Deteksi Suara Gitar Dengan Bahan Jenis Senar Berbeda Melalui Ciri Akustik Dengan MelFrequency Cepstral Coefficients (MFCC) Dan Support Vector Machine (SVM)
DOI:
https://doi.org/10.34818/eoe.v9i6.18945Abstract
Abstrak— Gitar akustik merupakan salah satu alat musik terpopuler di dunia. Suara yang dihasilkan gitar memiliki karakteristik suara nya masing-masing. Salah satu faktor yang memengaruhi karakteristik suara gitar adalah jenis senar gitar. Gitar terbagi menjadi 2 jenis berdasarkan jenis material senar nya yaitu senar yang terbuat dari baja dan senar yang terbuat dari nylon. Senar baja cenderung menghasilkan suara yang lebih nyaring dan volume suara yang lebih besar dibandingkan dengan senar nylon yang cenderung menghasilkan suara yang mellow. Namun tidak semua orang dapat membedakan suara gitar atau mengetahui berdasarkan senar yang digunakan hanya dengan mendengarkan suaranya saja. Sistem deteksi bahan gitar ini bertujuan untuk membedakan jenis senar pada suatu gitar. Total kelas di sistem ini terbagi menjadi dua kelas, kelas senar baja dan kelas senar nylon. Hasil dari sistem ini berupa GUI yang memunculkan spektogram dan hasil deteksi. Sinyal suara akan melalui proses ekstraksi ciri akustik menggunakan metode MFCC dengan parameter delta-delta window length terbaik bernilai 5. Hasil dari proses tersebut kemudian akan diklasifikasikan dengan metode support vector machine (SVM) dengan fungsi kernel RBF sebagai fungsi terbaik dengan akurasi 95%. Gitar senar baja cenderung menghasilkan frekuensi maksimum yang lebih besar dibandingkan dengan senar nylon. Kata kunci— Gitar Akustik, Senar Baja, Senar Nylon, MelFrequency Cepstral Coefficients (MFCC), Support vector machine (SVM).Downloads
References
[1] Frama MN, Belajar Gitar Bolong Otodidak Khusus Pemula, 1st ed., vol. 1. Depok: Huta Publisher, 2015.
[2] R. Thiruvengatanadhan, “Music Classification using MFCC and SVM”.
[3] Schmidt-Jones Catherine, “Sound, Physics and Music,” Mar. 2013.
[4] Agus Kurniawan, “Reduksi Noise Pada Sinyal Suara dengan Menggunakan Transformasi Wavelet,” Universitas Diponegoro Semarang, Indonesia, 2002.
[5] Sri Waluyanti, “Teknik Audio Video,” 2008.
[6] Gari Rakai Sambu, Pintar Main Gitar Dalam 7 Hari. Yogyakarta: MEDPRESS, 2008.
[7] Musictrans, “PERBEDAAN GITAR AKUSTIK BERSENAR NYLON DAN STRING(KAWAT),” May 10, 2017.
[8] I. Made et al., “BUKU MODUL/PETUNJUK PRAKTIKUM TEK156221 PRAKTIKUM PENGOLAHAN SINYAL MULTIMEDIA DI SUSUN OLEH.”
[9] TRI RAMADHANI, “IMPLEMENTASI ALGORITMA MEL-FREQUENCY CEPSTRAL COEFFICIENTS – VECTOR QUANTIZATION (MFCC-VQ) UNTUK DETEKSI SUARA BURUNG PEMAKAN PADI DI SAWAH,” UNIVERSITAS SUMATERA UTARA, Medan, 2018.
[10] D. Anggraeni, W. S. M. Sanjaya, M. Y. S. Nurasyidiek, and M. Munawwaroh, “The Implementation of Speech Recognition using Mel-Frequency Cepstrum Coefficients (MFCC) and Support Vector Machine (SVM) method based on Python to Control Robot Arm,” in IOP Conference Series: Materials Science and Engineering, Jan. 2018, vol. 288, no. 1. doi: 10.1088/1757-899X/288/1/012042.
[11] H. S. P. E. A. Heriyanto, “EKSTRAKSI CIRI MEL FREQUENCY CEPSTRAL”.
[12] Mustofa Ali, “Sistem Pengenalan Penutur dengan Metode Mel-frequency Wrapping ,” Sep. 2007.
[13] S. Dwi and P. Candra, “KLASIFIKASI SUARA DENGAN EKSTRAKSI CIRI MEL FREQUENCY CEPSTRAL COEFFICIENTS MENGGUNAKAN MACHINE LEARNING.”
[14] Y. Risah Prayogi and J. L. Buliali, “IDENTIFIKASI PARAMETER OPTIMAL GAUSSIAN MIXTURE MODEL PADA IDENTIFIKASI PEMBICARA DI LINGKUNGAN BERDERAU MENGGUNAKAN RESIDU DETEKSI ENDPOINT,” 2015.
[15] H. Nugraha, A. Rizal, M. T. St, and I. Iwut, “DESAIN DAN IMPLEMENTASI SPEKTOGRAF UNTUK MENAMPILKAN SPEKTOGRAM WARNA DARI SUARA PARU-PARU DESIGN AND IMPLEMENTATION SPECTROGRAPHS FOR LUNG SOUND COLOR SPECTROGRAM.”
[16] Octaviani Anna Pusphita, Wilandari Yuciana, and Ispriyanti Dwi, “PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG ,” 2014.
[17] Herdiyeni Yeni, Buono Agus, and Noorniawati Yulia Vita, “KLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA ,” Nov. 2007.
[18] W. Widayani and H. Harliana, “Perbandingan Kernel Support Vector Machine Dalam Melakukan Klasifikasi Penundaan Biaya Kuliah Mahasiswa,” Jurnal Sains dan Informatika, vol. 7, no. 1, pp. 20–27, Jun. 2021, doi: 10.34128/jsi.v7i1.268.
[19] A. Yuniar Rahman, “OPTIMISASI PARAMETER SUPPORT VECTOR MACHINE BERBASIS ALGORITMA GENETIKA PADA KLASIFIKASI TEKS PENGADUAN MASYARAKAT,” 2020.
[20] M. Awad and R. Khanna, Efficient learning machines: Theories, concepts, and applications for engineers and system designers. Apress Media LLC, 2015. doi: 10.1007/978-1-4302-5990-9.



