Disusun oleh:
NIM. 1908561035
Dosen Pengampu
UNIVERSITAS UDAYANA
2021
BAB I
PENDAHULUAN
Keterangan:
𝐴𝐸𝑡 : amplitude envelope pada frame t
𝑆(𝐾) : ampritude di sampel K
𝐾 : jumlah sampel dalam 1 frame (frame size)
2.3 Spectral Centroid
Spectral centroid adalah fungsi yang merepresentasikan sebuah titik pada
spektrum, dan sebagian besar energinya terkonsentrasi pada titik tersebut. Spectral
centroid sendiri merupakan sebuah konsep yang diekstrak dari konsep music dan
psychoacoustics, yaitu titik keseimbangan spektrum yang digunakan untuk mengukur
ketajaman spektrum. Biasanya hal ini berkaitan dengan kejernihan atau kejelasan
spectral. Semakin tinggi nilai spectral centroid maka suara akan menjadi semakin jelas
dan tajam. Kecerahan atau ketajaman suara digambarkan sebagai kebalikan dari tingkat
kebisingan suara. Secara umum, sentroid spektral memiliki persamaan yang
didefinisikan sebagai berikut:
Di mana n adalah nilai indeks bit, 𝐶𝑡 adalah nilai spectral centroid pada frame
ke-t, N adalah jumlah total bit yang ada, 𝑀𝑡 [𝑛] adalah nilai dari transformtasi Fourier
pada frame ke tdan indeks bit ke n.
BAB III
DESAIN DAN IMPLEMENTASI
Frame size yang digunakan dalam program ini adalah 1024 dan hop
length yang digunakan adalah 512.
3.3 Ekstraksi Fitur Amplitude Envelope
Amplitudo envelope berarti perubahan amplitudo suara dari waktu ke waktu,
yang termasuk atribut yang berpengaruh karena mempengaruhi persepsi timbre. Timbre
merupakan ciri khas suara yang dapat menunjukkan keunikan setiap suara, sehingga
dapat membedakan satu suara dengan suara lainnya. Amplitudo envelope termasuk
salah satu properti suara yang penting karena memungkinkan kita untuk dengan mudah
mengenali suara dan membedakannya dengan suara lain. Ada pun tahapan dalam
melakukan proses ekstraksi fitur amplitude envelope adalah sebagai berikut:
1. Visualisasi Waveforms
Untuk mendapatkan hasil dari ekstraksi fitur spectral centroid, dapat digunakan
fungsi plt.figura dengan parameter figsize, plt.plot dengan parameter t, spectral
centroid yang sesuai dengan file audio yang diinputkan, dan warna yang akan
digunakan pada grafik, dan menggunakan fungsi plt.show. Dalam visualisasi
spectral centroid, terdapat t dan frames yang harus didefinisikan terlebih dahulu.
BAB IV
HASIL DAN PEMBAHASAN
5.1 Kesimpulan
Ada pun beberapa kesimpulan yang dapat ditarik setelah melakukan pengujian
dari proses ekstraksi fitur adalah sebagai berikut:
1. Terdapat perbedaan saat melakukan pengujian proses ekstraksi fitur pada file
audio dengan dua gender yang berbeda. File audio speech bergender wanita
memiliki tingkat amplitude envelope dan spectral centroid yang lebih tinggi.
Sebaliknya, file audio speech bergender pria memiliki tingkat amplitude
envelope dan spectral centroid yang lebih rendah.
2. Terdapat perbedaan saat melakukan pengujian proses ekstraksi fitur pada file
audio dengan genre musik yang berbeda. File audio bergenre musik jazz
memiliki tingkat amplitude envelope dan spectral centroid yang lebih rendah.
Sebaliknya, file audio bergenre musik rock memiliki tingkat amplitude
envelope dan spectral centroid yang lebih tinggi. Musik rock memiliki nilai
spectral centroid yang tinggi diakibatkan oleh spectral yang tajam.
3. Perbedaan yang dapat dilihat saat melakukan pengujian proses ekstraksi fitur
pada file musik dan speech terletak pada spectral centroid. Nilai spectral
centroid dari file speech cenderung lebih tinggi dikarenakan suara yang jelas
dan tajam dibandingkan dengan file musik. Dalam amplitude envelope, terdapat
perbedaan tingkat kebisingan pada tiap-tiap file musik dikarenakan mengacu
pada amplitudo suara dari waktu ke waktu yang digunakan pada setiap frame.
DAFTAR PUSTAKA
Harsemadi, I Gede. 2017. Implementasi Fast Fourier Transform pada Ekstraksi Fitur Mood dalam
Musik. Prosiding. Dalam: Seminar Nasional Multidisiplin Ilmu di Universitas Budi Luhur. 22
April.
Li, Z., Drew, M.S., Liu, J., 2014, Fundamentals of Multimedia 2nd Ed, Springer.
Lu, G., 1999, Multimedia Database Management System, Artech House Inc.
Perdana, Ramadhan Rosihadi. 2017. “Implementasi Ekstraksi Fitur untuk Pengelompokan
Berkas Musik Berdasarkan Kemiripan Karakteristik Suara”. Tugas Akhir. Fakultas
Teknologi Informasi, Teknik Informatika, Institut Teknologi Sepuluh Nopember,
Surabaya.