CHORD KNOWLEDGE BASE DEVELOPMENT Arbani Pribowo, 20101478 Universitas Gunadarma 2006

LATAR BELAKANG Rasa ingin tahu dalam mencari akord dan notasi Identifikasi chord dari kombinasi-kombinasi notasi yang ada cukup sulit dipelajari Waktu yang cukup lama untuk mempelajari akord, dikarenakan banyaknya kombinasi yang terjadi Tidak semua orang mendapat kesempatan untuk mempelajari Membuat sistem atau aplikasi yang dapat membantu dalam pengidentifikasian Akord berdasarkan kombinasi-kombinasi notasi

TUJUAN Dapat mengembangkan suatu sistem berbasis pengetahuan mengenai akord Dapat mengidentifikasi akord berdasarkan kombinasi input (notasi)

BATASAN MASALAH Penulis membatasi permasalahan hanya mencakup akord-akord yang terdapat pada buku “Keyboard Tabelle” dan “Top hits of the world” meliputi akord yang mempunyai notasi yang berbeda dengan akord yang lainnya

Chord Knowledge-Base Development Sebuah pengembangan suatu sistem berbasis pengetahuan mengenai Akord yang dapat digunakan untuk mengidentifikasi akord berdasarkan kombinasi-kombinasi notasi dalam musik. Pada penelitian ini menggunakan Jaringan Syaraf Tiruan Pada Matlab (Matrik Laboratory).

Tahapan dalam Chord Knowledge-Base Development

Tahap I Referensi Pada tahapan ini berguna sebagai Musical Knowledge, yaitu berupa pemahaman tentang Not-not yang ada didalam suatu Akord dan pembacaan tabulasi Not-not dan Akord . Referensi yang digunakan dalam penelitian menggunakan buku “Keyboard Tabelle” dan “Top hits of the world”

Tahap II Tabel dan Not Tahapan ini berfungsi untuk menterjemahkan hasil yang didapat dari pembacaan akord dan notasi pada tabulasi untuk dijadikan output berupa tabel Not yang ternumerisasi.

Tahap III Tabel Pada tahapan ini data yang berupa Not-not yang telah ternumerisasi akan dicoba untuk dilatih dan simulasikan berupa akord dan notasi di ANN

Tahap IV Jaringan Syaraf Tiruan (ANN) Pada tahap ini merupakan tahap pembelajaran jaringan syaraf tiruan / ANN, proses ini menggunakan data yang dihasilkan dari proses Musical knowledge yang sudah ternumerisasi di dalam Not-not. Proses pembelajaran Neural Network dalam Penelitian ini menggunakan model Backpropagation dengan Model ANN yang digunakan adalah traingda (Variabel laju pemahaman) dan trainlm (Levenberg-Marquardt)

Pembacaan & Pemahaman Notasi

Pembacaan & Pemahaman Notasi

Analisis Eksperimen 1 Proses pembelajaran menggunakan ANN dengan metode traingda (Variabel Laju Pemahaman) Data pelatihan yang dilatih akan menggunakan sumber dari buku “Keyboard Tabelle”

Data Input dan Output yang digunakan untuk Dalam JST pada Eksperimen 1

Parameter yang digunakan dalam Pelatihan & simulasi metode traingda Data terlebih dahulu di sortir pada kolom A, B, C secara Ascending Data yang sama pada Akord akan dihilangkan Pada kolom Output (G, H, I, J) diberi ketentuan penomoran secara berurutan dari 1 s/d 1739 secara bergantian

Pada proses pelatihan diatas berhasil mecapai goal, sesuai dengan perameter goal yang ditetapkan yaitu 1e-3 pada epoch ke 20979 dengan MSE ( Mean Sequare Error ) = 0.000997868

Target, Selisih dan hasil Dalam metode traingda

Spesifikasi ANN yang digunakan untuk eksperimen 1 Jumlah Neuron Input : 1739 Jumlah Hidden Layer : 1 Jumlah Neuron pada Hidden : 50 Jumlah Neuron Output : 4 Learning (lr) : 0,0005 Momentum (mc) : 0,01 Goal : ie-3 Metode Belajar : traingda

Kriteria keberhasilan MSE (Mean Square Error) turun mencapai goal Nilai selisih = 0 atau mendekati 0 antara output dengan target

Kesimpulan Eksperimen 1 eksperimen pertama ini berhasil, dikarenakan performances goals yang tercapai, selisih yang didapat cukup kecil terhadap output dan target, dan MSE turun, dengan frekuensi pengulangan berulang kali Proses pembelajaran dalam metode traingda mempunyai kelemahan dalam masalah waktu pembelajaran yang cukup lama

Analisis Eksperimen ke - 2 Pada eksperimen ke 2 ini dilakukan untuk memperbaiki kinerja pelatihan ANN, terutama dari sisi waktu dan sistematika data Menggunakan ANN dengan metode trainlm (Levenberg-Marquardt) Data pelatihan menggunakan buku “Top hits of the world”

Parameter yang digunakan dalam Pelatihan & simulasi metode trainlm Setiap Output pembelajaran dalam trainlm mempunyai karakteristik- karakteristik tersendiri di dalam suatu Akord Akord yang mempunyai notasi kosong didalam pembelajaran trainlm diberi keterangan angka 1000 bukan 0 Akord yang mempunyai notasi yang sama dalam pembelajaran trainlm tidak dihilangkan

Karakteristik Akord pada Kolom Output 1 1 berarti Nada dasar C 2 berarti Nada dasar C# 3 berarti Nada dasar D 4 berarti Nada dasar D# 5 berarti Nada dasar E 6 berarti Nada dasar F 7 berarti Nada dasar F# 8 berarti Nada dasar G 9 berarti Nada dasar G# 10 berarti Nada dasar A 11 berarti Nada dasar A# 12 berarti Nada dasar B

Karakteristik Akord pada Kolom Output 2 1 berarti Mayor 2 berarti Dominant 7 th 3 berarti Minor 4 berarti Augment 5 berarti Diminish 6 berarti Minor 7th 7 berarti Minor 7th –5 8 berarti 6th 9 berarti 9th 10 berarti Mayor 7th 11 berarti Minor 6th 12 berarti Augmented 7th 13 berarti Suspended 4th

Spesifikasi ANN yang digunakan untuk eksperimen 2 Jumlah Neuron Input : 103 Jumlah Hidden Layer : 2 Jumlah Neuron pada Hidden : 15 & 10 Jumlah Neuron Output : 2 Learning (lr) : 0,2 Momentum (mc) : 0,2 Goal : ie-3 Metode Belajar : trainlm

Data Pembelajaran Dalam metode trainlm (Levenberg-Marquardt) Not 1 Not 2 Not 3 Not 4 Output Akord Ket: 3 8 12 1000 1 C Mayor 6 2 Dominant 7 th 11 Minor 4 Augment 5 Diminish Minor 7th 7 Minor 7th -5 6th 10 9 9th Mayor 7th Minor 6th

Program di dalam eksperimen ke-2 clc; % a=xlsread('Union3.xls'); a=xlsread('trainlm.xls'); % jml = 50; jml = length(a); pembagi = 100; temp = transpose(a(1:jml,1:4))/pembagi; p = sort(temp); % % Mengembalikan nilai nol ke not kosong for i = 1 : 4, for j = 1 : jml, if p(i,j) == 1000/pembagi p(i,j) = 0; end; p % wk1write('chordsort',p'); % pause batas = minmax(p); % tgt = transpose(a(1:jml,7:10)); tgt = transpose(a(1:jml,5:6)); %Set Parameter ANN net=newff(batas,[15,10,2],{'logsig','logsig','purelin'},'trainlm'); net.trainParam.show = 25; net.trainParam.lr = 0.2; net.trainParam.mc = 0.2; net.trainParam.epochs = 1000000; net.trainParam.goal = 1e-3; net=init(net); sim(net,p); %Training % R=input('Tekan Enter '); [net,tr] = train(net,p,tgt); lihat = sim(net,p); d = transpose(lihat); e = transpose(tgt); banding = [d e d-e] % wk1write('simpan',banding);

Pada proses pelatihan diatas berhasil mecapai goal, sesuai dengan perameter goal yang ditetapkan yaitu 1e-3 pada epoch ke 173 dengan MSE (Mean Square Error) = 0.000899281

Target, Selisih dan hasil Dalam metode trainlm

Program Chord test function [img] = chordtes(nts,net) %nts adalah matriks not clc; s_nts = sort(nts); pj = length(s_nts); for i = 1 : pj if s_nts(i)>12 s_nts(i)=s_nts(i)-12; end; for g = 1:(pj-1), for h = (g+1):(pj), if s_nts(g) == s_nts(h) s_nts(h) = 0; nts = sort(s_nts); f_nts=find(nts>0); hasil = nts(f_nts(1):length(nts)) % img = hasil; if length(hasil) < 4 p = zeros(4,1); p(1:length(hasil))=hasil'/100; elseif length(hasil) > 4 p = hasil(1:4)'/100; else p = hasil'/100; end; lihat = floor(sim(net,p)+0.5); img = lihat;

Program Chord test %Tambahan cell untuk nama chord alternatif alter = cell(12,13); alter{1,4}=[' nama lain : E+, G#+']; alter{1,5}=[' nama lain : D#dim, F#dim, Adim']; alter{1,6}=[' nama lain : D#6']; alter{1,7}=[' nama lain : D#m6, G#9']; alter{1,8}=[' nama lain : Am7']; alter{1,9}=[' nama lain : Em7/-5, Gm6']; alter{1,11}=[' nama lain : F9, Am7/-5 ']; alter{2,4}=[' nama lain : Faug, Aaug']; alter{2,5}=[' nama lain : Edim, Gdim, A#dim']; alter{2,6}=[' nama lain : E6']; alter{2,7}=[' nama lain : Em6, A9']; alter{2,8}=[' nama lain : A#m7']; alter{2,9}=[' nama lain : Fm7/-5,G#m6']; alter{2,11}=[' nama lain : F#9, A#m7/-5']; alter{3,4}=[' nama lain : F#aug, A#aug']; alter{3,5}=[' nama lain : Fdim,G#dim,Bdim']; alter{3,6}=[' nama lain : F6']; alter{3,7}=[' nama lain : Fm6, A#9']; alter{3,8}=[' nama lain : Bm7']; alter{3,9}=[' nama lain : F#m7/-5, Am6']; alter{3,11}=[' nama lain : G9,Bm7/-5']; alter{4,4}=[' nama lain : Gaug, Baug']; alter{4,7}=[' nama lain : F#m6, B9']; alter{4,9}=[' nama lain : Gm7/-5, A#m6']; alter{5,9}=[' nama lain : G#m7/-5, Bm6']; alter{6,6}=[' nama lain : G#6']; alter{7,6}=[' nama lain : A6']; alter{7,8}=[' nama lain : D#m7']; alter{8,6}=[' nama lain : A#6th']; alter{8,8}=[' nama lain : Em7']; alter{9,6}=[' nama lain : B6']; if length(alter{lihat(1,1),lihat(2,1)})>1 t_alter = alter{lihat(1,1),lihat(2,1)}; else t_alter =' '; end;

Program Chord test %keluarkan nama chord dasar = char('C ','C#','D ','D#','E ','F ','F#','G ','G#','A ','A#','B'); jenis = char(' ','7','m','+','dim','m7','m7-5','6','9','M7','m6','7+','sus4'); chord = [deblank(dasar(lihat(1,1),:)) deblank(jenis(lihat(2,1),:)) t_alter]

Menggunakan perintah “ nama file ( [ Notasi ] ), net )

Kesimpulan Eksperimen 2 Eksperimen kedua berhasil dan mempunyai keunggulan di bandingkan dengan eksperimen pertama yang menggunakan metode traingda, yaitu performances goals yang tercipta lebih kecil, dan waktu pembelajaran yang cukup singkat Perbandingan yang cukup signifikan antara hasil, target dan selisih

perbandingan spesifikasi antara metode traingda dan metode trainlm secara keseluruhan Metode belajar Traingda trainlm Jumlah Neuron Input 1739 103 Jumlah Hidden Layer 1 2 Jumlah Neuron pada Hidden 50 15 & 10 Jumlah Neuron Output 4 Learning (lr) 0,0005 0,2 Momentum (mc) 0,001 Goal ie-3 Jumlah Data MSE (Mean Square Error) 0,00099787 0,00089928 Epochs 20979 17 Waktu Pembelajaran 8 jam 5 menit Hasil Pembelajaran Notasi & Akord Berhasil berhasil

Kesimpulan eksperimen 1 dan 2 secara keseluruhan kami berkesimpulan bahwa eksperimen kedua dengan menggunakan metode trainlm (Levenberg-Marrquradt) jauh lebih berhasil dibandingkan dengan eksperimen pertama yang menggunakan metode traingda, dengan analisis sebagai berikut : Didalam eksperimen ke 2 data output lebih terstruktur, Didalam eksperimen pertama terjadi perubahan representasi data input, Didalam eksperimen pertama data lebih kecil dikarenakan ada penyatuan akord yang identik (sama)

KESIMPULAN ANN lebih mudah mempelajari knowledge yang terstruktur dibandingkan dengan data yang tidak terstruktur, dikarenakan data akan sulit dipelajari apabila mendapatkan knowledge yang mempunyai karakteristik-karakteristik yang berbeda-beda. Apabila data yang digunakan banyak, maka bisa disederhanakan dengan meminimalisasi konflik data antara knowledge dengan menganalisis setiap data menjadi lebih spesifik Hasil eksperimen kedua mampu memperbaiki kinerja eksperimen pertama, meliputi perbedaan data output, representasi data input, metode training yang digunakan dan jumlah data

TERIMA KASIH