CHORD KNOWLEDGE BASE DEVELOPMENT

Presentasi berjudul: "CHORD KNOWLEDGE BASE DEVELOPMENT"— Transcript presentasi:

1 CHORD KNOWLEDGE BASE DEVELOPMENT
Arbani Pribowo, Universitas Gunadarma 2006

2 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

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

4 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

5 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).

6 Tahapan dalam Chord Knowledge-Base Development

7 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”

8 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.

9 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

10 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)

11 Pembacaan & Pemahaman Notasi

12 Pembacaan & Pemahaman Notasi

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

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

15

16 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

17

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

19 Target, Selisih dan hasil Dalam metode traingda

20 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

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

22 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

23 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”

24 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

25 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

26 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

27 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

28 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

29 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 = ; 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);

30 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) =

31 Target, Selisih dan hasil Dalam metode trainlm

32 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;

33 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;

34 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]

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

36 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

37 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, 0, Epochs 20979 17 Waktu Pembelajaran 8 jam 5 menit Hasil Pembelajaran Notasi & Akord Berhasil berhasil

38 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)

39 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

40 TERIMA KASIH