk menemukan, menggali, atau menambang
pengetahuan dari data atau informasi yang kita miliki. Data mining, sering juga
disebut sebagai Knowledge Discovery in Database (KDD). KDD adalah kegiatan
yang meliputi pengumpulan, pemakaian data, historis untuk menemukan
keteraturan, pola atau hubungan dalam set data berukuran besar .

Metode Pelatihan

Secara garis besar metode pelatihan yang digunakan dalam teknik-teknik
data mining
dibedakan ke dalam dua pendekatan, yaitu:
- Unsupervised learning, metode ini dierapkan tanpa adanya latihan
(training) dan tanpa ada guru (teacher). Guru di sini adalah label dari
data.
- Supervised learning, yaitu metode belajar dengan adanya latihan dan
pelatih. Dalam pendekatan ini, untuk menemukan fungsi keputusan,
fungsi pemisah atau fungsi regresi, digunakan beberapa contoh data
yang mempunyai output atau label selama proses training.

Pengelompokan Data Mining
Ada beberapa teknik yang dimiliki data mining berdasarkan tugas yang
bisa dilakukan, yaitu:
- Deskripsi
Para peneliti biasanya mencoba menemukan cara untuk
mendeskripsikan pola dan trend yang tersembunyi dalam data.
- Estimasi
Estimasi mirip dengan klasifikasi, kecuali variabel tujuan yang lebih
kearah numerik dari pada kategori.
- Prediksi
Prediksi memiliki kemiripan dengan estimasi dan klasifikasi. Hanya
saja, prediksi hasilnya menunjukkan sesuatu yang belum terjadi
(mungkin terjadi di masa depan).
- Klasifikasi
Dalam klasifikasi variabel, tujuan bersifat kategorik. Misalnya, kita
akan mengklasifikasikan pendapatan dalam tiga kelas, yaitu
pendapatan tinggi,
pendapatan sedang, dan pendapatan rendah.
- Clustering
Clustering lebih ke arah pengelompokan record, pengamatan, atau
kasus dalam kelas yang memiliki kemiripan.
- Asosiasi
Mengidentifikasi hubungan antara berbagai peristiwa yang terjadi pada
satu waktu.

Tahap-tahap Data Mining
Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap
proses yang diilustrasikan pada Gambar 1. Tahap-tahap tersebut bersifat
interaktif, pemakai terlibat langsung atau dengan perantaraan knowledge base.
Tahap-tahap data mining adalah sebagai berikut:
Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilang-kan noise dan
data yang tidak
konsisten atau data tidak relevan.
Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai
database ke dalam satu database baru.
Seleksi data (data selection)
Data yang ada pada database sering kali tidak semuanya dipakai,
oleh karena itu hanya data yang sesuai untuk dianalisis yang akan
diambil dari database.
Transformasi data (data transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk
diproses dalam data mining.




Gambar 2.1. Tahap-tahap Data Mining

Proses mining
Merupakan suatu proses utama saat metode diterapkan untuk
menemukan pengetahuan berharga dan tersembunyi dari data.
Beberapa metode yang dapat digunakan berdasarkan
pengelompokan data mining dapat dilihat pada Gambar 2.

Gambar 2.2 beberapa metode data mining

Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik ke dalam knowledge
based yang ditemukan.
Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai
metode yang digunakan untuk memperoleh pengetahuan yang
diperoleh pengguna.

2.2 Konsep Klasifikasi

Klasifikasi dapat didefinisikan sebagai pekerjaan yang melakukan
pelatihan/pembelajaran terhadap fungsi target f yang memetakan setiap set atribut
(fitur) x ke satu dari sejumlah label kelas y yang tersedia. Pekerjaan pelatihan
tersebut akan menghasilkan suatu model yang kemudian disimpan sebagai
memori. (Prasetyo, 2012 : 45).
Algoritma klasifikasi menggunakan data training untuk membuat sebuah
model. Model yang sudah dibangung tersebut kemudian digunakan untuk
memprediksi label kelas data baru yang belum diketahui.
Dalam proses klasifikasi terdapat banyak algoritma yang telah
dikembangkan oleh para peneliti seperti K-Nearest Neighbor, Artifical Neural
Network, Support Vector Machine, Decision Tree, Nave Bayes Classifier dan lain
sebagainya. Setiap algoritma dalam klasifikasi data mining tersebut memiliki
kelebihan dan kekurangan. Tetapi prinsip dari masing-masing algoritma tersebut
sama, yaitu melakukan suatu pelatihan sehingga di akhir pelatihan model dapat
memprediksi setiap vektor masukan ke label kelas output dengan tepat2.
Salah satu pengukur kinerja klasifikasi adalah tingkat akurasi. Sebuah
sistem dalam melakukan klasifikasi diharapkan dapat mengklasifikasi semua set
data dengan benar, tetapi tidak dipungkiri bahwa kinerja suatu sistem tidak bisa
100% akurat.

- Untuk menghitung akurasi digunakan formula :
Akurasi =h h/

= 11+ 00 / 11+ 10+01+ 00 (1)

- Untuk menghitung kesalahan prediksi (error) digunakan formula:

Error =h h / h

= 10+ 01 / 11+ 10+01+ 00 (2)


2.3 Nave Bayes
Nave Bayes merupakan metode klasifikasi yang dapat memprediksi
probabilitas sebuah class, sehingga dapat menghasilkan keputusan berdasarkan
data pembelajaran. Nave Bayes adalah algoritma pembelajaran sederhana yang
menggunakan aturan Bayes dengan asumsi yang kuat bahwa atribut adalah
independen secara bersyarat yang diberikan dengan label kelas y. Meskipun
asumsi independen ini sering diabaikan dalam praktek, Nave Bayes tetap
memberikan akurasi klasifikasi yang kompetitif. Ditambah dengan efisiensi
komputasi dan banyak fitur yang diinginkan lainnya, ini menyebabkan Nave
Bayes banyak diterapkan dalam praktek. Nave Bayes menyediakan mekanisme
untuk menggunakan informasi dari data sampel untuk memperkirakan probabilitas
posterior P(y|x) dari setiap kelas y, terhadap
objek x yang diberikan. Setelah memiliki perkiraan tersebut, dapat digunakan
untuk klasifikasi. Aturan Bayes dinyatakan pada persamaan 3.

(3)

Dimana :
P(y|x) = probabilitas hipotesis y jika diberi evidence x
P(x|y) = probabilitas munculnya evidence x jika diketahui hipotesis y
P(y) = probabilitas y tanpa mengandung evidence apapun
P(x) = probabilitas evidence x

Asumsi independen bersyarat dapat dinyatakan dalam persamaan 4

(4)

Dengan xi adalah nilai ke i dari atribut x, dan n adalah jumlah atribut.
(5)

Dengan k adalah jumlah class dan ci adalah class ke I dalam persamaan
2.4. Dengan demikian, persamaan 2.2 dapat dihitung dengan normalisasi
numericator dari sisi kanan persamaan. Setelah semua peluang diperoleh maka
proses selanjutnya adalah mencari peluang maksimal dari kelas-kelas yang
ditentukan dengan persamaan 6.
(6)

2.4 Chord
Chord adalah kumpulan tiga nada atau lebih yang bila dimainkan secara
bersamaan terdengar harmonis. Akord bisa dimainkan secara terputus-putus
ataupun secara bersamaan. Akord ini digunakan untuk mengiringi suatu lagu.
Ketika Anda menekan tiga tuts piano C, E dan G secara bersamaan, ini berarti
anda sudah memainkan akord. Contoh alat musik lainnya yang bisa memainkan
akord adalah gitar (akustik dan listrik), organ, electone.
Adapun fungsi akord adalah antara lain:
1. Mengiringi orang menyanyi.
2. Untuk memudahkan mengaransemen lagu
3. Membantu menciptakan sebuah lagu











BAB III
METODOLOGI PENELITIAN
Bab ini menjelaskan langkah- langkah yang akan dilakukan dalam
penyusunan skripsi, yang meliputi : studi literatur, pengambilan data, analisis
kebutuhan, perancangan sistem, implementasi, pengujian sistem dan analisis.

Gambar 3.1 Langkah-langkah penelitian


3.1 Studi Literatur
Studi literatur ini mempelajari tentang dasar teori yang digunakan
untuk menunjang penulisan serta dalam pengerjaan skripsi. Teori-teori
pendukung penulisan serta pemahaman tentang skripsi diperoleh dari jurnal, e-
book,buku dan penelitian sebelumnya yang berkaitan dengan topik skripsi ini.
Terdapat kajian pustaka yang dijadikan referensi untuk penelitian ini, yaitu
Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis.
Yogyakarta : Graha Ilmu , Aplikasi Sistem Pakar, dan Rekayasa
Perangkat Lunak Berorientasi Objek Pemodelan, Arsitektur, dan Perancangan

3.2 Analisis Kebutuhan
Analisis kebutuhan bertujuan untuk mendapatkan kebutuhan yang
diperlukan untuk Perancangan apliakasi chord recognition dengan metode
Naive Bayes. Metode analisis menggunakan pemodelan UML (unified
Modeling Language). Salah satu pemodelan UML adalah Use Case yang
digunakan untuk mendeskripsikan kebutuhan dan fungsional sistem dari
perspektif aktor(end-user).Pemodelan DFD (Data Flow Diagram)
menunjukan bagaimana aliran data input yang diproses oleh sistem dan
menghasilkan data output.
Spesifikasi Kebutuhan perangkat yang digunakan dalam pembuatan
sistem pendukung keputusan diantaranya :
1. Spesifikasi Kebutuhan Hardware
SmartaPhone Android JellyBean
Gitar elektrik
Sound card
2. Spesifikasi Kebutuhan Software
Eclipse sebagai software aplikasi desain android
Microsoft windows 7 sebagai sistem operasi yang
digunakan
Emulator Android sebagai emulator dalam menjalankan
aplikasi di laptop
Microsoft Office Excel sebagai alat bantu komputasi data
set

3.3 Pengumpulan Data
Terdapat 2 jenis data yang harus dikumpulkan yaitu data latih dan data testing.
Data latih Data latih berupa sinyal digital diambil dari suara gitar yang
terhubungan dengan sound card. Suara gitar yang diambil hanya dalam bentuk
sinyal digital yang dihasilkan dari gitar elektrik. Selanjutnya sinyal digital akan
diekstrasi untuk mengetahui besaran frekuensi atau spektrum.Proses ekstraksi
menggunakan Little Endian dan Big Endian.
Big endian merupakan suatu cara untuk mengatur byte dalam suatu word
untuk disusun ke dalam memori. Dimana di dalam aplikasi ini, metode ini dapat
mengektraksi fitur suatu lagu menjadi frekuensi. Kemudian Little endian
menyusun byte LSB terletak di alamat paling rendah, sebaliknya Big Endian
menyusun byte LSB terletak di alamat paling tinggi.
Selanjutnya akan dihasilkan data continue pada hasil ektraksi fitur. Untuk
mempermudah dalam melakukan klasifikasi, data continue tersebut kita ubah
menjadi data kategorikal dimana rentang frekuensi .Sedangkan data testing akan
berupa media data suara chord dan lagu akustik dari pengguna

3. 4 Pengolahan Data
Data akan diolah dengan menggunakan metode naive bayes. Berikut
dijelaskan tahapan dari pengolahan data naive bayes :
Tentukan Data Latih dan Data Testing
Cari Mean
Cari Nilai Varians
Cari nilai Densitas
Cari Posteriornya dengan rumus Naive Bayes
Cari Nilai maksimal dari hasil posteriornya, tentukan termasuk class mana

3.5 Perancangan dan Implementasi Sistem
Aplikasi ini memberikan informasi mengenai hasil klasifikasi dan prediksi
chord gitar dari lagu akustik dengan menggunakan algoritma naive bayes
classifier. Aplikasi ini memanfaatkan data rekaman chord gitar dan beberapa
sample lagu akustik sebagai sumber data latih. Kemudian dengan rumus
perhitungan bayesian, aplikasi ini dapat melakukan perhitungan probability dan
memberikan hasil prediksi chord gitar dari data laguyang diinputkan.
Informasi tersebut akan disajikan dengan menggunakan chart agar lebih
mudah dipahami. Selain itu, aplikasi ini juga akan memberikan informasi
mengenai daftar chord gitar beserta posisinya sebagai pelengkap bagi orang yang
ingin berlatih gitar.

3.5.1 Fitur Aplikasi
Terdapat beberapa fitur utama yang ditawarkan dalam aplikasi chord
recognition ini, yaitu :
- Fitur List Chord
- Fitur Pengenal Chord
3.5.2 Flowchart
Perancangan flowchart ini bertujuan untuk memberi gambaran bagaimana
aliran proses dari aplikasi untuk pengenal chord gitar ini berjalan. Mulai dari awal
ketika task menu pengenal chord gitar diklik hingga tampil hasil chord sesuai
dengan lagu yang dimainkan.

Gambar 3.2 Flowchart komputasi data dengan naive bayes
3.5.3 Use Case Diagram
Perancangan use case bertujuan untuk memperlihatkan bagaimana
interaksi yang terjadi antara aktor atau pengguna dengan sistem dalam hal ini
aplikasi chord Recognition.

Gambar 3.3 Use case diagram
3.5.4 Implementasi
Implementasi aplikasi menggunakan metode Naive Bayes ini mengacu
pada perancangan sistem. Implementasi perangkat lunak dengan menggunakan
bahsa pemrograman Java ,emulator android dan tools pendukung lainnya.

Adapun metode yang digunakan peneliti dalam membangun aplikasi ini
yaitu menggunakan metode Waterfall. Metode ini digunakan penulis sebagai
pedoman bagaimana dan apa yang harus dilakukan selama perancangan dan
pembuatan aplikasi. Adapun tahapan yang dilakukan dengan menggunakan model
waterfall (Ian Sommerville).
a. Requirement Definition
b. System and Software Design
c. Implementation and Unit Testing
d. Integration and System Testing
e. Operation and Maintenance

3.6 Pengujian dan analisis
Pengujian perangkat lunak pada penelitian ini dilakukan agar dapat
menunjukan bahwa perangkat lunak telah mampu bekerja sesuai dengan
spesifikasi dari kebutuan yang ada. Pengujian sistem dilakukan meliputi
yaitu :
Pengujian dilakukan dengan membandingkan hasil dari aplikasi
dengan data chord yang didapat dengan observasi atau sumber lain.
Hasil berupa list tampilan chord setelah dilakukan input lagu dan
klasifikasi
Pengujian dilakukan dengan melakukan proses observasi data
sampai proses akhir.
Data observasi didapat dari Web atau buku chord, hasil komputasi
dibandingkan dengan data observasi.
Setelah dilakukan tahap pengujian, akan dilakukan analisa. Tahap
analisa ini dilakukan bertujuan untuk mengetahui bagaimana hasil dari
broadcasting yang telah dilakukan. Analisa yang dilakukan meliputi
pengamatan data komputasi yang meliputi nilai maksimal dari hasil
posterior dan penentuan di class mana ia masuk.
3.7 Kesimpulan
Kesimpulan dilakukan setelah semua tahapan perancangan,
implementasi dan pengujian sistem terhadap metode yang digunakan telah
selesai dilakukan. Kesimpulan didapat dari hasil implementasi , pengujian
sistem dan analisis terhadap perhitungan metode Naive Bayes. Penulisan
saran berguna untuk memberikan pertimbangan atas hasil yang telah
dilakukan.


















DAFTAR PUSTAKA

[JOG-05] Jogiyanto, HM. 2005. Sistem Teknologi Informasi. Edisi
Kedua. PT Andi.Yogyakarta
[SAN-07] Santoso, B. 2007. Data Mining : Teknik Pemanfaatan Data
Untuk Keperluan Bisnis. Yogyakarta : Graha Ilmu.
[YAS-12] Yasin, V. 2012. Rekayasa Perangkat Lunak Berorientasi
Objek Pemodelan, Arsitektur, dan Perancangan (Modeling,
Architecture and Design. Jakarta : Mitra Wacana Media
[DOM-97] Domingos, P., and Pazzani, M. (1997). On the optimality
of the Simple Bayesian Classifier under Zero-One Loss.
[EKO-12] Eko Prasetyo, Data Mining Konsep dan Aplikasi
Menggunakan Matlab, Yogyakarta : Penerbit Andi, 2012,
hal 46.
[KUS-08] Kusrini. 2008, Aplikasi Sistem Pakar.
Penerbit Andi, Yogyakarta
[ABD-03] Abdil Kadir.2003,Konsep Elemen Dasar Sistem
[BER-01] Berson, A., and Smith S. J. (2001). Data Warehousing,
Data Mining, & OLAP. New York, NY : McGraw-Hill.
[WAL-95]Walpole, E. R., Myers, R. H. (1995). Ilmu Peluang dan
Statistika untuk Insinyur dan Ilmuan, Edisi ke-4.