MATA KULIAH

SISTEM PENGUKURAN DAN KALIBRASI

MAKALAH
PENGUKURAN, KALIBRASI DAN KETIDAKPASTIAN
DALAM PENGUKURAN
Dosen:
Dr Imam Abadi S.T.,M.T

DISUSUN OLEH:
Muhammad Jovan Ramadhan NRP: 02311740000117

PROGRAM STUDI TEKNIK FISIKA

INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2019
PENDAHULUAN
Kita tentu tidak asing dengan kata musik, mungkin kita sering mendengarkan musik setiap
hari. Arti musik menurut KBBI (Kamus Besar Bahasa Indonesia) adalah ilmu atau seni
menyusun nada atau suara dalam urutan, kombinasi, dan hubungan temporal untuk
menghasilkan komposisi (suara) yang mempunyai kesatuan dan kesinambungan. Musik adalah
sebuah fenomena yang sangat unik yang bisa dihasilkan oleh beberapa alat musik. Ada banyak
fungsi musik seperti untuk hiburan, untuk ekspresi diri, untuk alasan ekonomi dan bisnis, untuk
upacara dan ritual, untuk menenangkan hati, untuk mediasi dan lain sebagainya. Musik dapat
dibedakan berdasarkan genrenya. Genre musik adalah pengelompokan musik sesuai dengan
kemiripannya satu sama lain. Selama ini genre musik yang paling banyak diketahui orang
adalah genre musik populer seperti pop, rock, jazz, dan reggae. Genre musik adalah fenomena
yang menarik untuk dipelajari; genre dapat digambarkan sebagai bentuk label, dimaksudkan
untuk memesan musik dalam berbagai kategori dan gaya. Secara teori, genre seharusnya
memberikan beberapa informasi tentang bagaimana gaya musik tertentu terdengar berdasarkan
karakteristik tertentu.

Genre musik pada dasarnya bersifat subyektif karena sulit dijelaskan secara sistematis dan
konsisten. Klasifikasi genre, sampai sekarang, telah dilakukan secara manual dengan
menggabungkannya ke repositori file audio metadata. Namun makalah ini bertujuan klasifikasi
berbasis konten, dengan fokus pada informasi dalam audio. Kami menggunakan pendekatan
pembelajaran mesin tradisional untuk klasifikasi dengan menemukan fitur yang sesuai dari
sinyal audio, pelatihan classifier pada data fitur dan membuat prediksi genre terkait.

METODOLOGI

Pada percobaan klasifikasi genre music ini, hal yang pertama dilakukan adalah
pengumpulan lagu-lagu yang bergenrekan pop, jazz, klasikal dan rock. Lagu yang telah
dikumpulkan adalah sebagai berikut.

Tabel 1. Tabel jumlah lagu per genre

Genre Jumlah
Pop 5
Jazz 5
Klasik 5
Rock 5

Metode klasifikasi genre yang akan dirancang dimulai dengan input data lagu. Apabila data
lagu masih stereo, maka data lagu diubah menjadi data mono, selanjutnya dilakukan proses
ekstraksi ciri lewat metode MFCC. Hasil ekstraksi ciri adalah vektor ciri yang selanjutnya akan
diproses pada klasifikasi K-NN dan klasifikasi K-NN akan menghasilkan hasil kelas terdekat
dari vektor ciri data lagu yang menjadi input. Kelas tersebut diterjemahkan menjadi genre
sesuai awal pembentukan model klasifikasi K-NN. Alur kerja dalam penelitian ini dapat dilihat
dari gambar berikut.
 Gambar 1. Alur kerja klasifikasi genre musik

Percobaan ini menggunakan dataset GTZAN Genre Collection yang dapat diakses secara
gratis di website MARSYAS, GTZAN Genre Collection sendiri merupakan sebuah dataset
yang berisi 1000 klip 16-bit mono audio yang masing-masing berdurasi 30 detik. Klip ini
menjangkau 10 genre dengan genre masing-masing memiliki total 100 lagu.

Setelah mengumpulkan sejumlah lagu-lagu dari keempat genre tersebut, langkah

selanjutnya adalah proses ekstraksi ciri (feature reaction) menggunakan metode MFCC (Mel
Frequency Cepstral Coefficients). merupakan koefisien yang merepresentasikan audio.
Ekstraksi ciri dalam proses ini ditandai dengan pengubahan data suara menjadi data citra
berupa spektrum gelombang. Kebanyakan sistem pengenal ucapan saat ini menggunakan
MFCC sebagai feature karena sistem pengenal ucapan menjadi lebih presisi dalam berbagai
kondisi. Dalam sebuah research yang telah dilakukan menunjukan bahwa MFCCs dapat
digunakan untuk menangkap sebuah karakteristik frekuensi dari file musik. Untuk percobaan
kali ini telah dipertimbangkan 15 fitur mel.

Gambar 2. Contoh Frequency yang diambil dengan menggunakan MFCCs

Pada percobaan kali ini di implementasikan k-Nearest

alghoritma
Neighbour(KNN). KNN adalah sebuah metode klasifikasi terhadap sekumpulan
data berdasarkan pembelajaran data yang sudah terklasifikasikan sebelumya.
KNN termasuk dalam supervised learning, dimana hasil query instance yang
baru diklasifikasikan berdasarkan mayoritas kedekatan jarak dari kategori yang
ada dalam KNN. Alasan untuk memilih algoritma ini adalah penerapannya yang
relatif lebih sederhana dan hasil yang sebanding dengan model rumit lainnya
seperti ulti-Class Support Vector Machine dan Neural Networks. Jarak antara
lagu diukur dengan menggunakan Kullback-Lieber Divergence. Berikut adalah
persamaan Kullback-Lieber Divergence

PEMBAHASAN

Percobaan ini yang telah dijelaskan sebelumnya, menggunakan 20 sample lagu yang
terdiri dari 4 genre yaitu jazz, pop, klasik dan metal yang selanjutnya dimasukkan pada
program MATLAB yang di dalamnya telah dimasukan algoritma-algoritma MFCC dan K-NN
(dimana script code nya telah terlampir pada LAMPIRAN 1) untuk mengidentifikasi genre
musik serta mengukur tingkat akurasinya. Berikut merupakan data hasil output klasifikasi
genre musik pada MATLAB.
Tabel 2. Hasil perbandingan genre lagu sebenarnya dan genre yang diklasifikasikan
Musik Genre sebenarnya Genre Klasifikasi
Bobby Caldwell-What You Wont Do for Love Jazz Pop

Billie Holiday-When you’re smiling Jazz Jazz

Billie Holiday - Blue Moon Jazz Jazz
Dave Brubeck - Take Five Jazz Pop
Grover Washington Jr - Just the two of us Jazz Jazz
Slayer - Threshold Metal Metal
Megadeth - Holy Wars... The Punishment Due Metal Metal

Carcass - Cadaver pouch conveyor system Metal Metal

Black Sabbath - Paranoid Metal Metal
Linkin Park-Numb Metal Pop
HIVI! - Remaja Pop Pop
TULUS - Tukar Jiwa Pop Pop
Carpenters - Close To You Pop Pop
Dengarkan Dia - Teman Tapi Menikah Pop Pop
Taylor Swift - ME! Pop Pop
Beethoven - Moonlight Sonata Klasikal Jazz
Chopin - Nocturne op.9 No.2 Klasikal Klasikal
Debussy - Rêverie Klasikal Klasikal
Schubert - Ave Maria Klasikal Klasikal
Smetana Moldau Klasikal Klasikal

Pada hasil percobaan tersebut didapatkan grafik akurasi per genre yaitu sebagai berikut.

Gambar 3. Grafik Akurasi Masing-Masing Genre Musik

Pada gambar 3. di atas, didapatkan akurasi tertinggi yaitu 100% pada genre musik
pop, sedangkan didapatkan akurasi paling rendah yaitu 60% pada genre jazz dan metal. Jika
kita meninjau tingkat akurasi dari keseluruhan klasifikasi genre menggunakan ekstrasi ciri
MFCC dan klasifikasi K-NN dengan maka didapatkan akurasi sebesar 80%. Percobaan ini
telah dilakukan pada MATLAB 2017b.

PENUTUP
A. Kesimpulan
Berdasarkan data di atas, dapat dinyatakan bahwa hasil pembacaan genre musik dengan
metode tersebut baik karena hasil pembacaan genre musik yang telah dilakukan dengan
menggunakan metode ekstraksi ciri MFCC dan klasifikasi K-NN didapatkan akurasi
sebesar 80%.

B. Saran
Sebaiknya perlu dilakukan pengujian lebih banyak sampel dan genre lagu agar
mendapatkan klasifikasi yang lebih lengkap dalam pengujian metode MFCC dan K-NN ini.

DAFTAR PUSTAKA
[1] Logan, Mel . 2000. Fequency Cepstral Coefficients for Music Modeling.
http://ismir2000.ismir.net/papers/
[2] Umar, Rusydi.2018. Analisis Bentuk Pola Suara Menggunakan Ekstraksi Ciri Mel-
Frequency Cepstral Coefficients (MFCC). Cogito Smart Journal. Vol 4 No 2. 294-304.
[3] Patil, Nilesh M. 2017. Music Genre Classification Using MFCC, K-NN and SVM
Classifier. International Journal of Computer Engineering In Research Trends. Vol 4 No 2. 43-
47.
[4] José Anibal Arias, Julien Pinquier and Régine André-Obrecht. 2005. “Evaluation Of
Classification Techniques For Audio Indexing,” Proceedings of 13th European Signal
Processing Conference. EUSIPCO'2005, Antalya, Turkey.
[5] Tzanetakis, G., Cook, P. 2002. Musical genre classification of audio signals. IEEE
Transactions on Speech and Audio Processing 10, 293–302.