Penerapan LVQ dengan inisialisasi K-means untuk pengenalan nada gitar dengan ekstraksi ciri MFCC

Abstract

Manusia dapat mengenali suara melalui proses yang dilakukan secara berulang-ulang. Namun, tidak banyak orang yang mampu mengenali suara chord gitar. Penelitian ini bertujuan untuk membuat suatu sistem pengenalan chord gitar menggunakan metode LVQ sebagai pengenalan pola dan MFCC sebagai ekstraksi ciri. Bobot awal yang digunakan pada metode LVQ diperoleh dengan menginisialisasi K-means. Data yang digunakan sebanyak 8640 data suara gitar dengan 24 jumlah chord. Masing-masing data terdiri atas 2 chord yang akan diuji secara terpisah. Parameter LVQ yang digunakan adalah learning rate 0.002, epoh 100, dan penurunan learning rate 0.9. Parameter yang digunakan dalam proses MFCC adalah time frame, overlap, jumlah koefisien cepstral dan jumlah cluster. Hasil percobaan menunjukkan bahwa akurasi maksimum yang diperoleh adalah 83.65% pada time frame 30 ms, overlap 0.4, koefisien cepstral 26, dan jumlah cluster 100.

Humans can recognize the sound through a process that is done repeatedly. However, not many people are able to identify the sound of guitar chords. This study used LVQ as pattern recognition and MFCC as feature extraction. Initial weights were initialited by K-means clustering. A collection of 8640 sound data were used with 24 guitar chords. Each data consist of two chords that were tested separately. The parameters used in the process LVQ were 0.002 learning rate, 100 epoch, and 0.9 learning rate decrease. The parameters used in the process of MFCC were the time frame, overlap, the number of cepstral coefficient and the number of clusters. The experimental results showed that the maximum accuracy of 83.65% was obtained with 30 ms time frame, 0.4 overlap, 26 cepstral coefficients, and 100 clusters.