identifikasi kerusakan mesin sepeda motor … filepredictive coding dan metode back propagation ......
TRANSCRIPT
i
IDENTIFIKASI KERUSAKAN MESIN SEPEDA MOTOR
BERDASARKAN SUARA MESIN MENGGUNAKAN FITUR LINEAR
PREDICTIVE CODING DAN METODE BACK PROPAGATION
HALAMAN JUDUL
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana
Komputer Program Studi Teknik Informatika
Oleh:
Yosep Dio Dewantara
115314049
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2016
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
DAMAGE IDENTIFICATION OF MOTORCYCLE ENGINES BASED
ON ENGINE NOISE USING LINEAR PREDICTIVE CODING
FEATURES AND BACK PROPAGATION METHOD
TITLE PAGE
A THESIS
Presented as Partial Fulfillment of Requirements to Obtain Sarjana
Komputer Degree in Informatics Engineering Department
By:
Yosep Dio Dewantara
115314049
INFORMATICS ENGINEERING STUDY PROGRAM
INFORMATICS ENGINEERING DEPARTMENT
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2016
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
HALAMAN PERSETUJUAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
HALAMAN PENGESAHAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
MOTTO
“Bangsa yang malas belajar, tidak akan bisa berkembang”
“Banyak kegagalan dalam hidup ini dikarenakan orang-orang tidak menyadari
betapa dekatnya mereka dengan keberhasilan saat mereka menyerah”
(Thomas Alva Edison)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa di dalam skripsi yang saya
tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah
disebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.
Yogyakarta, 23 November 2016
Penulis
Yosep Dio Dewantara
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK
KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Yosep Dio Dewantara
NIM : 115314049
Demi pengembangan ilmu pengetahuan, saya memberikan kepada
Perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul:
IDENTIFIKASI KERUSAKAN MESIN SEPEDA MOTOR
BERDASARKAN SUARA MESIN MENGGUNAKAN FITUR LINEAR
PREDICTIVE CODING DAN METODE BACK PROPAGATION
Berserta perangkat yang diperlukan (bila ada). Dengan demikian saya
memberikan kepada perpustakaan Universitas Sanata Dharma hak untuk
menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk
pangkalan data mendistribusikan secara terbatas, dan mempublikasikannya di
internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari
saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama
saya sebagai penulis.
Demikian pernyataan ini saya buat dengan sebenarnya.
Yogyakarta, 23 November 2016
Penulis
Yosep Dio Dewantara
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRAK
Penelitian yang intensif dalam bidang pengolahan sinyal menyebabkan
teknologi komunikasi berkembang sangat pesat, salah satunya adalah pengenalan
suara. Konsep pengenalan suara dapat diterapkan dalam beberapa bidang untuk
menyelesaikan beberapa permasalahan, diantaranya yaitu pengenalan suara mesin
sepeda motor. Terdapat berbagai macam pola suara mesin sepeda motor yang
dapat menunjukkan jenis kerusakan dari mesin sepeda motor. Masih banyak
masyarakat pengguna sepeda motor yang tidak mengerti kerusakan yang terjadi
pada mesin sepeda motor. Dalam melakukan pengecekan dan perawatan mesin
sepeda motor, para teknisi bengkel sering kali lebih cepat mengetahui kerusakan
yang terjadi pada sebuah mesin sepeda motor hanya dengan mendengar suara
mesin sepeda motor tersebut. Oleh karena itu, pada penelitian ini akan dibuat
sebuah aplikasi yang mampu untuk mengklasifikasikan suara mesin sepeda motor
berdasarkan suara mesinnya.
Penelitian ini menggunakan fitur Linear Predictive Coding untuk proses
ekstraksi ciri suara dan metode Jaringan Syaraf Tiruan Back Propagation untuk
proses klasifikasi suara. Untuk jenis klasifikasi suara mesin sepeda motor dibagi
kedalam 4 kelompok yaitu mesin normal, mesin rusak katup/klep, mesin rusak
stang seher, dan mesin rusak rantai kamprat. Data yang akan digunakan adalah
data rekaman suara mesin sepeda motor dalam format .wav. Jumlah file rekaman
suara yang digunakan dalam proses mendapatkan pola suara sebanyak 200 data
suara.
Berdasarkan percobaan pengujian variasi kombinasi ciri dan jumlah hidden
layer beserta jumlah neuron-nya, diperoleh hasil penelitian optimal yaitu akurasi
tertinggi sebesar 84% pada ciri orde 10 dengan 2 hidden layer, dengan jumlah
neuron pada hidden layer 1 sebanyak 28 dan jumlah neuron pada hidden layer 2
sebanyak 20.
Kata Kunci: Klasifikasi, Linear Predictive Coding, Jaringan Syaraf Tiruan Back
Propagation
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Intensive research in the field of signal processing causes communication
technology is growing very rapidly, one of which is the voice recognition. The
concept of voice recognition can be applied in several fields to resolve some
problems, among which is the voice recognition engine motorcycles. There are
various kind of motorcycle engine sound patterns that can indicate the type of
damage from a motorcycle engine. There are still many people who use
motorcycles do not understand the damage that occurs in a motorcycle engine.
While checking and maintenance the motorcycle engine, the technicians often
more quickly find damage to a motorcycle engine only from hearing the sound of
a motorcycle engine. Therefore, in this study will be made an application that is
able to classify the sound of motorcycle engine based on the engine sounds.
This study uses Linear Predictive Coding feature for feature extraction
process sound and method Back Propagation Neural Network for sound
classification process. For this type of motorcycle engine sound classification is
divided into 4 groups: normal machinery, machine broken valve, piston handlebar
broken machines and broken machines timing chain. The data of motorcycle
engine sound recordings will be used in .wav format. The number of voice
recording files used in the process of getting sound patterns as many as 200 voice
data.
Based on the test trial variation combination of features and the number of
hidden layer along with the number of it neurons, the result of research is optimal
that the highest accuracy is 84% on the characteristic of order is 10 with two
hidden layers, the number of neurons in the hidden layer 1 is 28 and the number
of neurons in the hidden layer 2 is 20.
Keywords: Classification, Linear Predictive Coding, Back Propagation Neural
Network
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, sehingga
penulis dapat menyelesaikan tugas akhir dengan judul “Identifikasi Kerusakan
Mesin Sepeda Motor Berdasarkan Suara Mesin Menggunakan Fitur Linear
Predictive Coding dan Metode Back Propagation”. Tugas akhir ini merupakan
salah satu mata kuliah wajib dan sebagai syarat akademik untuk memperoleh
gelar sarjana komputer program studi Teknik Informatika Universitas Sanata
Dharma Yogyakarta.
Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada
pihak-pihak yang telah membantu penulis baik selama penelitian maupun saat
mengerjakan tugas akhir ini. Ucapan terima kasih sebesar-besarnya penulis
sampaikan kepada:
1. Tuhan Yang Maha Esa, yang telah memberikan pertolongan dan kekuatan
dalam proses pembuatan tugas akhir.
2. Orang tua, Fransiskus Xaverius Suprapto dan Fransiska Yohanna Layola
Manik, serta keluarga yang telah memberikan dukungan spiritual dan
material.
3. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing
tugas akhir, atas bimbingan, waktu dan saran yang telah diberikan kepada
penulis.
4. JB. Budi Darmawan S.T., M.Sc. selaku dosen pembimbing akademik, atas
bimbingan, kritik dan saran yang telah diberikan kepada penulis.
5. Dr. Anastasia Rita Widiarti M.Kom selaku ketua program studi Teknik
Informatika, atas bimbingan, kritik dan saran yang telah diberikan kepada
penulis.
6. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku dekan fakultas Sains dan
Teknologi, atas bimbingan, kritik dan saran yang telah diberikan kepada
penulis.
7. Seluruh dosen Teknik Informatika atas ilmu yang telah diberikan semasa
kuliah dan sangat membantu penulis dalam mengerjakan tugas akhir.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
8. Pemilik Bengkel Rejo, Mas Wawan, dan Mas Cuweng selaku pemilik
bengkel sepeda motor atas bantuannya terhadap penulis dalam
mengumpulkan data untuk penelitian ini serta membantu memberi informasi
yang dibutuhkan dalam penelitian ini.
9. Mas Yanuar, Mas Susilo dan Mas Danang selaku laboran Teknik
Informatika, atas bantuannya menyediakan tempat untuk mengerjakan tugas
akhir.
10. Bagus, Rio, Beny, Valen, Rifki, Agung, Be, Priska, Lukas, Tea, Kevin,
Dion dan teman-teman lainnya yang telah berjuang bersama serta saling
memberi dukungan semangat, doa dalam menyelesaikan penelitian ini.
11. Teman-teman Teknik Informatika 2011 Sanata Dharma, terima kasih atas
semangat dan perjuangan bersama yang telah kalian berikan kepada satu
sama lain.
12. Teman-temanku selain dari prodi TI, terima kasih atas dukungan yang telah
kalian berikan.
13. Semua pihak yang tidak dapat disebutkan satu per satu yang telah
membantu penulis dalam pengerjaan tugas akhir ini.
Penulis menyadari masih banyak kekurangan yang terdapat dalam laporan
tugas akhir ini. Saran dan kritik sangat diharapkan untuk hasil yang lebih baik di
masa mendatang. Akhir kata, penulis berharap tulisan ini dapat berguna bagi
perkembangan ilmu pengetahuan dan wawasan pembaca.
Penulis,
Yosep Dio Dewantara
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
1 HALAMAN JUDUL ...............................................................................................i
TITLE PAGE ......................................................................................................... ii
HALAMAN PERSETUJUAN ............................................................................. iii
HALAMAN PENGESAHAN ............................................................................... iv
MOTTO .................................................................................................................. v
PERNYATAAN KEASLIAN KARYA ............................................................... vi
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK
KEPENTINGAN AKADEMIS ........................................................................... vii
ABSTRAK ........................................................................................................... viii
ABSTRACT ........................................................................................................... ix
KATA PENGANTAR ............................................................................................ x
DAFTAR ISI ......................................................................................................... xii
DAFTAR TABEL ............................................................................................... xiv
DAFTAR GAMBAR ........................................................................................... xvi
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang .......................................................................................... 1
1.2 Rumusan Masalah ..................................................................................... 3
1.3 Tujuan ........................................................................................................ 3
1.4 Batasan Masalah ....................................................................................... 4
1.5 Sistematika Penulisan ............................................................................... 4
BAB II LANDASAN TEORI ............................................................................... 6
2.1 Mesin Sepeda Motor ................................................................................. 6
2.1.1 Kondisi Mesin Sepeda Motor Berdasarkan Suara .......................... 7
2.2 Daftar Istilah Resmi Dalam Mesin Sepeda Motor ............................... 11
2.3 Audio/Suara ............................................................................................. 12
2.4 Ekstraksi Ciri Sinyal Suara ................................................................... 13
2.4.1 Linear Predictive Coding (LPC) ...................................................... 13
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
2.5 Jaringan Syaraf Tiruan .......................................................................... 16
2.5.1 Jaringan Syaraf Tiruan Propagasi Balik / Back Propagation ...... 18
2.6 K-Fold Cross Validation ......................................................................... 24
2.7 Confusion Matrix .................................................................................... 24
BAB III METODOLOGI PENELITIAN ......................................................... 26
3.1 Data .......................................................................................................... 26
3.2 Perancangan Sistem ................................................................................ 31
3.2.1 Ekstraksi Ciri .................................................................................... 32
3.2.2 Pelatihan dan Pengujian Arsitektur JST ........................................ 36
3.2.3 Klasifikasi dan Uji Data Tunggal .................................................... 42
3.3 Kebutuhan Sistem ................................................................................... 43
3.4 Perancangan Atarmuka Sistem ............................................................. 44
BAB IV IMPLEMENTASI DAN ANALISIS HASIL ..................................... 47
4.1 Implementasi Sistem ............................................................................... 47
4.1.1 Visualisasi Proses Ekstraksi Ciri ..................................................... 47
4.1.2 Tampilan Antarmuka Aplikasi ........................................................ 54
4.2 Analisis Hasil Penelitian ......................................................................... 58
4.2.1 Pengujian Variasi Arsitektur Jaringan ........................................... 58
4.2.2 Pengujian Data Tunggal ................................................................... 94
BAB V PENUTUP ............................................................................................... 95
5.1 Kesimpulan .............................................................................................. 95
5.2 Saran ........................................................................................................ 95
DAFTAR PUSTAKA .......................................................................................... 96
LAMPIRAN ......................................................................................................... 97
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
DAFTAR TABEL
Tabel 2.1 Tabel Istilah-Istilah Resmi Dalam Mesin Sepeda Motor ...................... 11
Tabel 2.2 Confusion Matrix 2 Kelas (Tan, Steinbach, & Kumar, 2006) .............. 25
Tabel 3.1 Tabel Jumlah Data Hasil Ekstraksi Ciri ................................................ 36
Tabel 3.2 Five-Fold Cross Validation ................................................................... 37
Tabel 3.3 Jumlah Data Input Arsitektur Jaringan ................................................. 40
Tabel 4.1 Hasil Akurasi Seluruh Percobaan Pengujian ........................................ 60
Tabel 4.2 Confusion Matrix Percobaan Pengujian Orde 10, Jumlah Neuron
Hidden Layer 1 28 dan Hidden Layer 2 20 ........................................................... 62
Tabel 4.3 Hasil Akurasi Orde 8, Hidden Layer 1 ................................................. 64
Tabel 4.4 Hasil Akurasi Orde 8, Hidden Layer 2 ................................................. 65
Tabel 4.5 Hasil Akurasi Orde 8+, Hidden Layer 1 ............................................. 66
Tabel 4.6 Hasil Akurasi Orde 8+, Hidden Layer 2 ............................................. 67
Tabel 4.7 Hasil Akurasi Orde 8++, Hidden Layer 1 ...................................... 68
Tabel 4.8 Hasil Akurasi Orde 8++, Hidden Layer 2 ...................................... 69
Tabel 4.9 Hasil Akurasi Orde 10, Hidden Layer 1 ............................................... 70
Tabel 4.10 Hasil Akurasi Orde 10, Hidden Layer 2 ............................................. 71
Tabel 4.11 Hasil Akurasi Orde 10+, Hidden Layer 1 ......................................... 72
Tabel 4.12 Hasil Akurasi Orde 10+, Hidden Layer 2 ......................................... 73
Tabel 4.13 Hasil Akurasi Orde 10++, Hidden Layer 1 .................................. 74
Tabel 4.14 Hasil Akurasi Orde 10++, Hidden Layer 2 .................................. 75
Tabel 4.15 Hasil Akurasi Orde 12, Hidden Layer 1 ............................................. 76
Tabel 4.16 Hasil Akurasi Orde 12, Hidden Layer 2 ............................................. 77
Tabel 4.17 Hasil Akurasi Orde 12+, Hidden Layer 1 ......................................... 78
Tabel 4.18 Hasil Akurasi Orde 12+, Hidden Layer 2 ......................................... 79
Tabel 4.19 Hasil Akurasi Orde 12++, Hidden Layer 1 .................................. 80
Tabel 4.20 Hasil Akurasi Orde 12++, Hidden Layer 2 .................................. 81
Tabel 4.21 Hasil Akurasi Orde 14, Hidden Layer 1 ............................................. 82
Tabel 4.22 Hasil Akurasi Orde 14, Hidden Layer 2 ............................................. 83
Tabel 4.23 Hasil Akurasi Orde 14+, Hidden Layer 1 ......................................... 84
Tabel 4.24 Hasil Akurasi Orde 14+, Hidden Layer 2 ......................................... 85
Tabel 4.25 Hasil Akurasi Orde 14++, Hidden Layer 1 .................................. 86
Tabel 4.26 Hasil Akurasi Orde 14++, Hidden Layer 2 .................................. 87
Tabel 4.27 Hasil Akurasi Orde 16, Hidden Layer 1 ............................................. 88
Tabel 4.28 Hasil Akurasi Orde 16, Hidden Layer 2 ............................................. 89
Tabel 4.29 Hasil Akurasi Orde 16+, Hidden Layer 1 ......................................... 90
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
Tabel 4.30 Hasil Akurasi Orde 16+, Hidden Layer 2 ......................................... 91
Tabel 4.31 Hasil Akurasi Orde 16++, Hidden Layer 1 .................................. 92
Tabel 4.32 Hasil Akurasi Orde 16++, Hidden Layer 2 .................................. 93
Tabel 4.33 Hasil Pengujian Data Tunggal dan Validasi Teknisi Mesin Sepeda
Motor ..................................................................................................................... 94
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
DAFTAR GAMBAR
Gambar 2.1 Blok Silinder (Sutiman & Solikin, 2005) ............................................ 6
Gambar 2.2 Mesin Sepeda Motor (Sutiman & Solikin, 2005) ................................ 8
Gambar 2.3 Batang Piston/Stang Seher (Sutiman & Solikin, 2005)....................... 9
Gambar 2.4 Katup/Klep (Sutiman & Solikin, 2005)............................................. 10
Gambar 2.5 Rantai Kamprat (Sutiman & Solikin, 2005) ...................................... 10
Gambar 2.6 frame blocking (Khrisnadi, 2005) ..................................................... 14
Gambar 2.7 Ilustrasi Arsitektur Jaringan Lapis Tunggal (Siang, 2005) ............... 17
Gambar 2.8 Ilustrasi Arsitektur Jaringan Lapis Majemuk (Siang, 2005) ............. 18
Gambar 2.9 Ilustrasi Arsitektur Back Propagation (Siang, 2005) ........................ 19
Gambar 3.1 Proses Perekaman Suara Mesin Sepeda Motor ................................. 27
Gambar 3.2 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Normal
............................................................................................................................... 28
Gambar 3.3 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Rusak
Stang Seher ........................................................................................................... 29
Gambar 3.4 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Rusak
Klep ....................................................................................................................... 30
Gambar 3.5 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Rusak
Rantai Kamprat ..................................................................................................... 31
Gambar 3.6 Diagram Blok Sistem ........................................................................ 32
Gambar 3.7 Diagram Blok Proses Ekstraksi Ciri.................................................. 33
Gambar 3.8 Arsitektur JST 1 Hidden Layer ......................................................... 38
Gambar 3.9 Arsitektur JST 2 Hidden Layer ......................................................... 39
Gambar 3.10 Proses Klasifikasi dan Uji Data Tunggal ........................................ 42
Gambar 3.11 Tampilan Antarmuka Sistem .......................................................... 44
Gambar 4.1 Hasil Baca File Suara .wav ............................................................... 47
Gambar 4.2 Grafik Sinyal Data Suara Setelah Fungsi wavread() ......................... 48
Gambar 4.3 Data Hasil Proses Frame Blocking ................................................... 48
Gambar 4.4 Grafik Sinyal Data Hasil Proses Frame Blocking ............................. 49
Gambar 4.5 Data Hasil Proses Windowing .......................................................... 49
Gambar 4.6 Grafik Sinyal Data Hasil Proses Windowing .................................... 50
Gambar 4.7 Data Hasil Konversi .......................................................................... 50
Gambar 4.8 Data Hasil Proses Analisis Autokorelasi ........................................... 50
Gambar 4.9 Grafik Sinyal Data Hasil Proses Analisis Autokorelasi Orde 8 ........ 51
Gambar 4.10 Data Koefisien LPC Orde 8 ............................................................ 51
Gambar 4.11 Grafik Sinyal Data Koefisien LPC Orde 8 ...................................... 52
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
Gambar 4.12 Data Delta LPC Orde 8 ................................................................... 52
Gambar 4.13 Data Delta Delta LPC Orde 8 .......................................................... 52
Gambar 4.14 Data Gabungan Hasil Ekstraksi Ciri LPC Orde 8 ........................... 53
Gambar 4.15 Grafik Sinyal Data Gabungan Hasil Ekstraksi Ciri LPC Orde 8 .... 53
Gambar 4.16 Tampilan Menu Utama Aplikasi ..................................................... 54
Gambar 4.17 Tampilan Proses Ekstraksi Ciri LPC ............................................... 55
Gambar 4.18 Hasil Ekstraksi Ciri 200 Data Suara ................................................ 55
Gambar 4.19 Tampilan Proses Pelatihan dan Pengujian Arsitektur JST .............. 56
Gambar 4.20 Tampilan Pelatihan 2 Hidden Layer................................................ 56
Gambar 4.21 Tampilan Pelatihan 1 Hidden Layer................................................ 56
Gambar 4.22 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak
Katup/Klep ............................................................................................................ 57
Gambar 4.23 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Normal .... 57
Gambar 4.24 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak Rantai
Kamprat ................................................................................................................. 57
Gambar 4.25 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak Stang
Seher/Batang Piston .............................................................................................. 57
Gambar 4.26 Grafik Perubahan Hasil Akurasi Keseluruhan Percobaan ............... 61
Gambar 4.27 Grafik Perubahan Akurasi Orde 8, Hidden Layer 1 ........................ 64
Gambar 4.28 Grafik Perubahan Akurasi Orde 8, Hidden Layer 2 ........................ 65
Gambar 4.29 Grafik Perubahan Akurasi Orde 8+ , Hidden Layer 1 .................. 66
Gambar 4.30 Grafik Perubahan Akurasi Orde 8+ , Hidden Layer 2 .................. 67
Gambar 4.31 Grafik Perubahan Akurasi Orde 8++, Hidden Layer 1 ............ 68
Gambar 4.32 Grafik Perubahan Akurasi Orde 8++, Hidden Layer 2 ............ 69
Gambar 4.33 Grafik Perubahan Akurasi Orde 10, Hidden Layer 1 ...................... 70
Gambar 4.34 Grafik Perubahan Akurasi Orde 10, Hidden Layer 2 ...................... 71
Gambar 4.35 Grafik Perubahan Akurasi Orde 10+, Hidden Layer 1 ................. 72
Gambar 4.36 Grafik Perubahan Akurasi Orde 10+, Hidden Layer 2 ................. 73
Gambar 4.37 Grafik Perubahan Akurasi Orde 10++, Hidden Layer 1 .......... 74
Gambar 4.38 Grafik Perubahan Akurasi Orde 10++, Hidden Layer 2 .......... 75
Gambar 4.39 Grafik Perubahan Akurasi Orde 12, Hidden Layer 1 ...................... 76
Gambar 4.40 Grafik Perubahan Akurasi Orde 12, Hidden Layer 2 ...................... 77
Gambar 4.41 Grafik Perubahan Akurasi Orde 12+, Hidden Layer 1 ................. 78
Gambar 4.42 Grafik Perubahan Akurasi Orde 12+, Hidden Layer 2 ................. 79
Gambar 4.43 Grafik Perubahan Akurasi Orde 12++, Hidden Layer 1 .......... 80
Gambar 4.44 Grafik Perubahan Akurasi Orde 12++, Hidden Layer 2 .......... 81
Gambar 4.45 Grafik Perubahan Akurasi Orde 14, Hidden Layer 1 ...................... 82
Gambar 4.46 Grafik Perubahan Akurasi Orde 14, Hidden Layer 2 ...................... 83
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xviii
Gambar 4.47 Grafik Perubahan Akurasi Orde 14+, Hidden Layer 1 ................. 84
Gambar 4.48 Grafik Perubahan Akurasi Orde 14+, Hidden Layer 2 ................. 85
Gambar 4.49 Grafik Perubahan Akurasi Orde 14++, Hidden Layer 1 .......... 86
Gambar 4.50 Grafik Perubahan Akurasi Orde 14++, Hidden Layer 2 .......... 87
Gambar 4.51 Grafik Perubahan Akurasi Orde 16, Hidden Layer 1 ...................... 88
Gambar 4.52 Grafik Perubahan Akurasi Orde 16, Hidden Layer 2 ...................... 89
Gambar 4.53 Grafik Perubahan Akurasi Orde 16+, Hidden Layer 1 ................. 90
Gambar 4.54 Grafik Perubahan Akurasi Orde 16+, Hidden Layer 2 ................. 91
Gambar 4.55 Grafik Perubahan Akurasi Orde 16++, Hidden Layer 1 .......... 92
Gambar 4.56 Grafik Perubahan Akurasi Orde 16++, Hidden Layer 2 .......... 93
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
1 BAB I
PENDAHULUAN
1.1 Latar Belakang
Perkembangan ilmu pengetahuan dan teknologi meningkat dengan
cepat. Dalam ilmu pengetahuan dan teknologi khususnya pada bidang
komunikasi, pengolahan sinyal memiliki peranan yang sangat penting.
Penelitian yang intensif dalam bidang pengolahan sinyal menyebabkan
teknologi komunikasi berkembang sangat pesat. Salah satunya adalah
pengenalan suara. Konsep pengenalan suara dapat diterapkan dalam
beberapa bidang untuk menyelesaikan beberapa permasalahan. Diantaranya
yaitu pengenalan suara mesin kendaraan terutamanya mesin sepeda motor.
Terdapat berbagai macam pola suara mesin sepeda motor yang dapat
menunjukkan jenis kerusakan dari mesin sepeda motor. Masih banyak
masyarakat pengguna sepeda motor yang tidak mengerti kerusakan yang
terjadi pada mesin sepeda motor mereka, hingga menyebabkan mesin
sepeda motor semakin rusak karena dibiarkan begitu saja. Selain itu
kerusakan pada mesin sepeda motor sering terjadi akibat kelalaian dalam
melakukan perawatan. Untuk penggunaan sepeda motor yang baik,
diperlukan perawatan mesin sepeda motor secara berkala. Dalam melakukan
pengecekan dan perawatan mesin sepeda motor, para teknisi bengkel sering
kali lebih cepat mengetahui kerusakan yang terjadi pada sebuah mesin
sepeda motor hanya dengan mendengar suara mesin sepeda motor tersebut.
Hal ini mereka lakukan untuk mempercepat dalam mendiagnosa kerusakan
mesin sepeda motor tanpa harus membongkar mesin terlebih dahulu.
Pada tahun 2011, terdapat penelitian yang dilakukan oleh sekelompok
mahasiswa Teknik Elektro Universitas Jendral Soedirman, mengenai sistem
pendeteksian kerusakan mesin sepeda motor 4-langkah berbasis suara
menggunakan Support Vector Machine (SVM). Dari penelitian tersebut
diperoleh informasi bahwa kerusakan sepeda motor dapat dideteksi dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
baik melalui suara dan penggunaan SVM dalam proses identifikasi suara
mampu memberikan ketepatan pendeteksian hingga mencapai 100%
(Susilawati, dkk 2011). Pada tahun 2007, terdapat penelitian yang dilakukan
oleh sekelompok mahasiswa Teknik Elektro Sekolah Tinggi Teknologi
Telkom, mengenai pengenalan suara jantung menggunakan metode LPC
dan JST-BP. Dari penelitian tersebut diketahui bahwa metode ekstraksi ciri
menggunakan LPC memberikan hasil yang menjanjikan untuk pengenalan
suara secara otomatis, sehingga tingkat keberhasilan pada saat pendeteksian
semakin tinggi. Hal tersebut terbukti dengan nilai sensitivitas total untuk
klasifikasi 4 kelas TP adalah 96.55% (Anggraeni, dkk 2007). Pada tahun
2012, terdapat penelitian yang dilakukan oleh sekelompok mahasiswa
Teknik Elektro Universitas Diponegoro, mengenai Aplikasi Pencirian
Dengan Linear Predictive Coding Untuk Pembelajaran Pengucapan Nama
Hewan Dalam Bahasa Inggris Menggunakan Jaringan Syaraf Tiruan
Propagasi Balik. Dari penelitian tersebut di peroleh kesimpulan bahwa
metode Jaringan Syaraf Tiruan Propagasi Balik mampu untuk mengenali
pola suara dengan tingkat pengenalan yang tinggi, terbukti dengan
presentasi benar antara 80-99% (Rohman, dkk 2012).
Berdasarkan beberapa penelitian diatas, untuk mengatasi
permasalahan tentang identifikasi kerusakan mesin sepeda motor tersebut,
maka dalam penelitian ini akan dibuat sebuah aplikasi yang mampu untuk
mengidentifikasi kerusakan mesin sepeda motor berdasarkan suara mesin
dengan menggunakan fitur Linear Predictive Coding (LPC) untuk proses
ekstraksi ciri suara dan untuk pengenalan pola sinyal suara menggunakan
metode Jaringan Saraf Tiruan Back Propagation. Dengan adanya sistem ini
diharapkan dapat membantu masyarakat yang kurang mengerti dengan
mesin sepeda motor untuk dapat mengidentifikasi sendiri kerusakan mesin
sepeda motor mereka dan juga dapat membantu khususnya teknisi mesin
sepeda motor dalam mendiagnosa kerusakan mesin.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
1.2 Rumusan Masalah
Berdasarkan permasalahan yang diuraikan pada latar belakang diatas,
maka diperoleh rumusan masalah dari penelitian ini yaitu:
1. Bagaimana metode Jaringan Syaraf Tiruan Back Propagation mampu
untuk mengenali kerusakan mesin sepeda motor berdasarkan suara
mesin dengan cepat dan tepat.
2. Berapakah akurasi tertinggi yang dapat dihasilkan oleh metode Jaringan
Syaraf Tiruan Back Propagation dalam mengklasifikasikan suara mesin
sepeda motor.
Hasil ekstraksi ciri menggunakan fitur LPC diharapkan mampu untuk
menunjukkan perbedaan antar karakter masing-masing suara mesin, yang
dapat mempermudah metode Jaringan Syaraf Tiruan Back Propagation
dalam melakukan klasifikasi untuk setiap suara mesin sepeda motor.
1.3 Tujuan
Tujuan dari penelitian ini adalah membuat aplikasi yang mampu:
1. Melakukan ekstraksi ciri file suara mesin menggunakan fitur LPC untuk
mendapatkan perbedaan karakter suara pada masing-masing jenis
kerusakan mesin
2. Mengklasifikasikan file suara mesin berdasarkan jenis kerusakan mesin
menggunakan metode Jaringan Syaraf Tiruan Back Propagation.
Aplikasi ini kiranya akan sangat berguna dikemudian hari untuk
membantu masyarakat dan khususnya para teknisi mesin sepeda motor
dalam mendiagnosa awal kondisi mesin sepeda motor.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
1.4 Batasan Masalah
Untuk membahas topik yang lebih terarah dan terfokus pada tujuan
yang akan dicapai, maka batasan masalahnya adalah sebagai berikut :
1. Input data berupa file rekaman suara dalam bentuk format “.wav”
dengan frekuensi rate 44,100 hz, dengan panjang data suara selama 3
detik.
2. Proses pengidentifikasian kerusakan mesin sepeda motor dibagi
kedalam 4 jenis yaitu mesin sepeda motor normal, kerusakan katup/klep
sepeda motor, kerusakan rantai kamprat sepeda motor, dan kerusakan
batang piston/stang seher sepeda motor.
3. Mesin sepeda motor yang diidentifikasi yaitu mesin sepeda motor
bebek 4-tak non injeksi dan non matic, dengan tahun keluaran diatas
tahun 2000, volume silinder 110-150cc dan kondisi oli mesin serta
knalpot dalam keadaan normal/standard.
1.5 Sistematika Penulisan
Sistematika penulisan tugas akhir ini dibagi menjadi beberapa bab
dengan susunan sebagai berikut :
BAB I : PENDAHULUAN
Pada bab ini dijelaskan mengenai latar belakang masalah yang
mendorong dibangunnya sistem, rumusan masalah, tujuan dibangunnya
sistem, batasan masalah dalam dibangunnya sistem, dan sistematika
penulisan yang digunakan dalam menyelesaikan penelitian tugas akhir ini.
BAB II : LANDASAN TEORI
Pada bab ini akan diuraikan mengenai teori – teori dasar serta metode
yang digunakan dalam pembangunan sistem pada penelitian ini beserta
dengan teori – teori pendukung lainnya. Teori tersebut antara lain mengenai
teori Linear Predictive Coding (LPC) untuk ekstraksi ciri sinyal suara, dan
metode Jaringan Saraf Tiruan khususnya model Back Propagation untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
proses pengenalan pola sinyal suara, yang akan digunakan dalam
perancangan sistem.
BAB III : METODOLOGI PENELITIAN
Pada bab ini akan dibahas mengenai analisa dan perancangan hal – hal
atau komponen – komponen yang akan digunakan untuk melakukan
penelitian, serta perancangan sistem secara lengkap.
BAB IV : IMPLEMENTASI DAN ANALISA HASIL
Pada bab ini akan dijelaskan mengenai implementasi sistem, sarana
yang dibutuhkan, penerapan rancangan yang telah dibuat dalam suatu
program, cara pengoperasian sistem, hasil implementasi, serta analisis dan
evaluasi dari hasil implementasi.
BAB V : PENUTUP
Pada bab ini akan digambarkan kesimpulan dari seluruh penelitian dan
saran – saran yang diusulkan untuk pengembangan lebih lanjut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
2 BAB II
LANDASAN TEORI
Bab ini berisi penjabaran mengenai teori – teori yang mendukung dalam
penelitian ini. Teori – teori yang digunakan dalam penelitian ini yaitu teori mesin
sepeda motor, teori audio/suara, proses ekstraksi ciri sinyal suara menggunakan
fitur Linear Predictive Coding (LPC), metode untuk pengenalan pola sinyal suara
menggunakan Jaringan Saraf Tiruan khususnya model Back Propagation, teori K-
Fold Cross Validation, dan teori Confussion Matrix.
2.1 Mesin Sepeda Motor
Mesin merupakan penghasil tenaga pada suatu kendaraan bermotor,
termasuk sepeda motor. Sepeda motor adalah kendaraan beroda dua yang
digerakkan oleh sebuah mesin. Letak kedua roda sebaris lurus dan pada
kecepatan tinggi sepeda motor tetap stabil disebabkan oleh gaya giroskopik.
Mesin mempunyai komponen utama berupa silinder blok, silinder kop,
dan karter (khusus motor 4 tak). Masing-masing komponen tersebut,
terutama pada komponen pertama dan kedua masih dapat dirinci lagi
menjadi beberapa sub-komponen. Di samping itu, masing-masing
komponen tersebut di atas mempunyai fungsi tertentu, sesuai dengan cara
kerja suatu motor. Salah satu komponen dalam mesin sepeda motor yaitu
blok silinder. Blok silinder bisa dikatakan bagian yang penting pada suara
mesin. Blok silinder tempat piston bergerak bolak balik dan tempat
beberapa komponen kelistrikan dipasangkan (Sutiman & Solikin, 2005).
Gambar 2.1 Blok Silinder (Sutiman & Solikin, 2005)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
Selain itu, terdapat komponen-komponen yang disebut komponen
bergerak, yang mempengaruhi suara dari mesin sepeda motor. Diantaranya
piston, ring piston, batang piston, poros engkol (crankshaft), katup/klep, dan
rantai kamprat (Sutiman & Solikin, 2005). Suara yang ditimbulkan oleh
bergeraknya komponen-komponen tersebut dapat menunjukkan kondisi dari
mesin sepeda motor tersebut. Jika mesin sepeda motor dalam kondisi
normal maka suara mesin menunjukkan seluruh komponen bekerja dengan
baik, namun apabila terjadi kerusakan terhadap beberapa komponen, maka
akan timbul suara-suara yang berbeda dari komponen tersebut. Berikut
beberapa kondisi mesin sepeda motor berdasarkan perbedaan suara
bergeraknya komponen-komponen dalam mesin sepeda motor.
2.1.1 Kondisi Mesin Sepeda Motor Berdasarkan Suara
Secara umum, berbagai macam cara dapat dilakukan untuk
mengetahui kondisi dari mesin sepeda motor. Beberapa cara yang
dapat dilakukan antara lain dengan langsung mengecek mesin sepeda
motor dengan membongkar langsung mesin atau hanya dengan
mendengar suara mesin sepeda motor tersebut. Kebanyakan yang
dilakukan oleh para teknisi bengkel dan masyarakat yang mengerti
akan mesin sepeda motor adalah dengan mendengar langsung suara
mesin sepeda motor. Hal tersebut dikarenakan lebih mudah dan
cepat untuk mendiagnosa kerusakan yang terjadi pada mesin sepeda
motor. Berbagai macam alat dapat digunakan untuk membantu
dalam mengidentifikasi kerusakan mesin sepeda motor secara
manual melalui suara, diantaranya adalah menggunakan stetoskop
mekanik hingga menggunakan batang besi ataupun obeng yang
ditempelkan langsung ke mesin sepeda motor dan ke telinga
manusia.
Dari banyaknya kondisi pada mesin sepeda motor, terdapat
beberapa jenis suara yang sering diidentifikasi melalui suara mesin,
diantaranya sebagai berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
2.1.1.1 Mesin Sepeda Motor Normal
Apabila kondisi mesin sepeda motor dalam keadaan
normal, maka suara mesin akan terasa halus tanpa ada
bunyi – bunyian yang mengganggu (noise) ketika mesin
dinyalakan hingga rpm menunjuk angka 3000rpm. Tidak
terdapat suara kasar yang timbul dari bergeraknya
komponen-komponen dalam mesin sepeda motor (Sutiman
& Solikin, 2005).
Gambar 2.2 Mesin Sepeda Motor (Sutiman & Solikin, 2005)
2.1.1.2 Kerusakan Batang Piston/Stang Seher Pada Mesin
Sepeda Motor
Batang piston sering juga disebut dengan setang
seher, berfungsi menghubungkan piston dengan poros
engkol. Batang piston meneruskan gerakan piston ke poros
engkol, dimana gerak bolak-balik piston dalam ruang
silinder diteruskan oleh batang piston menjadi gerak putaran
(rotary) pada poros engkol. Ini berarti jika piston bergerak
naik turun, poros engkol akan berputar. Dalam pergerakan
batang piston timbul suara yang menandakan poros engkol
sedang berputar. Dalam keadaan normal suara yang timbul
akan terdengar halus, namun apabila batang piston dalam
keadaan longgar atau bahkan patah, maka akan muncul
suara berisik pada mesin. Hal ini menandakan mesin sepeda
motor dalam keadaan rusak (Sutiman & Solikin, 2005).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
Gambar 2.3 Batang Piston/Stang Seher (Sutiman & Solikin, 2005)
2.1.1.3 Kerusakan Katup/Klep Pada Mesin Sepeda Motor
Katup digerakkan oleh mekanisme katup, yang terdiri
atas poros cam, batang penekan, pegas penutup, dan rol
baut penyetel. Katup pada motor empat langkah (4 tak)
terpasang pada kepala silinder. Tugas katup untuk
membuka dan menutup ruang bakar. Setiap silinder
dilengkapi dengan dua jenis katup (hisap dan buang).
Fungsi katup sebenarnya untuk memutuskan dan
menghubungkan ruang silinder di atas piston dengan udara
luar pada saat yang dibutuhkan. Karena proses pembakaran
gas dalam silinder mesin harus berlangsung dalam ruang
bakar yang tertutup rapat. Jika sampai terjadi kebocoran gas
meski sedikit, maka proses pembakaran akan terganggu.
Oleh karenanya katup-katup harus tertutup rapat pada saat
pembakaran gas berlangsung. Setelan katup yang sudah
longgar bisa menyebabkan suara mesin sepeda motor
terdengar berisik. Suara berisik akan semakin terdengar
ketika putaran gas semakin ditinggikan. Selain itu, setelan
katup yang lemah juga menjadi penanda kerusakan suatu
mesin sepeda motor (Sutiman & Solikin, 2005).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
Gambar 2.4 Katup/Klep (Sutiman & Solikin, 2005)
2.1.1.4 Kerusakan Rantai Kamprat Pada Mesin Sepeda Motor
Agar pembukaan katup-katup sesuai dengan proses
yang terjadi dalam ruang bakar maka mekanisme
pembukaan dan penutupan katup-katup tersebut digerakkan
oleh putaran poros engkol. Ada tiga macam mekanisme
penggerak katup, yaitu dengan batang pendorong, roda gigi,
dan rantai kamprat. Rantai kamprat sepeda motor harus
dipasang dengan tegangan yang cukup. Rantai kamprat
yang terlalu tegang akan menimbulkan bunyi mendesing
terutama pada putaran tinggi sedangkan rantai kamprat yang
terlalu kendor akan menimbulkan suara berisik. Jika
kekencangan rantai berubah-ubah, akan berpengaruh pada
putaran mesin, valve timing atau saat pengapian akan
berubah-ubah pula. Oleh sebab itu, suara berisik pada rantai
kamprat dapat menunjukkan kerusakan pada mesin
(Sutiman & Solikin, 2005).
Gambar 2.5 Rantai Kamprat (Sutiman & Solikin, 2005)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
2.2 Daftar Istilah Resmi Dalam Mesin Sepeda Motor
Berikut ini beberapa kata atau istilah penting dalam mesin sepeda
motor yang disesuaikan dengan bahasa yang digunakan oleh teknisi mesin
secara umum (Sutiman & Solikin, 2005).
Tabel 2.1 Tabel Istilah-Istilah Resmi Dalam Mesin Sepeda Motor
Istilah Keterangan
CC Cubic Capacity (Kapasitas Kubik), satuan yang
digunakan untuk mengukur mesin.
Knalpot
Pipa dibagian belakang motor tempat membuang
gas-gas beracun yang terbentuk saat bensin
dibakar. Knalpot juga digunakan untuk
mengurangi kebisingan mesin.
RPM Revolution Per Minute, banyaknya putaran pada
mesin dalam satu menit.
Silinder
Bagian dari mesin dimana bahan bakar diolah
untuk menjadi tenaga untuk menjalankan sepeda
motor
Seher Piston atau torak.
Stang Seher
Connecting Rod (Batang Piston), adalah
penghubung antara piston dan poros engkol,
yang berfungsi untuk mengubah gerakan bolak
balik piston menjadi gerak putar.
Poros Engkol
Crankshaft, berfungsi meneruskan daya yang
didapat dari piston ke penggerak roda. Disinilah
putaran mesin terjadi.
Rantai Kamprat
Timing Chain (Rantai Keteng), berfungsi untuk
memutar camshaft sehingga didapat pembukaan
dan penutupan katup dengan waktu yang tepat
sesuai putaran mesin dan langkah kerja mesin.
Poros Kam Camshaft, berfungsi untuk mengatur gerakan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
valve (gerakan membuka dan menutup).
Klep
Valve (Katup), berfungsi untuk mengatur keluar
masuk udara dan bahan bakar kedalam dan
keluar silinder.
2.3 Audio/Suara
Audio atau suara merupakan gelombang yang mengandung sejumlah
komponen penting (amplitudo, panjang gelombang dan frekuensi) yang
dapat menyebabkan suara yang satu berbeda dari suara lain. Amplitudo
adalah kekuatan atau daya gelombang sinyal. Tinggi gelombang bisa dilihat
dalam sebuah grafik. Gelombang yang lebih tinggi diinterpretasikan sebagai
volume yang lebih tinggi. Suara beramplitudo lebih besar akan terdengar
lebih keras. Frekuensi adalah jumlah dari siklus yang terjadi dalam satu
detik. Satuan dari frekuensi adalah Hertz atau disingkat Hz. Getaran
gelombang suara yang cepat membuat frekuensi semakin tinggi. Misalnya,
bila menyanyi dalam pita suara tinggi memaksa tali suara untuk bergetar
secara cepat. Suara dengan frekuensi lebih besar akan terdengar lebih tinggi.
Gelombang suara adalah gelombang yang dihasilkan dari sebuah
benda yang bergetar. Sebagai contoh, senar gitar yang dipetik, gitar akan
bergetar dan getaran ini merambat di udara, atau air, atau material lainnya.
Satu-satunya tempat dimana suara tak dapat merambat adalah ruangan
hampa udara. Gelombang suara ini memiliki lembah dan bukit, satu buah
lembah dan bukit akan menghasilkan satu siklus atau periode. Siklus ini
berlangsung berulang-ulang, yang membawa pada konsep frekuensi.
Telinga manusia dapat mendengar bunyi antara 20 Hz hingga 20 kHz
(20.000 Hz) sesuai batasan sinyal audio. Karena pada dasarnya sinyal suara
adalah sinyal yang dapat diterima oleh telinga manusia. Angka 20 Hz
sebagai frekuensi suara terendah yang dapat didengar, sedangkan 20 KHz
merupakan frekuensi tertinggi yang dapat didengar. Gelombang suara
bervariasi sebagaimana variasi tekanan media perantara seperti udara. Suara
diciptakan oleh getaran dari suatu obyek, yang menyebabkan udara
disekitarnya bergetar. Getaran udara ini kemudian menyebabkan gendang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
telinga manusia bergetar, yang kemudian oleh otak dianggap sebagai suara
(Sutara, 2014).
2.4 Ekstraksi Ciri Sinyal Suara
Untuk mengekstraksi sinyal dari suara mesin sepeda motor, dalam
penelitian ini digunakan fitur Linear Predictive Coding (LPC). Proses ini
merupakan tahapan penting dalam klasifikasi suara mesin sepeda motor.
Dari proses ini akan diperoleh ciri sinyal suara untuk membedakan tiap jenis
suara mesin berdasarkan orde yang ditentukan. Berikut ini teori mengenai
fitur LPC.
2.4.1 Linear Predictive Coding (LPC)
Linear Predictive Coding (LPC) merupakan salah satu teori
dalam digital signal processing. Linear Predictive Coding (LPC)
secara sederhana adalah suatu sistem pengkodean (coding) untuk
mengkodekan sinyal menjadi suatu sistem kode tertentu. Sistem
kode ini adalah pemodelan dari sinyal suara tersebut dalam bentuk
yang lain. Jadi, dari sinyal suara yang mula-mula berupa amplitudo
berbasis time domain, diubah menjadi model tertentu. Model yang
dihasilkan ini adalah berupa koefisien-koefisien filter synthesizer
setelah melalui tahapan-tahapan pada proses LPC.
Prinsip dasar dari ekstraksi ciri sinyal dengan menggunakan
LPC adalah bahwa contoh sinyal ucapan s(n) pada waktu ke-n dapat
diperkirakan sebagai kombinasi linear p sampel sinyal ucapan
sebelumnya yaitu :
s(n) ≈ 𝑎1s(n − 1) + 𝑎2s(n − 2) + ⋯ + 𝑎𝑝s(n − p) (2.1)
dimana, koefisien 𝑎1, 𝑎2, … , 𝑎𝑝 diasumsikan konstan untuk satu
frame analisa sinyal suara (Khrisnadi, 2005).
Langkah-langkah proses analisis LPC untuk mendapatkan
koefisien LPC pada proses ekstraksi ciri sinyal suara, yang
digunakan dalam penelitian ini adalah sebagai berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
1. Frame Blocking
Sinyal suara yang telah dimasukkan diblok atau dibagi ke
dalam beberapa frame yang terdiri dari N-sampel suara, dengan
jarak antara frame yang berdekatan dipisahkan oleh M-sampel.
Jika M ≤ N, maka beberapa frame yang berdekatan akan saling
overlap dan hasil estimasi spektral LPC akan berkorelasi dari
frame ke frame. Sebaliknya, jika M > N, maka tidak akan ada
overlap antara frame yang berdekatan sehingga beberapa isyarat
sinyal suara akan hilang total.
Sebagai contoh, setiap frame 30 ms dengan overlap pada 20 ms.
Gambar 2.6 frame blocking (Khrisnadi, 2005)
2. Windowing
Windowing digunakan untuk mengurangi discontinuitas
sinyal pada awal dan akhir frame. Windowing dilakukan pada
setiap frame yang didapat dari frame blocking. Teknik
windowing yang biasa digunakan adalah “Hamming Window”
dengan persamaan :
𝑤(𝑛) = 0,54 − 0,46𝑐𝑜𝑠 (2𝜋𝑛
𝑁−1) , 0 ≤ 𝑛 ≤ 𝑁 − 1 (2.2)
Jika window didefinisikan sebagai w(n), maka hasil dari
penjendelaan sinyal adalah :
�̃�1(𝑛) = �̃�(𝑛)𝑤(𝑛), 0 ≤ 𝑛 ≤ 𝑁 − 1 … … …. (2.3)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
3. Analisis Autokorelasi
Setiap frame dari sinyal setelah melalui proses windowing,
kemudian dikonversi menjadi sebuah matriks 1 x (panjang 1
frame). Lalu dilakukan analisis autokorelasi dengan rumus
sebagai berikut :
𝑟1(𝑚) = ∑ �̃�1(𝑛)�̃�1(𝑛 + 𝑚)𝑁−1−𝑚𝑛=0 , 𝑚 = 0,1, … 𝑝 (2.4)
Dengan nilai autokorelasi tertinggi p adalah orde LPC. Nilai p
biasanya antara 8 sampai 16.
4. Analisis LPC
Proses selanjutnya adalah analisis LPC, yang mengubah
hasil dari analisis autokorelasi p+1 ke dalam bentuk parameter-
parameter LPC atau yang biasa disebut dengan koefisien LPC.
Metode yang biasa digunakan dalam analisis LPC ini adalah
metode Levinson-Durbin yang mempunyai algoritma sebagai
berikut (Rohman dkk, 2012) :
𝐸(0) = 𝑟(0) (2.5)
𝑘𝑖 ={𝑟(𝑖)−∑ 𝛼𝑗
(𝑖−1)𝑟(|𝑖−𝑗|)𝐿−1
𝑗−1 }
𝐸(𝑖−1) , 1 ≤ 𝑖 ≤ 𝑝 (2.6)
𝛼𝑖(𝑖)
= 𝑘𝑖 (2.7)
𝛼𝑗(𝑖)
= 𝛼𝑗(𝑖−1)
− 𝑘𝑖𝛼𝑖−𝑗(𝑖−𝑗)
, 1 ≤ 𝑗 ≤ 𝑖 − 1 (2.8)
𝐸(𝑖) = (1 − 𝑘𝑖2)𝐸(𝑖−1) (2.9)
Dengan menyelesaikan persamaan 2.5 sampai 2.9 secara
rekursif untuk i = 1,2,….,p , koefisien LPC diperoleh sebagai
berikut :
𝛼𝑚 = 𝛼𝑚(𝑝)
, 1 ≤ 𝑚 ≤ 𝑝 (2.10)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
5. Nilai delta () dari Koefisien LPC
Hasil dari koefisien LPC kemudian dicari nilai delta-nya
dengan menghitung nilai turunannya. Untuk menghitung nilai
delta-nya digunakan persamaan berikut ini (Ellis, 2003):
∆𝑦𝑡 = 𝑦(𝑡+𝐷) − 𝑦(𝑡−𝐷) (2.11)
Dimana D mewakili jumlah dari frame untuk menutup
kedua sisi frame saat ini dan dengan demikian dapat mengontrol
window Y dengan pembedaan operasi. D diset bernilai 1 atau 2.
ΔYt adalah koefisien delta yang dihitung dari frame t untuk
vektor fitur LPC. Nilai dari delta diatas akan diturunkan lagi
menjadi nilai delta delta. Berikut ini adalah persamaannya :
∆∆𝑦𝑡 = ∆𝑦(𝑡+𝐷) − ∆𝑦(𝑡−𝐷) (2.12)
Hasil dari perhitungan delta dan delta delta akan
ditambahkan ke vector ciri yang sudah berisi koefisien LPC tadi,
sehingga menghasilkan vector ciri yang lebih besar.
2.5 Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan adalah sistem pemrosesan informasi yang
memiliki karakteristik mirip dengan jaringan syaraf biologis (Siang, 2005).
Jaringan Syaraf Tiruan dibentuk sebagai generalisasi model
matematika dari jaringan syaraf biologis, dengan asumsi bahwa :
1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-
penghubung.
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi
(biasanya bukan fungsi linier) yang dikenakan pada jumlahan input
yang diterima. Besarnya output ini selanjutnya dibandingkan dengan
suatu batas ambang.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Jaringan Syaraf Tiruan ditentukan oleh 3 hal:
1. Pola hubungan antar neuron (arsitekstur jaringan).
2. Metode untuk menentukan bobot penghubung.
3. Fungsi aktivasi.
Arsitekstur Jaringan merupakan salah satu hal penting dalam Jaringan
Syaraf Tiruan. Berikut ini beberapa arsitektur jaringan yang sering
digunakan dalam Jaringan Syaraf Tiruan :
1. Jaringan Lapis Tunggal
Dalam jaringan ini, sekumpulan input neuron dihubungkan
langsung dengan sekumpulan output-nya. Dalam jaringan lapis tunggal,
bobot satu unit keluaran tidak mempengaruhi bobot unit keluaran
lainnya.
Gambar 2.7 Ilustrasi Arsitektur Jaringan Lapis Tunggal (Siang, 2005)
Pada gambar 2.7 terdapat n unit input (𝑥1, 𝑥𝑖, … , 𝑥𝑛) dan m buah
unit output (𝑌1, 𝑌𝑗 , … , 𝑌𝑚). Kemudian (𝑤11, 𝑤𝑗1, … , 𝑤𝑚) menyatakan
bobot hubungan antara unit ke-i dalam input dengan unit ke-j dalam
output. Selama proses pelatihan, bobot-bobot tersebut akan
dimodifikasi untuk memperoleh keakuratan hasil yang maksimal.
2. Jaringan Lapis Majemuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
Jaringan lapis majemuk merupakan perluasan dari jaringan lapis
tunggal. Dalam jaringan lapis majemuk, selain unit input dan output,
ada pula unit lain, yang berada diantara unit input dan output (sering
disebut lapis tersembunyi). Dalam jaringan ini dimungkinkan ada
beberapa lapis tersembunyi. Unit dalam satu layar tidak saling
berhubungan.
Gambar 2.8 Ilustrasi Arsitektur Jaringan Lapis Majemuk (Siang, 2005)
Pada gambar 2.8 terdapat n buah unit input (𝑥1, 𝑥𝑖 , … , 𝑥𝑛) dan m
buah unit output (𝑌1, 𝑌𝑗 , … , 𝑌𝑚), sebuah lapis tersembunyi yang terdiri
dari p buah unit (𝑧1, … , 𝑧𝑝). Jaringan ini dapat menyelesaikan masalah
yang lebih kompleks.
2.5.1 Jaringan Syaraf Tiruan Propagasi Balik / Back Propagation
Jaringan Syaraf Tiruan Back Propagation pada umumnya
membandingkan perhitungan keluaran Jaringan Syaraf Tiruan
dengan target keluaran dan menghitung nilai error untuk setiap unit
jaringan. Back Propagation adalah salah satu algoritma yang
menggunakan metode terawasi (supervised learning), dan termasuk
jaringan MLP (Multi Layer Perceptron) / Jaringan Lapis Majemuk.
Metode ini merupakan salah satu metode yang sangat baik dalam
menangani masalah pengenalan pola-pola kompleks. Di dalam
jaringan ini, setiap unit yang berada di lapisan input berhubungan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
dengan setiap unit yang ada di lapisan tersembunyi. Sedangkan
setiap unit di lapisan tersembunyi berhubungan dengan setiap unit di
lapisan output.
Dalam pola pelatihannya, jaringan ini akan diberi input-an
yang akan diteruskan ke dalam layar tersembunyi dan menuju hingga
output. Ketika hasil keluaran ternyata tidak sesuai dengan harapan
maka keluaran akan kembali disebarkan mundur (backward) pada
lapisan tersembunyi hingga menuju input. Tahap selanjutnya adalah
dengan melakukan perubahan bobot. Iterasi ini terus dilakukan
hingga ditemukan penyelesaian yang optimal (Siang, 2005).
1. Arsitektur Back Propagation
Gambar 2.9 Ilustrasi Arsitektur Back Propagation (Siang, 2005)
Gambar 2.9 merupakan arsitektur jaringan syaraf tiruan
back propagation dengan n buah input ditambah sebuah bias,
sebuah lapis tersembunyi yang terdiri dari p unit ditambah
sebuah bias, dan sebuah lapis unit keluaran.
2. Fungsi Aktivasi
Dalam jaringan syaraf tiruan back propagation, fungsi
aktivasi yang dipakai harus memenuhi beberapa syarat, yaitu :
kontinu, terdeferensial dengan mudah dan merupakan fungsi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat
tersebut sehingga sering dipakai adalah fungsi sigmoid biner
yang memiliki range (0,1).
𝑓(𝑥) =1
1+𝑒−𝑥 dengan turunan 𝑓′(𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥)) (2.13)
Fungsi lain yang sering dipakai adalah sigmoid bipolar
dengan range (-1,1).
𝑓(𝑥) =2
1+𝑒−𝑥 − 1 dengan turunan 𝑓′(𝑥) =(1+𝑓(𝑥))(1−𝑓(𝑥))
2 (2.14)
Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk
pola yang targetnya > 1, pola masukkan dan keluaran harus
terlebih dahulu ditransformasi sehingga semua polanya memiliki
range yang sama seperti fungsi sigmoid yang dipakai. Alternatif
lain adalah menggunakan fungsi aktivasi sigmoid hanya pada
lapis yang bukan lapis keluaran. Pada lapis keluaran, fungsi
aktivasi yang dipakai adalah fungsi identitas : 𝑓(𝑥) = 𝑥.
3. Proses Pelatihan Back Propagation
Proses Pelatihan Jaringan Syaraf Tiruan Back Propagation
terdiri dari 3 proses yaitu propagasi maju, propagasi mundur,
perubahan bobot. Ketiga proses tersebut diulang-ulang sampai
kondisi penghentian terpenuhi. Umumnya penghentian yang
dipakai adalah iterasi dan error. Iterasi akan dihentikan jika
iterasi melebihi iterasi yang ditentukan. Atau jika error sudah
lebih kecil dari yang ditentukan.
1. Propagasi Maju
Selama propagasi maju, sinyal masukkan (= 𝑥𝑖)
dipropagasikan ke lapis tersembunyi menggunakan fungsi
aktivasi yang ditentukan. Keluaran dari setiap unit lapis
tersembunyi (= 𝑧𝑗) tersebut selanjutnya dipropagasikan
maju lagi ke lapis tersembunyi di atasnya. Demikian
seterusnya hingga mendapatkan luaran jaringan (= 𝑦𝑘).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Berikutnya, luaran jaringan (= 𝑦𝑘) dibandingkan
dengan target yang harus dicapai (= 𝑡𝑘). Selisih 𝑡𝑘 − 𝑦𝑘
adalah error yang terjadi. Jika nilai error lebih kecil dari
yang telah ditentukan, maka iterasi dihentikan, jika tidak,
maka bobot setiap garis dimodifikasi untuk mengurangi
error yang terjadi.
2. Propagasi Mundur
Berdasarkan error 𝑡𝑘 − 𝑦𝑘, dihitung faktor 𝛿𝑘(𝑘 =
1,2, … , 𝑚) yang dipakai untuk mendistribusikan error di
unit 𝑦𝑘 ke semua unit tersembunyi yang terhubung langsung
dengan 𝑦𝑘. 𝛿𝑘 juga dipakai untuk mengubah bobot garis
yang berhubungan langsung dengan unit luaran.
Dengan cara yang sama, dihitung faktor 𝛿𝑗 di setiap
unit lapis tersembunyi sebagai dasar perubahan bobot
semua garis yang berasal dari unit tersembunyi di
bawahnya. Demikian seterusnya hingga semua faktor 𝛿 di
unit tersembunyi yang berhubungan langsung dengan unit
masukkan dihitung.
3. Perbaikan Bobot
Setelah semua faktor 𝛿 dihitung, bobot semua garis
dimodifikasi bersamaan. Perubahan bobot suatu garis
didasarkan atas faktor 𝛿 neuron di lapis atasnya.
Algoritma pelatihan untuk jaringan dengan satu layar
tersembunyi (dengan fungsi aktifasi sigmoid biner) adalah sebagai
berikut (Siang, 2005) :
Langkah 0: Inisialisasi semua bobot dengan bilangan acak kecil.
Langkah 1: jika kondisi penghentian belum terpenuhi maka lakukan
langkah 2-9.
Langkah 2: untuk setiap pasang data pelatihan, lakukan langkah 3-8
Fase I : Propagasi Maju
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Langkah 3: tiap unit masukan menerima sinyal kemudian
meneruskan ke unit tersembunyi di atasnya.
Langkah 4: hitung semua keluaran di unit tersembunyi 𝑧𝑗 (j = 1, 2,
… , p)
𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗𝑜 + ∑ 𝑥𝑖𝑣𝑗𝑖𝑛𝑖=1 (2.15)
𝑧𝑗 = 𝑓(𝑧_𝑛𝑒𝑡𝑗) (2.16)
Langkah 5: hitung semua keluaran di unit tersembunyi 𝑦𝑘 (k = 1, 2,
… , m).
𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘𝑜 + ∑ 𝑧𝑗𝑤𝑘𝑗𝑛𝑗=1 (2.17)
𝑧𝑗 = 𝑓(𝑦_𝑛𝑒𝑡𝑘) (2.18)
Fase II : Propagasi Mundur
Langkah 6: hitung faktor 𝛿𝑘 unit keluaran berdasarkan error setiap
unit keluaran 𝑦𝑘 (k = 1, 2, … , m).
𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘)𝑦𝑘(1 − 𝑦𝑘) (2.19)
Hitung suku perubahan bobot 𝑤𝑘𝑗 dengan laju percepatan 𝛼
∆𝑤𝑘𝑗 = 𝛼𝛿𝑘𝑧𝑗 ; 𝑘 = 1, 2, … , 𝑚;𝑗 = 0, 1, … , 𝑝 (2.20)
Langkah 7: hitung faktor 𝛿 unit tersembunyi berdasarkan error di
setiap unit tersembunyi 𝑧𝑗 = (𝑗 = 1,2, … , 𝑝)
𝛿_𝑛𝑒𝑡𝑖 = ∑ 𝛿𝑘𝑤𝑘𝑗𝑚𝑘=1 (2.21)
𝛿𝑖 = 𝛿_𝑛𝑒𝑡𝑖𝑧𝑗(1 − 𝑧𝑗) (2.22)
Hitung suku perubahan bobot 𝑣𝑗𝑖
∆𝑣𝑗𝑖 = 𝛼𝛿𝑖𝑥𝑖 ; = 1,2, … , 𝑝 ; 𝑖 = 0,1, … , 𝑛 (2.23)
Fase III : Perubahan Bobot
Langkah 8: Hitung semua perubahan bobot
Perubahan bobot garis yang menuju ke unit keluaran:
𝑤𝑘𝑗(𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗(𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 (𝑘 = 1,2, … , 𝑚 ; 𝑗 = 0,1, … , 𝑝) (2.24)
Perubahan bobot garis yang menuju ke unit tersembunyi:
𝑣𝑗𝑖(𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖(𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 (𝑗 = 1,2, … , 𝑝 ; 𝑖 = 0,1, … , 𝑛) (2.25)
Langkah 9: bandingkan kondisi penghentian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Jaringan Syaraf Tiruan Back Propagation memiliki kelemahan
tentang berapa epoch yang harus dilalui untuk memperoleh hasil
yang diinginkan.
Faktor-faktor penting dari Jaringan Syaraf Tiruan Back
Propagation agar jaringan bekerja dengan maksimal adalah:
1. Pemilihan Bobot dan Bias Awal
Nguyen dan widrow (1990) mengusulkan cara membuat
inisialisasi bobot dan bias ke unit tersembunyi sehingga
menghasilkan iterasi yang lebih cepat.
Misal:
n = jumlah unit masukan
p = jumlah unit tersembunyi
𝛽 = factor skala = 0.7 √𝑝𝑛
Algoritma inisialisasi:
Langkah 1: Inisisalisasi semua bobot (𝑣𝑗𝑖(𝑙𝑎𝑚𝑎)) dengan
bilangan acak dalam interval [-0.5, 0.5].
Langkah 2: hitung ‖𝑣𝑗‖ = √𝑣𝑗12 + 𝑣𝑗2
2 + ⋯ + 𝑣𝑗𝑛2 (2.26)
Langkah 3: bobot yang dipakai sebagai inisialisasi = 𝑣𝑗𝑖 =
𝛽𝑣𝑗𝑖(𝑙𝑎𝑚𝑎)
‖𝑣𝑗‖ (2.27)
Langkah 4: bias yang dipakai sebagai inisialisasi = 𝑣𝑗0 =
bilangan acak antara – 𝛽 dan 𝛽.
2. Jumlah Unit Tersembunyi
Jaringan dengan sebuah lapis tersembunyi sudah cukup
bagi Jaringan Syaraf Tiruan Back Propagation untuk mengenali
sembarang kelas antara masukan dan target dengan tingkat
ketelitian yang ditentukan.
Jika jaringan memiliki lebih dari 1 lapis tersembunyi maka
algoritma pelatihan perlu direvisi. Dalam Fase I, keluaran harus
dihitung untuk tiap lapis, dimulai dari lapis tersembunyi paling
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
bawah. Kemudian dalam fase II, faktor 𝛿 perlu dihitung untuk
tiap lapis tersembunyi, dimulai dari lapis keluaran.
3. Jumlah Pola Pelatihan
Jumlah pola pelatihan ditentukan oleh banyaknya bobot
dan tingkat akurasi yang diinginkan.
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑜𝑙𝑎 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑜𝑏𝑜𝑡
𝑡𝑖𝑛𝑔𝑘𝑎𝑡 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 (2.28)
2.6 K-Fold Cross Validation
K-Fold Cross Validation adalah metode yang digunakan dalam proses
pengujian klasifikasi data. Data dibagi menjadi k bagian kemudian bagian
satu dan bagian yang lain ditukar-tukar sebanyak k (Tan, Steinbach, &
Kumar, 2006).
Sebagai contoh data dibagi menjadi 2 bagian dengan jumlah yang
sama. Pertama, data bagian 1 digunakan sebagai data pelatihan dan data
bagian 2 digunakan sebagai data pengujian. Kedua, data bagian 2 digunakan
sebagai data pelatihan dan data bagian 1 digunakan sebagai data pengujian.
Contoh ini disebut sebagai 2-Fold Cross Validation.
K-Fold Cross Validation menjadikan data pelatihan dan pengujian
tidak sama. Data pelatihan tidak digunakan sebagai data pengujian.
2.7 Confusion Matrix
Data pelatihan dan pengujian merupakan data yang berbeda sehingga
klasifikasi dapat diuji dengan benar. Nilai akurasi berdasarkan hasil
klasifikasi dihitung dari jumlah data yang dikenali sesuai dengan target
kelasnya. Perhitungan akurasi pada klasifikasi data dihitung menggunakan
tabel yang bernama Confusion Matrix (Tan, Steinbach, & Kumar, 2006).
Pada tabel 2.2 merupakan Confusion Matrix untuk klasifikasi 2 kelas.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Tabel 2.2 Confusion Matrix 2 Kelas (Tan, Steinbach, & Kumar, 2006)
Hasil Pengujian
1 0
Target
Kelas
1 F11 F10
0 F01 F00
Fij adalah jumlah data yang dikenali sebagai kelas ke-j dengan target
kelas ke-i. Dari tabel 2.2 didapat persamaan-persamaan untuk menghitung
akurasi dan tingkat kesalahan suatu klasifikasi :
1. Persamaan untuk menghitung akurasi keseluruhan klasifikasi
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎=
𝐹11+𝐹00
𝐹11+𝐹10+𝐹01+𝐹00 (2.29)
2. Persamaan untuk menghitung error keseluruhan klasifikasi
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎=
𝐹10+𝐹01
𝐹11+𝐹10+𝐹01+𝐹00 (2.30)
3. Persamaan untuk menghitung akurasi klasifikasi kelas 1
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 1
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎 𝑘𝑒𝑙𝑎𝑠 1=
𝐹11
𝐹11+𝐹10 (2.31)
4. Persamaan untuk menghitung error klasifikasi kelas 1
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 1
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎 𝑘𝑒𝑙𝑎𝑠 1=
𝐹10
𝐹11+𝐹10 (2.32)
5. Persamaan untuk menghitung akurasi klasifikasi kelas 0
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 0
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎 𝑘𝑒𝑙𝑎𝑠 0=
𝐹00
𝐹01+𝐹00 (2.33)
6. Persamaan untuk menghitung error klasifikasi kelas 0
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 0
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎 𝑘𝑒𝑙𝑎𝑠 0=
𝐹01
𝐹01+𝐹00 (2.34)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
3 BAB III
METODOLOGI PENELITIAN
Bab ini berisi penjelasan dan proses pengolahan data yang akan digunakan
dalam penelitian ini, serta perancangan sistem yang meliputi proses ekstraksi ciri,
pelatihan dan pengujian arsitektur JST, lalu klasifikasi dan uji data, rincian
kebutuhan sistem dan juga perancangan antarmuka sistem.
3.1 Data
Data yang digunakan dalam penelitian ini adalah data rekaman suara
mesin sepeda motor. Suara mesin sepeda motor yang dipilih merupakan
suara mesin sepeda motor yang terbagi kedalam 4 kondisi, yaitu suara mesin
sepeda motor normal, suara mesin sepeda motor mengalami kerusakan
batang piston/stang seher, katup/klep, dan rantai kamprat. Keempat kondisi
mesin sepeda motor tersebut merupakan kondisi mesin yang lebih mudah
dan sering diidentifikasi oleh teknisi bengkel sepeda motor melalui suara
mesin ketika mesin dihidupkan. Untuk mendapatkan data-data suara mesin
sepeda motor, dilakukan perekaman langsung terhadap suara mesin sepeda
motor yang telah dihidupkan di bengkel-bengkel sepeda motor sesuai
dengan kondisi mesin yang telah ditentukan.
Perekaman suara mesin sepeda motor menggunakan aplikasi android
yang ada di-handphone dengan nama Easy Voice Recorder. Aplikasi ini
dapat langsung menghasilkan rekaman file suara dengan format .wav
sehingga dengan mudah hasil perekaman dari aplikasi ini dapat langsung
digunakan sebagai input-an dari aplikasi yang akan dibuat. Untuk proses
perekamannya secara langsung terhadap mesin sepeda motor, dilakukan
dengan mendekatkan handphone yang akan merekam terhadap mesin
sepeda motor yang telah dihidupkan dengan jarak antara 5-10 cm. Berikut
ini gambaran dalam cara merekam suara mesin sepeda motor menggunakan
aplikasi handphone tersebut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Gambar 3.1 Proses Perekaman Suara Mesin Sepeda Motor
Proses perekaman suara mesin sepeda motor tersebut dilakukan
sebanyak 40 kali terhadap sepeda motor yang berbeda – beda, sehingga
diperoleh 40 file rekaman dengan rincian, 10 data untuk kondisi mesin
sepeda motor normal dan 10 data untuk masing–masing kondisi kerusakan
mesin sepeda motor. Masing-masing file rekaman suara berdurasi sekitar
15-20 detik. Untuk mengolah 10 data tersebut akan dilakukan proses
preprosesing data sebelum masuk dalam proses ekstraksi ciri suara.
Proses preprosesing tersebut adalah mengkonversi file rekaman asli
menjadi file dengan format audio ‘.wav’, dengan nilai frekuensi rate untuk
setiap data rekaman suara mesin yaitu 44100 hz, resolusi sampling 16 bit
dan berformat PCM. Proses ini membutuhkan aplikasi bernama ‘Audacity’.
Aplikasi tersebut tidak hanya digunakan untuk mengkonversi file rekaman
menjadi format file ‘.wav’, namun juga digunakan untuk memotong-motong
setiap file rekaman suara menjadi 5 file rekaman suara dengan panjang
masing-masing 3 detik. 5 file tersebut diperoleh dengan melakukan
potongan untuk setiap file rekaman suara secara berurutan mulai dari detik
pertama. Dari proses preprosesing tersebut dihasilkan 50 file rekaman suara
mesin untuk setiap kondisi mesin sepeda motor, sehingga total menjadi 200
file ‘.wav’. 200 file tersebut yang siap diolah dalam proses ekstraksi ciri
suara.
Jarak ± 5-10 cm
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Contoh data audio berupa sinyal digital yang digunakan dalam
penelitian ini dapat dilihat pada gambar-gambar di bawah ini. Data tersebut
ditampilkan dalam bentuk grafik sinyal dan spektrogram.
Gambar 3.2 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor
Normal
Pada gambar 3.2 , grafik pertama menggambarkan sinyal suara mesin
sepeda motor normal berdasarkan nilai amplitude-nya dalam 1 detik. Untuk
grafik kedua menggambarkan sinyal suara mesin sepeda motor normal
dalam bentuk spectrogram berdasarkan nilai frekuensi-nya dalam 1 detik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Gambar 3.3 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor
Rusak Stang Seher
Pada gambar 3.3 , grafik pertama menggambarkan sinyal suara mesin
sepeda motor rusak stang seher berdasarkan nilai amplitude-nya dalam 1
detik. Untuk grafik kedua menggambarkan sinyal suara mesin sepeda motor
rusak stang seher dalam bentuk spectrogram berdasarkan nilai frekuensi-nya
dalam 1 detik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
Gambar 3.4 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor
Rusak Klep
Pada gambar 3.4 , grafik pertama menggambarkan sinyal suara mesin
sepeda motor rusak klep berdasarkan nilai amplitude-nya dalam 1 detik.
Untuk grafik kedua menggambarkan sinyal suara mesin sepeda motor rusak
klep dalam bentuk spectrogram berdasarkan nilai frekuensi-nya dalam 1
detik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
Gambar 3.5 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor
Rusak Rantai Kamprat
Pada gambar 3.5 , grafik pertama menggambarkan sinyal suara mesin
sepeda motor rusak rantai kamprat berdasarkan nilai amplitude-nya dalam 1
detik. Untuk grafik kedua menggambarkan sinyal suara mesin sepeda motor
rusak rantai kamprat dalam bentuk spectrogram berdasarkan nilai frekuensi-
nya dalam 1 detik.
3.2 Perancangan Sistem
Sub bab ini berisi tentang perancangan sistem dari aplikasi yang akan
dibuat. Proses dimulai dari ekstraksi ciri data sinyal suara, kemudian data
hasil ekstraksi ciri masuk kedalam pelatihan arsitektur JST dengan
parameter-parameter yang telah ditentukan, sehingga diperoleh model
jaringan yang menghasilkan akurasi terbaik. Kemudian dilakukan uji pada
sebuah data suara baru yang juga telah diekstraksi ciri dan dilakukan
klasifikasi menggunakan model jaringan yang telah diperoleh, sehingga
diperoleh hasil penunjukkan kelas dari data yang diklasifikasi.
Pada proses ekstraksi ciri data sebelum pelatihan arsitektur jaringan
dan pengujian data, digunakan fitur Linear Predictive Coding (LPC). Untuk
proses pelatihan arsitektur jaringan dan klasifikasi data dalam pengujian
digunakan metode Jaringan Syaraf Tiruan Back Propagation. Berikut ini
gambaran sistem secara keseluruhan :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Data
Data UjiEkstraksi Ciri
Jaringan Syaraf Tiruan Ekstraksi Ciri
Model Jaringan
Hasil Klasifikasi
Gambar 3.6 Diagram Blok Sistem
3.2.1 Ekstraksi Ciri
Fitur ekstraksi ciri sinyal suara yang digunakan dalam penelitian
ini adalah Linear Predictive Coding (LPC). Fitur ini dipilih karena
LPC merupakan salah satu teknik ekstraksi ciri yang sering digunakan
dalam mengekstraksi ciri sinyal digital suara. Akurasi kemampuan
pengenalan dari hasil ekstraksi ciri juga menunjukkan hasil yang baik.
Ada dua tahapan proses utama dalam melakukan ekstraksi ciri
LPC, yakni proses autokorelasi dan proses analisis koefisien LPC.
Pada proses autokorelasi ditentukan suatu nilai orde analisis P, dimana
nilai orde tersebut juga menentukan banyaknya ciri yang dihasilkan
dari proses analisis LPC. Ciri tersebut dinamakan koefisien LPC.
Proses ekstraksi ciri dilakukan pada semua data mentah yang
telah dikonversi dan di lakukan proses preprosesing. Hasil ekstraksi
ciri disimpan dalam sebuah vektor berdasarkan ciri yang dipilih.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Keluaran dari proses ini berupa nilai numerik. Jumlah data hasil
ekstraksi ciri berdasarkan orde koefisien LPC yang dipilih, yaitu 8, 10,
12, 14, dan 16, yang digabungkan dengan hasil perhitungan delta
sebanyak satu dan dua kali, dari koefisien LPC yang telah diperoleh.
Ada 5 tahap yang dilakukan dalam proses ekstraksi ciri sinyal
suara, dengan 4 tahap merupakan proses dari fitur LPC dan 1 tahap
lainnya merupakan perhitungan terhadap nilai koefisien LPC yang
telah dihasilkan. Proses dimulai dari pembacaan data mentah hingga
diperoleh nilai delta dari koefisien LPC.
Tahap-tahap tersebut diantaranya :
1. Frame Blocking
2. Windowing
3. Analisis Autokorelasi
4. Analisis LPC
5. Menghitung nilai delta dari koefisien LPC
Berikut ini gambaran dari langkah-langkah proses ekstraksi ciri:
Suara…*.wav WindowingFrame Blocking
Analisis LPC AutokorelasiDelta LPC
Gambar 3.7 Diagram Blok Proses Ekstraksi Ciri
Data suara bertipe ‘.wav’ yang di-input-kan menggunakan
frekuensi sampling 44100 hz, sehingga diketahui setiap 1 detik suara
terdapat 44100 sample data. Total untuk setiap data yang terdiri dari 3
detik suara diperoleh sample data sebanyak 132300. Untuk itu, diawal
proses ekstraksi ciri, dilakukan pengecekan panjang data input-an
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
sesuai dengan panjang data yang dibutuhkan yaitu maksimal 150000
sample data (3 detik). Kemudian data tersebut masuk dalam proses
ekstraksi ciri LPC, sebagai berikut:
1. Frame Blocking
Dalam proses frame blocking, akan dilakukan sampling
terhadap data input-an kedalam beberapa frame. Diambil sample
data selama 40 ms untuk setiap frame-nya. Perhitungan untuk
memperoleh jumlah sample tiap frame yaitu:
- 40 ms = 0.04 detik
- Jumlah sample tiap frame yaitu 44100 x 0.04 = 1764 sample
- Jumlah overlapping setiap frame yaitu 1764/2 = 882 sample
- Untuk menghitung jumlah frame digunakan rumus:
𝑗𝑢𝑚𝑙𝑎ℎ 𝑓𝑟𝑎𝑚𝑒 = ((𝐼−𝑁)
𝑀) + 1 (3.1)
I = jumlah sample keseluruhan
N= jumlah sample tiap frame
M = N/2 = jumlah overlapping tiap frame
- Maka, jumlah frame yaitu = ((132300-1764)/882)+1) = 149
frame.
Dari proses ini diperoleh data dalam bentuk matriks dengan
ukuran 149 x 1764.
2. Windowing
Proses windowing dilakukan terhadap data hasil frame
blocking. Algoritma yang digunakan dalam proses ini yaitu
Hamming Window. Proses windowing dilakukan untuk setiap
frame. Data yang sudah dalam bentuk frame dipadatkan, sehingga
bentuk gelombang akan naik. Hal ini dapat diartikan
menormalisasi sinyal digital.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
3. Analisis Autokorelasi
Sebelum data diproses dalam analisis autokorelasi, data
hasil windowing dikonversi terlebih dahulu menjadi matriks 1 x
(total data), dimana jumlah total data yaitu:
- 149x1764 = 262836 data
Sehingga ukuran matriks data menjadi 1x262836.
Kemudian data tersebut masuk dalam proses analisis
autokorelasi. Nilai autokorelasi tertinggi yaitu sama dengan orde
LPC (p) yang ditentukan, dalam penelitian ini digunakan orde 8,
10, 12, 14, dan 16. Jumlah data hasil analisis autokorelasi menjadi
p+1, sehingga ukuran matriks data hasil analisis autokorelasi
menjadi 1x(p+1).
4. Analisis LPC
Hasil dari proses analisis autokorelasi akan masuk kedalam
proses analisis LPC. Dalam proses ini akan diperoleh koefisien
LPC yang dijadikan ciri dari sebuah sinyal suara. Algoritma yang
digunakan dalam analisis LPC adalah Levinson Durbin. Jumlah
hasil ciri yang didapat sebanyak orde LPC yang ditentukan, yaitu
8, 10, 12, 14, dan 16.
5. Menghitung delta LPC 1 dan 2
Koefisien LPC yang telah diperoleh, kemudian dihitung
nilai delta-nya. Perhitungan dilakukan 2 kali sehingga diperoleh
nilai delta 1 dan delta 2. Data hasil perhitungan delta 1 dan 2
kemudian digabungkan dengan hasil koefisien LPC-nya, sehingga
membentuk kumpulan data baru untuk setiap orde LPC. Berikut
tabel jumlah data yang diperoleh dari hasil ekstraksi ciri LPC
berdasarkan ordenya:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Tabel 3.1 Tabel Jumlah Data Hasil Ekstraksi Ciri
Orde Jumlah Data
Total Data Koefisien LPC Turunan 1 Turunan 2
8 8 8 8 24
10 10 10 10 30
12 12 12 12 36
14 14 14 14 42
16 16 16 16 48
Sebelum masuk dalam proses pelatihan dan pengujian arsitektur
JST, setiap data yang telah diekstraksi, diberi label data sebagai
perbandingan dengan target luaran dari proses pelatihan dan pengujian
arsitektur JST. Berikut rincian label data untuk setiap data suara:
- Suara kerusakan klep/katup pada mesin sepeda motor = (1,0,0,0)
- Suara mesin sepeda motor normal = (0,1,0,0)
- Suara kerusakan rantai kamprat pada mesin sepeda motor =
(0,0,1,0)
- Suara kerusakan stang seher/batang piston pada mesin sepeda
motor = (0,0,0,1)
3.2.2 Pelatihan dan Pengujian Arsitektur JST
Dalam penelitian ini, proses identifikasi suara mesin sepeda
motor dilakukan dengan mengklasifikasikan suara mesin sepeda
motor berdasarkan kondisi mesin sepeda motor yang telah ditentukan.
Metode yang digunakan dalam proses klasifikasi adalah metode
Jaringan Syaraf Tiruan Back Propagation. Metode klasifikasi ini
dipilih karena kemampuannya untuk menghasilkan decision
boundaries yang kompleks pada fitur-fitur yang ada. Hasil ini dapat
dilihat dengan nilai keakuratan yang dihasilkan dari pengujian sampel
diluar kumpulan sampel yang digunakan pada saat pelatihan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Metode pembagian data pelatihan dan pengujian arsitektur JST
yang digunakan adalah 5-Fold Cross Validation. Metode ini dipakai
karena menggunakan data yang berbeda untuk proses pelatihan dan
pengujiannya, sehingga dapat diketahui dengan benar akurasi sistem
yang telah dibuat. Hasil ekstraksi ciri dan label data, akan digunakan
sebagai input-an dalam proses pelatihan dan pengujian arsitektur JST.
Hasil dari proses ini adalah model jaringan dengan akurasi terbaik,
yang akan digunakan dalam proses klasifikasi dan uji data.
Pada proses awal sesuai dengan metode K-Fold Cross
Validation, data yang berjumlah 200 dibagi menjadi 5 bagian. Setiap
bagian akan diisi dengan 10 data dari satu jenis suara, sehingga
masing-masing bagian akan diisi total 40 data. Dari 5 bagian tersebut
akan dilakukan 5 kali percobaan dalam proses pelatihan dan pengujian
arsitektur JST. Berikut ini tabel penggunaan bagian dalam setiap
percobaan:
Tabel 3.2 Five-Fold Cross Validation
Percobaan Training Testing
1 1,2,3,4 5
2 1,2,3,5 4
3 1,2,4,5 3
4 1,3,4,5 2
5 2,3,4,5 1
Hasil dari tiap percobaan akan dimasukan ke dalam tabel
Confusion Matrix untuk menghitung akurasi dari pengujian data.
Ada 2 jenis arsitektur jaringan syaraf tiruan yang digunakan
untuk proses pelatihan dan pengujian, yaitu arsitektur dengan satu
hidden layer dan 2 hidden layer. Berikut ini gambaran arsitektur untuk
setiap jenis arsitektur JST:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
1. Arsitektur Jaringan Syaraf Tiruan 1 Hidden Layer
Diambil contoh dengan ciri orde 8 maka jumlah data input
sebanyak 8 data, kemudian digunakan 1 hidden layer, dengan
jumlah neuron pada hidden layer 1 sebanyak 4, dan jumlah output
sebanyak 4.
x1
x2
x3
x4
x5
x6
x7
x8
Input
z1
z2
z3
z4
y1
y2
y3
y4
Hidden Layer 1 Output
Gambar 3.8 Arsitektur JST 1 Hidden Layer
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
2. Arsitektur Jaringan Syaraf Tiruan 2 Hidden Layer
Diambil contoh dengan ciri orde 8 maka jumlah data input
sebanyak 8 data, kemudian digunakan 2 hidden layer, dengan
jumlah neuron pada hidden layer 1 sebanyak 4, jumlah neuron
pada hidden layer 2 sebanyak 4, dan jumlah output sebanyak 4.
x1
x2
x3
x4
x5
x6
x7
x8
Input
z1
z2
z3
z4
z1
z2
z3
z4
Hidden Layer 1
y1
y2
y3
y4
OutputHidden Layer 2
Gambar 3.9 Arsitektur JST 2 Hidden Layer
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
Berikut ini rincian parameter dalam arsitektur jaringan syaraf tiruan:
1. Lapisan jaringan terdiri dari 4 lapis, yaitu satu lapis masukan
(input), 2 lapis tersembunyi (hidden layer) dan satu lapis keluaran
(output).
2. Untuk input jaringan terdiri dari 1 – i neuron, dimana i
merupakan jumlah total data hasil ekstraksi ciri sesuai dengan
orde dan nilai delta-nya yang telah ditentukan. Berikut tabel
jumlah data yang digunakan:
Tabel 3.3 Jumlah Data Input Arsitektur Jaringan
Ciri (orde,delta) Jumlah Data
8 8
8+ 16
8++ 24
10 10
10+ 20
10++ 30
12 12
12+ 24
12++ 36
14 14
14+ 28
14++ 42
16 16
16+ 32
16++ 48
3. Untuk mendapatkan arsitektur jaringan yang optimal, digunakan 2
jenis arsitektur jaringan yaitu dengan 1 hidden layer dan 2 hidden
layer, dimana lapisan tersembunyi pertama dan kedua memiliki
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
jumlah neuron yang bervariasi mulai dari 2,4,… dilanjutkan
dengan kelipatan 4 hingga 40. Namun apabila pada neuron 40
nilai akurasi masih tinggi, maka dilanjutkan dengan kelipatan 4
selanjutnya hingga hasil akurasinya turun. Contoh :
2,4,8,12,…,40,44,48.
4. Fungsi aktivasi yang digunakan adalah sigmoid biner (logsig).
5. Fungsi pelatihan yang digunakan adalah trainrp.
6. Batas iterasi/epoch adalah 200.
7. Nilai target error (mse) adalah 0,0001.
8. Nilai laju pemahaman (=learning rate) adalah 0,1.
9. Jumlah neuron pada lapisan keluaran (output) adalah 4, sesuai
dengan jumlah klasifikasi.
10. Memiliki 4 neuron output yang merupakan target keluaran
jaringan diantaranya, Rusak Katup/Klep (1,0,0,0) , Mesin Normal
(0,1,0,0), Rusak Rantai Kamprat (0,0,1,0), dan Rusak Stang Seher
(0,0,0,1).
Dalam pengujian arsitektur JST, dilakukan beberapa kali
percobaan untuk mendapatkan model jaringan terbaik berdasarkan
akurasi hasil yang tertinggi. Percobaan dilakukan dengan mengambil
sejumlah data hasil ekstraksi ciri berdasarkan kombinasi ciri yang ada
pada tabel 3.3 sebagai data masukan. Untuk setiap kombinasi ciri,
dilakukan percobaan lagi dengan mengubah-ubah jumlah lapisan
tersembunyi, yaitu satu lapisan tersembunyi dan 2 lapisan
tersembunyi. Pada satu lapisan tersembunyi, jumlah neuron divariasi
mulai dari 2,4 hingga 40 dengan penambahan jumlah kelipatan 4,
contohnya 2,4,8,12….,40. Namun apabila pada neuron 40 nilai
akurasi masih tinggi, maka dilanjutkan dengan kelipatan 4 selanjutnya
hingga hasil akurasinya turun. Dari percobaan tersebut diperoleh
jumlah neuron dengan akurasi tertinggi. Jumlah neuron dengan
akurasi tertinggi di lapisan tersembunyi ke-1 kemudian digunakan
dalam 2 lapisan tersembunyi. Jumlah neuron di lapisan tersembunyi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
ke-2 divariasi sama seperti di lapisan tersembunyi ke-1 hingga
memperoleh akurasi tertingginya. Dari semua percobaan tersebut akan
diperoleh model jaringan terbaik berdasarkan akurasi yang tertinggi.
3.2.3 Klasifikasi dan Uji Data Tunggal
Model jaringan yang telah didapat dari proses pelatihan dan
pengujian arsitektur JST akan digunakan dalam proses klasifikasi dari
data masukan data baru untuk diuji. Proses klasifikasi dibagi kedalam
4 jenis suara mesin berdasarkan kondisinya, yaitu suara mesin sepeda
motor rusak katup/klep, suara mesin sepeda motor normal, suara
mesin sepeda motor rusak rantai kamprat, dan suara mesin sepeda
motor rusak stang seher/batang piston.
Proses dimulai dari memasukan data suara baru untuk diuji,
kemudian dilakukan ekstraksi ciri pada data tersebut dan diambil
sejumlah data sesuai jumlah pilihan ciri terbaik yang telah diperoleh.
Hasil ekstraksi ciri tersebut disimulasikan kedalam model jaringan
terbaik yang telah diperoleh, sehingga mendapatkan nilai keluaran
sesuai target keluaran yang telah ditentukan, untuk menunjukkan hasil
klasifikasi. Berikut ini gambaran proses klasifikasi dan uji data.
Data Uji Ekstraksi Ciri Model Jaringan Hasil Klasifikasi
Gambar 3.10 Proses Klasifikasi dan Uji Data Tunggal
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
3.3 Kebutuhan Sistem
Aplikasi ini membutuhkan perangkat keras dan lunak dalam proses
perancangannya sehingga mendapatkan hasil yang maksimal.
1. Kebutuhan Perangkat Keras
Aplikasi ini membutuhkan perangkat keras dengan spesifikasi
minimal sebagai berikut:
1. Processor : Intel core i5 , 1.70GHz (4CPUs)
2. Memory : 4 GB
3. Hard Drive : 500 GB
4. Soundcard : Speaker HD audio device
Spesifikasi tersebut dipilih agar aplikasi berjalan dengan maksimal.
Untuk proses perekaman suara mesin sepeda motor dibutuhkan
perangkat keras berupa handphone.
2. Kebutuhan Perangkat Lunak
Aplikasi ini membutuhkan perangkat lunak untuk perekaman
suara, pembuatan dan proses menjalankan program, perangkat lunak
tersebut adalah sebagai berikut :
1. Easy Voice Recorder
2. Microsoft Windows 10
3. Audacity 2.1.1
4. Matlab R2012b
Aplikasi handphone Easy Voice Recorder digunakan untuk
merekam suara mesin sepeda motor. Microsoft Windows 10 digunakan
sebagai sistem operasi agar kedua perangkat lunak lainnya dapat
berjalan. Audacity 2.1.1 digunakan untuk proses preprosesing data pada
file suara mesin sepeda motor sebelum data diproses oleh sistem.
Matlab R2012b digunakan untuk membuat sistem sekaligus
menjalankan sistem.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
3.4 Perancangan Atarmuka Sistem
Gambar 3.11 Tampilan Antarmuka Sistem
Pada gambar 3.11 , merupakan tampilan antarmuka sistem yang
terdiri dari 4 panel sesuai dengan fungsi dari sistem yang akan dibuat.
Berikut ini rincian untuk setiap panel tersebut:
1. Data Pelatihan
Panel ini termasuk dalam fungsi ekstraksi ciri. Pada panel ini
terdapat beberapa komponen diantaranya:
a. Edit Text – berfungsi untuk menampilkan direktori data.
b. Tombol Browse – berfungsi untuk membuka jendela pencarian
direktori data suara.
c. Tombol Hapus – berfungsi untuk menghapus isi dari listdata yang
akan diekstraksi.
d. Listbox data – berfungsi untuk menampilkan daftar semua data
suara yang ada pada direktori yang dipilih.
e. Tombol Ekstraksi Ciri – berfungsi untuk menjalankan proses
ekstraksi ciri.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
2. Koefisien LPC
Panel ini berfungsi untuk menentukan kombinasi ciri pada fungsi
pelatihan dan pengujian data. Ciri yang dapat dipilih yaitu orde dan
delta/turunan LPC. Berikut komponen dalam panel tersebut:
a. Group Button Orde – berfungsi untuk memilih orde dalam fungsi
ekstraksi ciri, yaitu 8, 10, 12, 14, dan 16.
b. 2 buah Check Box yaitu Delta LPC dan Delta,Delta LPC –
berfungsi untuk menambah kombinasi ciri yang akan digunakan
dalam proses pelatihan dan pengujian data.
3. Pelatihan JST
Panel ini berisi komponen parameter yang berpengaruh dalam
fungsi pelatihan dan pengujian JST. Berikut komponen dalam panel
tersebut:
a. Edit Text Hidden Layer 1 – berfungsi untuk memasukan jumlah
neuron pada lapisan tersembunyi ke-1.
b. Edit Text Hidden Layer 2 - berfungsi untuk memasukan jumlah
neuron pada lapisan tersembunyi ke-2.
c. Edit Text Epoch – berfungsi untuk memasukan batas jumlah
iterasi/epoch dalam proses pelatihan arsitektur jaringan, dengan
nilai default yaitu 200.
d. Tombol Proses – berfungsi untuk menjalankan proses pelatihan
arsitektur jaringan.
e. Text Akurasi – berfungsi untuk menampilkan hasil perhitungan
akurasi sistem (%).
f. Text Box Waktu Proses – berfungsi untuk menampilkan total waktu
proses pelatihan arsitektur jaringan (detik).
g. Text Box Confusion Matrix – berfungsi untuk menampilkan tabel
confusion matrix hasil dari proses pelatihan dan pengujian
arsitektur jaringan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
4. Identifikasi Data
Panel ini berisi komponen yang dapat berfungsi untuk mengambil
data uji, kemudian melakukan klasifikasi data berdasarkan model
jaringan yang telah diperoleh dan menampilkan hasil klasifikasi.
Terdapat juga komponen untuk menampilkan grafik sinyal dan
spektrogram dari data suara yang dimasukan. Berikut komponen dalam
panel tersebut:
a. Edit Text Direktori Cari – berfungsi untuk menampilkan alamat
direktori dari data yang akan diuji.
b. Tombol Cari File – berfungsi untuk membuka jendela pencarian
direktori data suara yang akan diuji.
c. Tombol Identifikasi Suara – berfungsi untuk menjalankan proses
klasifikasi data suara yang diuji berdasarkan model jaringan yang
telah diperoleh.
d. Text Hasil Identifikasi – berfungsi untuk menampilkan hasil
klasifikasi data suara yang diuji.
e. Tombol Grafik dan Spektrogram – berfungsi untuk menampilkan
grafik sinyal dan spektrogram dari data suara masukan yang diuji.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
4 BAB IV
IMPLEMENTASI DAN ANALISIS HASIL
Bab ini berisi uraian dari implementasi sistem dan analisis hasil penelitian.
Pada implementasi sistem berisi visualisasi proses ekstraksi ciri dan tampilan
antarmuka program untuk setiap prosesnya. Sedangkan pada analisis hasil
penelitian berisi analisis pengujian variasi arsitektur jaringan dan analisis hasil
pengujian data tunggal.
4.1 Implementasi Sistem
Dalam subbab ini akan ditunjukkan visualisasi proses ekstraksi ciri
dan tampilan antarmuka dari aplikasi yang telah dibuat. Aplikasi ini dibuat
menggunakan bahasa pemrograman Matlab.
4.1.1 Visualisasi Proses Ekstraksi Ciri
Berikut ini visualisasi dari setiap tahap dalam proses ekstraksi
ciri sinyal suara, dengan contoh suara mesin sepeda motor normal:
1. Baca Data Suara
Dalam proses ini data suara yang bertipe “.wav” dengan
panjang waktu 3 detik, dibaca oleh program dengan
menggunakan fungsi wavread(). Berikut ini hasil pembacaan file
suara menggunakan fungsi wavread:
Gambar 4.1 Hasil Baca File Suara .wav
Pada gambar 4.1 dapat dilihat dalam sebuah file rekaman
suara dengan panjang suara 3 detik, diperoleh data sebanyak
133.397 data. Berikut ini grafik sinyal dari seluruh data tersebut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
Gambar 4.2 Grafik Sinyal Data Suara Setelah Fungsi wavread()
2. Proses Frame Blocking
Data hasil proses pertama dimasukan kedalam proses
frame blocking dan menghasilkan data sebagai berikut:
Gambar 4.3 Data Hasil Proses Frame Blocking
Pada gambar 4.3 dapat dilihat hasil proses ini yaitu
kumpulan data dalam matriks ukuran 149×1764. Berikut ini
tampilan grafik sinyal dari hasil proses frame blocking:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Gambar 4.4 Grafik Sinyal Data Hasil Proses Frame Blocking
3. Proses Windowing
Data hasil proses frame blocking kemudian dimasukkan
kedalam proses windowing dengan menggunakan metode
hamming window. Berikut ini data hasil proses tersebut:
Gambar 4.5 Data Hasil Proses Windowing
Dari gambar 4.5 dapat dilihat hasil dari proses windowing
berupa matriks data berukuran sama dengan hasil frame
blocking sebelumnya yaitu 149×1764. Berikut ini tampilan
grafik sinyal dari data hasil proses windowing:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Gambar 4.6 Grafik Sinyal Data Hasil Proses Windowing
4. Proses Analisis Autokorelasi
Data hasil proses windowing selanjutnya dikonversi
menjadi data dengan matriks berukuran 1×262836. Berikut ini
data hasil konversinya:
Gambar 4.7 Data Hasil Konversi
Kemudian data hasil konversi tersebut dimasukan kedalam
proses analisis autokorelasi. Untuk contoh proses ini dipilih orde
LPC yaitu 8. Berikut data hasil proses tersebut:
Gambar 4.8 Data Hasil Proses Analisis Autokorelasi
Dari gambar 4.8 dapat dilihat bahwa diperoleh data
sebanyak p+1 yaitu orde LPC sebanyak 8 ditambah 1 data, dari
hasil proses analisis autokorelasi. Berikut ini tampilan grafik
sinyal data hasil proses tersebut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Gambar 4.9 Grafik Sinyal Data Hasil Proses Analisis
Autokorelasi Orde 8
5. Proses Analisis LPC
Hasil dari proses analisis autokorelasi kemudian
dimasukkan kedalam proses analisis LPC untuk mendapatkan
nilai koefisien LPC. Dalam proses ini digunakan metode
Levinson Durbin. Orde LPC yang digunakan dalam contoh ini
yaitu 8. Berikut data hasil proses tersebut:
Gambar 4.10 Data Koefisien LPC Orde 8
Pada gambar 4.10 dapat dilihat data koefisien LPC
sebanyak 8 sesuai dengan orde LPC yang telah dipilih. Berikut
ini grafik sinyal dari koefisien LPC tersebut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Gambar 4.11 Grafik Sinyal Data Koefisien LPC Orde 8
6. Proses Perhitungan Nilai Delta LPC
Data koefisien LPC yang telah diperoleh, kemudian
dihitung nilai delta-nya. Perhitungan dilakukan sebanyak 2 kali
untuk mendapatkan nilai delta LPC dan delta delta LPC.
Berikut ini hasil dari proses tersebut:
Gambar 4.12 Data Delta LPC Orde 8
Gambar 4.13 Data Delta Delta LPC Orde 8
Seluruh data mulai dari koefisien LPC, delta LPC dan
delta delta LPC, kemudian digabungkan menjadi sebuah vektor
ciri dengan ukuran 1×24 data. Berikut ini hasil gabungan
tersebut beserta grafik sinyalnya:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
Gambar 4.14 Data Gabungan Hasil Ekstraksi Ciri LPC Orde 8
Gambar 4.15 Grafik Sinyal Data Gabungan Hasil Ekstraksi Ciri
LPC Orde 8
Data hasil ekstraksi ciri menggunakan fitur LPC disimpan
dalam sebuah file bertipe “.mat”, diantaranya data.mat,
norm_data.mat, dan dc.mat. Sedangkan label dari setiap data juga
disimpan dalam file bertipe “.mat” yaitu target_pelatihan.mat. Agar
model jaringan terbaik yang telah diperoleh dari proses pelatihan dan
pengujian arsitektur JST dapat digunakan dalam proses pengujian
data tunggal, maka disimpan dalam file bertipe “.mat” yaitu net.mat.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
4.1.2 Tampilan Antarmuka Aplikasi
Berikut ini tampilan antarmuka menu utama keseluruhan dari
aplikasi dalam penelitian ini:
Gambar 4.16 Tampilan Menu Utama Aplikasi
Aplikasi ini dibagi kedalam 3 proses, yaitu ekstraksi ciri LPC,
pelatihan - pengujian arsitektur JST, dan identifikasi data uji. Berikut
ini tampilan antarmuka untuk masing- masing proses:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
1. Ekstraksi Ciri LPC
Gambar 4.17 Tampilan Proses Ekstraksi Ciri LPC
Dari gambar 4.17, dapat dilihat nama-nama data dari 200
data pelatihan yang akan diekstraksi. Setelah menekan tombol
Ekstraksi Data, berikut ini hasil data ekstraksinya:
Gambar 4.18 Hasil Ekstraksi Ciri 200 Data Suara
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
2. Pelatihan dan Pengujian Arsitektur JST
Berikut ini tampilan dari proses pelatihan dan pengujian
arsitektur JST:
Gambar 4.19 Tampilan Proses Pelatihan dan Pengujian
Arsitektur JST
Pada gambar 4.19, terdapat parameter-parameter yang
dapat diubah-ubah untuk setiap percobaan pengujian agar
mendapatkan akurasi terbaik. Parameter tersebut diantaranya
orde LPC dan kombinasi dengan nilai turunannya, hidden layer
satu dan 2, dan iterasi/epoch. Ditampilkan juga tabel confusion
matrix yang dapat digunakan untuk mendapatkan nilai akurasi
jaringan.
Berikut ini tampilan proses pelatihan jaringan:
Gambar 4.20 Tampilan
Pelatihan 2 Hidden Layer
Gambar 4.21 Tampilan
Pelatihan 1 Hidden Layer
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
3. Identifikasi Data Uji
Setelah mengklik tombol ‘Identifikasi Suara’, terdapat 4
tampilan hasil klasifikasi data suara berdasarkan jenis suara
mesin sepeda motor. Berikut tampilannya:
Gambar 4.22 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor
Rusak Katup/Klep
Gambar 4.23 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor
Normal
Gambar 4.24 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor
Rusak Rantai Kamprat
Gambar 4.25 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor
Rusak Stang Seher/Batang Piston
Untuk memasukkan data dilakukan dengan mengklik tombol
‘Cari File’, kemudian memilih file yang akan diproses.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
4.2 Analisis Hasil Penelitian
Dalam penelitian ini akan dicari model jaringan terbaik yang akan
digunakan dalam proses klasifikasi data suara mesin sepeda motor. Model
jaringan terbaik dapat dilihat dari hasil akurasi pelatihan arsitektur
jaringannya. Untuk mendapat model jaringan terbaik berdasarkan akurasi
pelatihan arsitektur jaringan, maka dilakukan beberapa percobaan pengujian
dengan mengubah variasi arsitektur jaringan. Setelah model jaringan terbaik
berdasarkan akurasi tertinggi diperoleh, maka model jaringan tersebut
digunakan dalam pengujian data tunggal untuk menunjukkan ketepatan hasil
klasifikasinya.
4.2.1 Pengujian Variasi Arsitektur Jaringan
Dalam pengujian variasi arsitektur jaringan ini, data yang
digunakan sebanyak 200. Data tersebut sebelumnya telah dilakukan
ekstraksi ciri, sehingga menghasilkan 180 jumlah ciri untuk setiap
datanya dan total data yang digunakan dalam pelatihan ini sebanyak
200x180 data. Dalam pengujian ini akan dilakukan beberapa kali
percobaan dengan memvariasikan kombinasi ciri dan parameter
dalam arsitektur jaringan. Variasi pertama yang dilakukan adalah
mengkombinasikan ciri dari data suara. Berikut ini beberapa
kombinasi ciri yang digunakan:
1. Orde 8 = hasil ekstraksi ciri orde 8
2. Orde 8+ = hasil ekstraksi ciri orde 8 + hasil perhitungan
3. Orde 8++ = hasil ekstraksi ciri orde 8 + hasil perhitungan
+ hasil perhitungan
4. Orde 10 = hasil ekstraksi ciri orde 10
5. Orde 10+ = hasil ekstraksi ciri orde 10 + hasil perhitungan
6. Orde 10++ = hasil ekstraksi ciri orde 10 + hasil perhitungan
+ hasil perhitungan
7. Orde 12 = hasil ekstraksi ciri orde 12
8. Orde 12+ = hasil ekstraksi ciri orde 12 + hasil perhitungan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
9. Orde 12++ = hasil ekstraksi ciri orde 12 + hasil perhitungan
+ hasil perhitungan
10. Orde 14 = hasil ekstraksi ciri orde 14
11. Orde 14+ = hasil ekstraksi ciri orde 14 + hasil perhitungan
12. Orde 14++ = hasil ekstraksi ciri orde 14 + hasil perhitungan
+ hasil perhitungan
13. Orde 16 = hasil ekstraksi ciri orde 16
14. Orde 16+ = hasil ekstraksi ciri orde 16 + hasil perhitungan
15. Orde 16++ = hasil ekstraksi ciri orde 16 + hasil perhitungan
+ hasil perhitungan
Untuk variasi kedua, nilai parameter arsitektur jaringan yang
diubah-ubah adalah neuron pada hidden layer 1 dan hidden layer 2.
Neuron ditentukan mulai dari 2,4 dengan penambahan kelipatan 4
hingga 40. Selama akurasi hasil masih tinggi percobaan dilanjutkan,
hingga akurasi turun, contohnya 2,4,8,…,40,44,48. Berikut ini
parameter yang berpengaruh pada arsitektur jaringan yang
digunakan:
1. Input jaringan sesuai dengan jumlah kombinasi ciri yang dipilih,
contoh: 8, 16, 24, …., 48.
2. Jumlah hidden layer dibagi menjadi 2 jenis, yaitu 1 hidden layer
dan 2 hidden layer.
3. Jumlah neuron dalam hidden layer 1 dan 2 bervariasi mulai dari
2, 4, 8, …. 40,48,dst.
4. Jumlah lapisan keluaran adalah 4, sesuai dengan jumlah
klasifikasi.
5. Jumlah iterasi/epoch adalah 200.
6. Nilai target error (mse) yaitu 0,0001.
7. Nilai laju pemahaman (=learning rate) yaitu 0,1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
Untuk mendapatkan akurasi jaringan, maka dilakukan
perhitungan terhadap tabel confusion matrix yang dihasilkan dari
proses pelatihan arsitektur jaringan.
Dari seluruh percobaan variasi kombinasi ciri dan parameter
arsitektur jaringan, maka diperoleh akurasi tertinggi dengan tabel
sebagai berikut:
Tabel 4.1 Hasil Akurasi Seluruh Percobaan Pengujian
NO Ciri
Orde
Jumlah Neuron Akurasi
(%)
Waktu Pelatihan
(detik) Hidden Layer 1 Hidden Layer 2
1 8 8
- 78 15
2 20 79 18
3 8+ 44
- 80,5 11
4 24 83 22
5 8++ 20
- 79,5 10
6 24 81,5 35
7 10 28
- 81,5 9
8 20 84 12
9 10+ 40
- 83,5 17
10 40 82 36
11 10++ 20
- 79 10
12 12 82 11
13 12 16
- 81,5 9
14 28 82 11
15 12+ 40
- 82 17
16 16 81,5 35
17 12++ 36
- 80,5 43
18 40 81,5 36
19 14 24
- 83,5 9
20 4 81 10
21 14+ 24
- 82 10
22 32 83,5 36
23 14++ 24
- 80,5 26
24 44 81,5 38
25 16 40
- 81 10
26 24 79 35
27 16+ 24
- 80 10
28 36 80,5 30
29 16++ 36
- 79,5 35
30 28 82,5 34
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
Dari tabel 4.1 dapat dilihat akurasi tertinggi ada pada variasi
kombinasi ciri orde 10, dengan jumlah neuron pada hidden layer 1
= 28 dan hidden layer 2 = 20. Akurasi tertinggi yang diperoleh yaitu
84%. Dari seluruh percobaan tersebut, rata-rata waktu pelatihan
selama 21 detik.
Untuk lebih jelasnya, perubahan naik turunnya akurasi dapat
dilihat pada grafik berikut ini:
Gambar 4.26 Grafik Perubahan Hasil Akurasi Keseluruhan Percobaan
Untuk menghitung hasil akurasi dari sebuah percobaan
pengujian arsitektur jaringan, digunakan data dalam tabel confusion
matrix dari hasil proses pengujian tersebut. Berikut ini ditunjukkan
perhitungan hasil akurasi dari tabel confusion matrix, dengan
mengambil dari hasil akurasi tertinggi, yaitu memiliki input-an ciri
dari orde 10 dengan jumlah neuron pada hidden layer 1 yaitu 28 dan
hidden layer 2 yaitu 20.
78
79
80,5
83
79,5
81,5 81,5
8483,5
82
79
8281,5
82 8281,5
80,5
81,5
83,5
81
82
83,5
80,5
81,581
79
8080,5
79,5
82,5
75
76
77
78
79
80
81
82
83
84
85
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Aku
rasi
(%
)
No. Percobaan
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
Tabel 4.2 Confusion Matrix Percobaan Pengujian Orde 10, Jumlah
Neuron Hidden Layer 1 28 dan Hidden Layer 2 20
Klep Normal Rantai Kamprat Stang Seher
Klep 36 5 4 5
Normal 4 45 0 1
Rantai Kamprat 3 0 43 4
Stang Seher 2 0 4 44
Dari confusion matrix pada tabel 4.2 , dapat dihitung akurasi
keseluruhan menggunakan persamaan 2.29 , dan juga dapat dihitung
akurasi untuk setiap kelas dengan menggunakan persamaan 2.31 dan
2.33.
1. Akurasi Keseluruhan
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =36 + 45 + 43 + 44
36 + 5 + 4 + 5 + 4 + 45 + 0 + 1 + 3 + 0 + 43 + 4 + 2 + 0 + 4 + 44× 100%
=168
200× 100% = 0,84 × 100% = 𝟖𝟒%
2. Akurasi Rusak Klep
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑅𝑢𝑠𝑎𝑘 𝐾𝑙𝑒𝑝 =36
36 + 5 + 4 + 5× 100% = 72%
3. Akurasi Normal
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑁𝑜𝑟𝑚𝑎𝑙 =45
4 + 45 + 0 + 1× 100% = 90%
4. Akurasi Rusak Rantai Kamprat
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑅𝑢𝑠𝑎𝑘 𝑅𝑎𝑛𝑡𝑎𝑖 𝐾𝑎𝑚𝑝𝑟𝑎𝑡 =43
3 + 0 + 43 + 4× 100% = 86%
5. Akurasi Rusak Stang Seher
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑅𝑢𝑠𝑎𝑘 𝑆𝑡𝑎𝑛𝑔 𝑆𝑒ℎ𝑒𝑟 =44
2 + 0 + 4 + 44× 100% = 88%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
Hasil pengenalan suara terbaik ada pada jenis suara mesin
sepeda motor normal dengan akurasi 90%. Hal ini menunjukkan
bahwa suara mesin sepeda motor normal paling mudah untuk
dikenali suaranya.
Berikut ini ditunjukkan seluruh detail dari hasil percobaan
pengujian berdasarkan variasi kombinasi ciri hingga neuron pada
hidden layer 1 dan 2:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
1. Orde 8
a) Hidden layer 1
Tabel 4.3 Hasil Akurasi Orde 8, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 51,5
4 60
8 78
12 75
16 68
20 74
24 76,5
28 76,5
32 74,5
36 71,5
40 77
44 76,5
Dari tabel 4.3 , dapat dilihat akurasi tertinggi ada pada
hidden layer 1 dengan jumlah neuron yaitu 8. Akurasi
tertinggi yang diperoleh yaitu 78%. Untuk lebih jelasnya,
perubahan naik turunnya akurasi dapat dilihat pada grafik
berikut ini:
Gambar 4.27 Grafik Perubahan Akurasi Orde 8, Hidden
Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
b) Hidden Layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.4 Hasil Akurasi Orde 8, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
8
2 58
4 73
8 69,5
12 79
16 75
20 79
24 76,5
28 70,5
32 69,5
36 70
40 78
44 66,5
Dari tabel 4.4 , dapat dilihat akurasi tertinggi ada pada
hidden layer 1 dengan jumlah neuron 8 dan hidden layer 2
dengan jumlah neuron 20. Akurasi tertinggi yang diperoleh
yaitu 79%. Untuk lebih jelasnya, perubahan naik turunnya
akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.28 Grafik Perubahan Akurasi Orde 8, Hidden
Layer 2
50
60
70
80
90
2 4 8 12 16 20 24 28 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
2. Orde 8 +
a) Hidden layer 1
Tabel 4.5 Hasil Akurasi Orde 8+, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 53,5
4 63,5
8 70,5
12 73
16 73
20 70,5
24 77
28 74,5
32 76,5
36 72
40 76
44 80,5
48 75,5
Dari tabel 4.5 , dapat dilihat akurasi tertinggi ada pada
hidden layer 1 dengan jumlah neuron yaitu 44. Akurasi
tertinggi yang diperoleh yaitu 80,5%. Untuk lebih jelasnya,
perubahan naik turunnya akurasi dapat dilihat pada grafik
berikut ini:
Gambar 4.29 Grafik Perubahan Akurasi Orde 8+ ,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44 48
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
b) Hidden Layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.6 Hasil Akurasi Orde 8+, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
44
2 51,5
4 73,5
8 79,5
12 73,5
16 75,5
20 75
24 83
28 83
32 78
36 77
40 79,5
44 78
Dari tabel 4.6 , dapat dilihat akurasi tertinggi ada pada
hidden layer 1 dengan jumlah neuron 44 dan hidden layer 2
dengan jumlah neuron 24. Akurasi tertinggi yang diperoleh
yaitu 83%. Untuk lebih jelasnya, perubahan naik turunnya
akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.30 Grafik Perubahan Akurasi Orde 8+ ,
Hidden Layer 2
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
3. Orde 8 + +
a) Hidden layer 1
Tabel 4.7 Hasil Akurasi Orde 8++, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 50
4 69,5
8 77
12 72
16 75,5
20 79,5
24 76
28 73,5
32 75
36 79
40 77,5
Dari tabel 4.7 , dapat dilihat akurasi tertinggi ada pada
hidden layer 1 dengan jumlah neuron yaitu 20. Akurasi
tertinggi yang diperoleh yaitu 79,5%. Untuk lebih jelasnya,
perubahan naik turunnya akurasi dapat dilihat pada grafik
berikut ini:
Gambar 4.31 Grafik Perubahan Akurasi Orde 8++,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.8 Hasil Akurasi Orde 8++, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
20
2 55,5
4 79,5
8 81
12 67,5
16 78
20 78,5
24 81,5
28 79,5
32 76
36 74
40 81
44 75
Dari tabel 4.8 , dapat dilihat akurasi tertinggi ada pada
hidden layer 1 dengan jumlah neuron 20 dan hidden layer 2
dengan jumlah neuron 24. Akurasi tertinggi yang diperoleh
yaitu 81,5%. Untuk lebih jelasnya, perubahan naik turunnya
akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.32 Grafik Perubahan Akurasi Orde 8++,
Hidden Layer 2
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
4. Orde 10
a) Hidden layer 1
Tabel 4.9 Hasil Akurasi Orde 10, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 62,5
4 67
8 77,5
12 72
16 78,5
20 78,5
24 78
28 81,5
32 71,5
36 74
40 75
44 77,5
48 77
Dari tabel 4.9 , dapat dilihat akurasi tertinggi ada pada
hidden layer 1 dengan jumlah neuron yaitu 28. Akurasi
tertinggi yang diperoleh yaitu 81,5%. Untuk lebih jelasnya,
perubahan naik turunnya akurasi dapat dilihat pada grafik
berikut ini:
Gambar 4.33 Grafik Perubahan Akurasi Orde 10,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44 48
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.10 Hasil Akurasi Orde 10, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
28
2 64
4 77,5
8 77,5
12 74,5
16 73,5
20 84
24 79
28 80
32 76
36 81
40 77
Dari tabel 4.10 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 28 dan hidden
layer 2 dengan jumlah neuron 20. Akurasi tertinggi yang
diperoleh yaitu 84%. Untuk lebih jelasnya, perubahan naik
turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.34 Grafik Perubahan Akurasi Orde 10,
Hidden Layer 2
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
5. Orde 10 +
a) Hidden layer 1
Tabel 4.11 Hasil Akurasi Orde 10+, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 57,5
4 68,5
8 75,5
12 72,5
16 75,5
20 78,5
24 74
28 74,5
32 78
36 79,5
40 83,5
44 76
Dari tabel 4.11 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron yaitu 40.
Akurasi tertinggi yang diperoleh yaitu 83,5%. Untuk lebih
jelasnya, perubahan naik turunnya akurasi dapat dilihat
pada grafik berikut ini:
Gambar 4.35 Grafik Perubahan Akurasi Orde 10+,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.12 Hasil Akurasi Orde 10+, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
40
2 69,5
4 73,5
8 81,5
12 76,5
16 81
20 76,5
24 76
28 76
32 76
36 79,5
40 82
44 79
Dari tabel 4.12 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 40 dan hidden
layer 2 dengan jumlah neuron 40. Akurasi tertinggi yang
diperoleh yaitu 82%. Untuk lebih jelasnya, perubahan naik
turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.36 Grafik Perubahan Akurasi Orde 10+,
Hidden Layer 2
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
6. Orde 10 + +
a) Hidden layer 1
Tabel 4.13 Hasil Akurasi Orde 10++, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 55
4 66,5
8 70,5
12 76,5
16 77
20 79
24 72
28 73,5
32 76,5
36 75,5
40 71
Dari tabel 4.13 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron yaitu 20.
Akurasi tertinggi yang diperoleh yaitu 79%. Untuk lebih
jelasnya, perubahan naik turunnya akurasi dapat dilihat
pada grafik berikut ini:
Gambar 4.37 Grafik Perubahan Akurasi Orde 10++,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.14 Hasil Akurasi Orde 10++, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
20
2 67
4 75
8 77,5
12 82
16 76
20 74,5
24 78
28 81
32 77
36 77,5
40 72,5
Dari tabel 4.14 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 20 dan hidden
layer 2 dengan jumlah neuron 12. Akurasi tertinggi yang
diperoleh yaitu 82%. Untuk lebih jelasnya, perubahan naik
turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.38 Grafik Perubahan Akurasi Orde 10++,
Hidden Layer 2
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
7. Orde 12
a) Hidden layer 1
Tabel 4.15 Hasil Akurasi Orde 12, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 61,5
4 69
8 75,5
12 78,5
16 81,5
20 78,5
24 78
28 77,5
32 77
36 79
40 80
44 78,5
Dari tabel 4.15 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron yaitu 16.
Akurasi tertinggi yang diperoleh yaitu 81,5%. Untuk lebih
jelasnya, perubahan naik turunnya akurasi dapat dilihat
pada grafik berikut ini:
Gambar 4.39 Grafik Perubahan Akurasi Orde 12,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.16 Hasil Akurasi Orde 12, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
16
2 64,5
4 76,5
8 76,5
12 76,5
16 75,5
20 80,5
24 78
28 82
32 78
36 79,5
40 81
44 71,5
Dari tabel 4.16 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 16 dan hidden
layer 2 dengan jumlah neuron 28. Akurasi tertinggi yang
diperoleh yaitu 82%. Untuk lebih jelasnya, perubahan naik
turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.40 Grafik Perubahan Akurasi Orde 12,
Hidden Layer 2
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
8. Orde 12 +
a) Hidden layer 1
Tabel 4.17 Hasil Akurasi Orde 12+, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 64,5
4 74
8 79,5
12 78,5
16 79,5
20 75,5
24 78
28 74,5
32 75
36 77,5
40 82
44 81
Dari tabel 4.17 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron yaitu 40.
Akurasi tertinggi yang diperoleh yaitu 82%. Untuk lebih
jelasnya, perubahan naik turunnya akurasi dapat dilihat
pada grafik berikut ini:
Gambar 4.41 Grafik Perubahan Akurasi Orde 12+,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.18 Hasil Akurasi Orde 12+, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
40
2 75,5
4 75
8 73,5
12 77
16 81,5
20 78
24 80
28 74,5
32 79,5
36 77,5
40 75,5
Dari tabel 4.18 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 40 dan hidden
layer 2 dengan jumlah neuron 16. Akurasi tertinggi yang
diperoleh yaitu 81,5%. Untuk lebih jelasnya, perubahan
naik turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.42 Grafik Perubahan Akurasi Orde 12+,
Hidden Layer 2
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
9. Orde 12 + +
a) Hidden layer 1
Tabel 4.19 Hasil Akurasi Orde 12++, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 59,5
4 70,5
8 77,5
12 76,5
16 76
20 77,5
24 75,5
28 79
32 77
36 80,5
40 77,5
Dari tabel 4.19 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron yaitu 36.
Akurasi tertinggi yang diperoleh yaitu 80,5%. Untuk lebih
jelasnya, perubahan naik turunnya akurasi dapat dilihat
pada grafik berikut ini:
Gambar 4.43 Grafik Perubahan Akurasi Orde 12++,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.20 Hasil Akurasi Orde 12++, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
36
2 61,5
4 77
8 75,5
12 77
16 74
20 77
24 75
28 72
32 77
36 74,5
40 81,5
44 76,5
Dari tabel 4.20 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 36 dan hidden
layer 2 dengan jumlah neuron 40. Akurasi tertinggi yang
diperoleh yaitu 81,5%. Untuk lebih jelasnya, perubahan
naik turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.44 Grafik Perubahan Akurasi Orde 12++,
Hidden Layer 2
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
10. Orde 14
a) Hidden layer 1
Tabel 4.21 Hasil Akurasi Orde 14, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 56
4 74,5
8 78
12 77,5
16 80,5
20 73
24 83,5
28 82
32 83,5
36 76
40 74,5
Dari tabel 4.21 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron yaitu 24.
Akurasi tertinggi yang diperoleh yaitu 83,5%. Untuk lebih
jelasnya, perubahan naik turunnya akurasi dapat dilihat
pada grafik berikut ini:
Gambar 4.45 Grafik Perubahan Akurasi Orde 14,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.22 Hasil Akurasi Orde 14, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
24
2 75
4 81
8 77
12 77,5
16 74,5
20 74,5
24 78
28 81
32 77,5
36 80
40 76
Dari tabel 4.22 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 24 dan hidden
layer 2 dengan jumlah neuron 4. Akurasi tertinggi yang
diperoleh yaitu 81%. Untuk lebih jelasnya, perubahan naik
turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.46 Grafik Perubahan Akurasi Orde 14,
Hidden Layer 2
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
11. Orde 14 +
a) Hidden layer 1
Tabel 4.23 Hasil Akurasi Orde 14+, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 63,5
4 79,5
8 77
12 79
16 79
20 80,5
24 82
26 80
32 82
36 77,5
40 81,5
44 79
Dari tabel 4.23 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron yaitu 24.
Akurasi tertinggi yang diperoleh yaitu 82%. Untuk lebih
jelasnya, perubahan naik turunnya akurasi dapat dilihat
pada grafik berikut ini:
Gambar 4.47 Grafik Perubahan Akurasi Orde 14+,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 26 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.24 Hasil Akurasi Orde 14+, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
24
2 60
4 78,5
8 79
12 78
16 75,5
20 74,5
24 81,5
28 78,5
32 83,5
36 79,5
40 78
Dari tabel 4.24 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 24 dan hidden
layer 2 dengan jumlah neuron 32. Akurasi tertinggi yang
diperoleh yaitu 83,5%. Untuk lebih jelasnya, perubahan
naik turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.48 Grafik Perubahan Akurasi Orde 14+,
Hidden Layer 2
50
55
60
65
70
75
80
85
90
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
12. Orde 14 + +
a) Hidden layer 1
Tabel 4.25 Hasil Akurasi Orde 14++, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 60
4 75,5
8 79
12 79,5
16 78
20 76,5
24 80,5
28 79
32 76,5
36 79,5
40 77
Dari tabel 4.25 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron yaitu 24.
Akurasi tertinggi yang diperoleh yaitu 80,5%. Untuk lebih
jelasnya, perubahan naik turunnya akurasi dapat dilihat
pada grafik berikut ini:
Gambar 4.49 Grafik Perubahan Akurasi Orde 14++,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
87
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.26 Hasil Akurasi Orde 14++, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
24
2 59
4 72,5
8 80,5
12 80
16 78
20 78,5
24 76,5
28 77,5
32 79,5
36 80,5
40 81
44 81,5
48 77
Dari tabel 4.26 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 24 dan hidden
layer 2 dengan jumlah neuron 44. Akurasi tertinggi yang
diperoleh yaitu 81,5%. Untuk lebih jelasnya, perubahan
naik turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.50 Grafik Perubahan Akurasi Orde 14++,
Hidden Layer 2
50
60
70
80
90
2 4 8 12 16 20 24 28 32 36 40 44 48
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
13. Orde 16
a) Hidden layer 1
Tabel 4.27 Hasil Akurasi Orde 16, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 53
4 65
8 74
12 79
16 76,5
20 78,5
24 80
28 73,5
32 78,5
36 76
40 81
44 79
Dari tabel 4.27 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron yaitu 40.
Akurasi tertinggi yang diperoleh yaitu 81%. Untuk lebih
jelasnya, perubahan naik turunnya akurasi dapat dilihat
pada grafik berikut ini:
Gambar 4.51 Grafik Perubahan Akurasi Orde 16,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40 44
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
89
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.28 Hasil Akurasi Orde 16, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
40
2 61
4 72
8 74,5
12 70
16 77
20 78,5
24 79
28 75,5
32 78
36 74
40 75
44 78
48 77
Dari tabel 4.28 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 40 dan hidden
layer 2 dengan jumlah neuron 24. Akurasi tertinggi yang
diperoleh yaitu 79%. Untuk lebih jelasnya, perubahan naik
turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.52 Grafik Perubahan Akurasi Orde 16,
Hidden Layer 2
50
60
70
80
90
2 4 8 12 16 20 24 28 32 36 40 44 48
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
90
14. Orde 16 +
a) Hidden layer 1
Tabel 4.29 Hasil Akurasi Orde 16+, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 49,5
4 64,5
8 75
12 73
16 78
20 79,5
24 80
28 76,5
32 78
36 80
40 77
Dari tabel 4.29 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron yaitu 24.
Akurasi tertinggi yang diperoleh yaitu 80%. Untuk lebih
jelasnya, perubahan naik turunnya akurasi dapat dilihat
pada grafik berikut ini:
Gambar 4.53 Grafik Perubahan Akurasi Orde 16+,
Hidden Layer 1
45
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
91
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.30 Hasil Akurasi Orde 16+, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
24
2 60,5
4 76
8 75
12 76
16 73
20 74
24 74,5
28 77,5
32 78,5
36 80,5
40 75
Dari tabel 4.30 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 24 dan hidden
layer 2 dengan jumlah neuron 36. Akurasi tertinggi yang
diperoleh yaitu 80,5%. Untuk lebih jelasnya, perubahan
naik turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.54 Grafik Perubahan Akurasi Orde 16+,
Hidden Layer 2
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
jumlah neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
92
15. Orde 16 + +
a) Hidden layer 1
Tabel 4.31 Hasil Akurasi Orde 16++, Hidden Layer 1
Jumlah Neuron Hidden Layer 1 Akurasi (%)
2 60
4 70
8 77,5
12 78,5
16 77
20 76
24 75,5
28 71
32 77
36 79,5
40 75
Dari tabel 4.31 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron yaitu 36.
Akurasi tertinggi yang diperoleh yaitu 79,5%. Untuk lebih
jelasnya, perubahan naik turunnya akurasi dapat dilihat
pada grafik berikut ini:
Gambar 4.55 Grafik Perubahan Akurasi Orde 16++,
Hidden Layer 1
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
Jumlah Neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
93
b) Hidden layer 2
Jumlah neuron optimal pada hidden layer 1
digunakan untuk mencari jumlah neuron pada hidden layer
2.
Tabel 4.32 Hasil Akurasi Orde 16++, Hidden Layer 2
Jumlah Neuron Akurasi (%)
Hidden Layer 1 Hidden Layer 2
36
2 64
4 71,5
8 74
12 75
16 76,5
20 71
24 76
28 82,5
32 76,5
36 74
40 73
Dari tabel 4.32 , dapat dilihat akurasi tertinggi ada
pada hidden layer 1 dengan jumlah neuron 36 dan hidden
layer 2 dengan jumlah neuron 28. Akurasi tertinggi yang
diperoleh yaitu 82,5%. Untuk lebih jelasnya, perubahan
naik turunnya akurasi dapat dilihat pada grafik berikut ini:
Gambar 4.56 Grafik Perubahan Akurasi Orde 16++,
Hidden Layer 2
50
55
60
65
70
75
80
85
2 4 8 12 16 20 24 28 32 36 40
aku
rasi
(%
)
Jumlah Neuron
Grafik Perubahan Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
94
4.2.2 Pengujian Data Tunggal
Setelah dilakukan pelatihan pada arsitektur jaringan syaraf
tiruan, selanjutnya akan dilakukan pengujian terhadap data tunggal,
dimana data yang diuji merupakan data suara input-an terbaru yang
tidak termasuk dalam proses pelatihan dan pengujian data kelompok.
Proses ini dilakukan dengan mengklasifikasikan suara mesin
sepeda motor menggunakan model jaringan terbaik yang telah
didapatkan dari proses pelatihan arsitektur jaringan. Data uji untuk
masing-masing jenis suara mesin sepeda motor berjumlah satu file
rekaman. Kemudian seluruh hasil identifikasi dari aplikasi tersebut
divalidasikan terhadap teknisi mesin. Berikut ini tabel hasil uji coba
terhadap 4 file rekaman suara mesin sepeda motor serta validasi
teknisi mesin sepeda motor:
Tabel 4.33 Hasil Pengujian Data Tunggal dan Validasi Teknisi Mesin
Sepeda Motor
No Nama File
Rekaman
Hasil Dari
Aplikasi
Hasil Dari
Pengecekan Mesin Status Validasi Teknisi
1 klep.wav Kerusakan Klep
Mesin
Kerusakan Klep
Mesin Benar
2 normal.wav Mesin Normal Mesin Normal Benar
3 rantai.wav Kerusakan Rantai
Kamprat Mesin
Kerusakan Rantai
Kamprat Mesin Benar
4 seher.wav Kerusakan Stang
Seher Mesin
Kerusakan Stang
Seher Mesin Benar
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
95
5 BAB V
PENUTUP
5.1 Kesimpulan
Dari hasil penelitian ini, identifikasi kerusakan mesin sepeda motor
berdasarkan suara mesin menggunakan fitur LPC dan metode Back
Propagation, dapat disimpulkan dalam beberapa hal, sebagai berikut:
1. Hasil dari percobaan pengujian variasi kombinasi ciri dan jumlah
hidden layer beserta jumlah neuron-nya, dengan parameter arsitektur
jaringan syaraf tiruan Back Propagation yaitu jumlah iterasi/epoch 200,
nilai target error (mse) 0,0001, dan nilai laju pemahaman (=learning
rate) 0,1 , menghasilkan akurasi tertinggi sebesar 84% pada ciri orde 10
dengan 2 hidden layer, yaitu jumlah neuron pada hidden layer 1
sebanyak 28 dan jumlah neuron pada hidden layer 2 sebanyak 20.
2. Model jaringan syaraf tiruan yang dihasilkan sudah mampu
mengklasifikasikan suara mesin sepeda motor berdasarkan kondisi
mesinnya, dengan baik karena akurasi sistem yang diperoleh cukup
tinggi, maka aplikasi ini mampu mengklasifikasikannya dengan tepat,
sehingga hasilnya sesuai dengan target aslinya.
5.2 Saran
Saran yang dapat diberikan untuk mengembangkan aplikasi ini
kedepannya yaitu:
1. Jumlah data suara mesin yang akan digunakan dalam pelatihan dan
pengujian arsitektur jaringan ditambah lagi.
2. Metode ekstraksi ciri dapat menggunakan metode lain, contohnya
MFCC.
3. Untuk pengembangan aplikasi ini lebih lanjutkan, dapat dibuat dalam
bentuk aplikasi handphone seperti android dan ios, agar lebih mudah
digunakan oleh masyarakat dan para teknisi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
96
DAFTAR PUSTAKA
Susilawati, H., Astuti, W., Ulinnuha, N., & Taufiqurrohman, N. (2011). Sistem
Pendeteksian Kerusakan Mesin Sepeda Motor 4-Langkah Berbasis Suara
Menggunakan Support Vector Machine (SVM). Jawa Tengah, Purwokerto:
Universitas Jendral Soedirman Purwokerto.
Sutiman & Solikin, M. (2005). Mesin Sepeda Motor. Yogyakarta: Penerbit
Insania.
Gold, B. & Morgan, N. (2000). Speech and Audio Signal Processing : Processing
and Perception of Speech and Music. New York: John Wiley & Sons, Inc.
Rabiner, L. & Juang, B. H. (1993). Fundamentals of Speech Recognition. New
Jersey: Prentice Hall PTR.
Siang, J. J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan
Matlab (1). Yogyakarta: Penerbit ANDI.
Khrisnadi, B. (2005). Simulasi Linear Predictive Coding (LPC) dengan
Menggunakan Visual Basic 6.0. Tidak dipublikasikan. Yogyakarta:
Universitas Sanata Dharma.
Tan, P.-N., Steinbach, M., & Kumar, V. (2006). Introduction To Data Mining.
Boston: Pearson Addison Wesley.
Rohman, S., N., Hidayatno, A., & Zahra, A., A., (2012). Aplikasi Pencirian
Dengan Linear Predictive Coding Untuk Pembelajaran Pengucapan
Nama Hewan Dalam Bahasa Inggris Menggunakan Jaringan Syaraf
Tiruan Propagasi Balik. Semarang: Universitas Diponegoro.
Sutara, F., A., (2014). Analisis dan Implementasi Song Recog-Nition
Menggunakan Algoritma Fast Fourier Transform. Medan: Universitas
Sumatera Utara.
Ellis, D. (2003). Matlab Audio Processing Examples.
https://www.ee.columbia.edu/~dpwe/resources/matlab/rastamat/deltas.m .
8 Oktober 2015.
Anggraeni, L., Rizal, A., & Usman, K. (2007). Pengenalan Suara Jantung
Menggunakan Metode LPC dan JST-BP. Jawa Barat, Bandung: Sekolah
Tinggi Teknologi Telkom.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
97
LAMPIRAN
Source Code:
menu.m
function varargout = menu(varargin)
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @menu_OpeningFcn, ...
'gui_OutputFcn', @menu_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
function menu_OpeningFcn(hObject, eventdata, handles, varargin)
handles.output = hObject;
guidata(hObject, handles);
function varargout = menu_OutputFcn(hObject, eventdata, handles)
varargout{1} = handles.output;
function direktori_pelatihan_Callback(hObject, eventdata, handles)
function direktori_pelatihan_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function browse_data_Callback(hObject, eventdata, handles)
dirName = uigetdir('C:\','cari data pelatihan');
set(handles.direktori_pelatihan,'String',dirName);
files = dir(fullfile(dirName,'*.wav'));
set(handles.list_data,'String',{files.name});
function list_data_Callback(hObject, eventdata, handles)
function list_data_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function tombol_ekstraksi_Callback(hObject, eventdata, handles)
list_nama_data = get(handles.list_data, 'String');
[jumlah,kata] = size(list_nama_data);
disp(jumlah);
if jumlah < 2
h = msgbox('Tidak ada data', 'Error','error');
return;
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
98
wb = waitbar(0, 'proses ekstraksi data')
tic
dirName = get(handles.direktori_pelatihan,'String');
nama_file=char(list_nama_data);
data=zeros(jumlah, 180);
target_pelatihan=zeros(jumlah,4);
disp(jumlah);
for i=1:jumlah
i_str = int2str(i);
disdat=strcat('proses data ke-',i_str);
disdat=char(disdat);
disp(disdat);
disp(nama_file(i,:));
% input data target pelatihan
if nama_file(i,1)=='k' %1-klep
target_pelatihan(i,1)=1;target_pelatihan(i,2)=0;target_pelatihan(i,3)=0;t
arget_pelatihan(i,4)=0;
elseif nama_file(i,1)=='n' %2-normal
target_pelatihan(i,1)=0;target_pelatihan(i,2)=1;target_pelatihan(i,3)=0;t
arget_pelatihan(i,4)=0;
elseif nama_file(i,1)=='r' %3-rantai
target_pelatihan(i,1)=0;target_pelatihan(i,2)=0;target_pelatihan(i,3)=1;t
arget_pelatihan(i,4)=0;
elseif nama_file(i,1)=='s' %4-seher
target_pelatihan(i,1)=0;target_pelatihan(i,2)=0;target_pelatihan(i,3)=0;t
arget_pelatihan(i,4)=1;
else %no_classified
target_pelatihan(i,1)=0;target_pelatihan(i,2)=0;target_pelatihan(i,3)=0;t
arget_pelatihan(i,4)=0;
end
file_suara=strcat(dirName,'\',nama_file(i,:));
data_suara=wavread(char(file_suara));
[hasil8,hasil10,hasil12,hasil14,hasil16]=ekstraksi_ciri_lpc(data_suara,wb
);
data_gabung=[hasil8 hasil10 hasil12 hasil14 hasil16];
[b,k]=size(data_gabung);
for j=1:k
data(i,j)=data_gabung(j);
end
waitbar(i/jumlah);
end
norm_data=normalisasi(data);
save('data.mat','data');
save('norm_data.mat','norm_data');
save('target_pelatihan.mat','target_pelatihan');
pilihan_ciri=[1 8;1 16;1 24;25 34;25 44;25 54;55 66;55 78;55 90;91 104;91
118;91 132;133 148;133 164;133 180;0 0];
save('pilihan_ciri.mat','pilihan_ciri');
toc
waktu=round(toc); %total waktu proses (detik)
disp(waktu);
menit=waktu/60; %dalam menit
disp(menit);
jam=menit/60; %dalam jam
disp(jam);
close(wb);
h = msgbox('Ekstraksi Ciri Data Berhasil', 'Ekstraksi Data','warn');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
99
function deltacek_Callback(hObject, eventdata, handles)
deltacekStatus=get(handles.deltacek,'Value');
if deltacekStatus == 1
set(handles.delta2cek,'Enable','on');
else
set(handles.delta2cek,'Value',0);
set(handles.delta2cek,'Enable','off');
end
function delta2cek_Callback(hObject, eventdata, handles)
function direktori_identifikasi_Callback(hObject, eventdata, handles)
function direktori_identifikasi_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function tombol_cari_Callback(hObject, eventdata, handles)
[fileName,pathname] = uigetfile('C:\*.wav','Pilih File Suara');
set(handles.direktori_identifikasi,'String',fileName);
dirFile = strcat(pathname,fileName);
file_suara = char(dirFile);
handles.file_suara=file_suara;
guidata(hObject, handles);
function tombol_identifikasi_Callback(hObject, eventdata, handles)
teksDirektoriUji=get(handles.direktori_identifikasi,'String');
if strcmp(teksDirektoriUji, 'pilih file') == 1 ||
strcmp(teksDirektoriUji, '') == 1
h = msgbox('Tidak Ada Data', 'Error','error');
return;
else
load 'pilihan_ciri.mat';
if pilihan_ciri(16,1) == 0
h = msgbox('Pilihan Ciri Tidak Ada', 'Error','error');
return;
else
wb = waitbar(0, 'Identifikasi Data');
file_suara = handles.file_suara;
data_suara=wavread(file_suara);
[hasil8,hasil10,hasil12,hasil14,hasil16]=ekstraksi_ciri_lpc(data_suara,wb
);
dc=[hasil8 hasil10 hasil12 hasil14 hasil16];
save('dc.mat','dc');
waitbar(1/2);
load 'net.mat';
load 'data.mat';
[x,y]=size(data);
data_gabung = [data;dc];
data_gabung_norm=normalisasi(data_gabung);
data_sim=data_gabung_norm(x+1,pilihan_ciri(pilihan_ciri(16,1),1):pilihan_
ciri(pilihan_ciri(16,1),2));
a=sim(net,data_sim.');
a=compet(a);
[q, r]=max(a);
if r == 1
set(handles.tampil_hasil,'String','Kerusakan KLEP Mesin
Sepeda Motor');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
100
elseif r == 2
set(handles.tampil_hasil,'String','Mesin Sepeda Motor
NORMAL');
elseif r == 3
set(handles.tampil_hasil,'String','Kerusakan RANTAI KAMPRAT
Mesin Sepeda Motor');
elseif r == 4
set(handles.tampil_hasil,'String','Kerusakan STANG SEHER
Mesin Sepeda Motor');
else
set(handles.tampil_hasil,'String','Kerusakan Mesin Sepeda
Motor Tidak Diketahui');
end
waitbar(2/2);
close(wb);
end
end
function tampil_signal_Callback(hObject, eventdata, handles)
teksDirektoriUji=get(handles.direktori_identifikasi,'String');
if strcmp(teksDirektoriUji, 'pilih file') == 1 ||
strcmp(teksDirektoriUji, '') == 1
h = msgbox('Tidak Ada Data', 'Error','error');
return;
else
[y,fs]=wavread(handles.file_suara);
sinyal=y(1:fs,1); % sinyal selama 1 detik
figure(1);subplot(2,1,1);plot(sinyal);axis('tight');ylabel('Amplitude');x
label('Time');
subplot(2,1,2);ylabel('Spectrogram');xlabel('Frequency');specgram(sinyal,
[],fs);
end
function tombol_backpropagation_Callback(hObject, eventdata, handles)
radio8=get(handles.button8,'Value');
radio10=get(handles.button10,'Value');
radio12=get(handles.button12,'Value');
radio14=get(handles.button14,'Value');
radio16=get(handles.button16,'Value');
cekboxDelta=get(handles.deltacek,'Value');
cekboxDelta2=get(handles.delta2cek,'Value');
editHidden1=str2double(get(handles.hidden1,'String'));
editHidden2=str2double(get(handles.hidden2,'String'));
editEpoch=str2double(get(handles.epoch,'String'));
if editHidden1==0
h = msgbox('Hidden Layer 1 Tidak Boleh 0','Error','error');
return;
end
tic
wb = waitbar(0, 'proses backpropagation');
load 'norm_data.mat';
load 'target_pelatihan.mat';
load 'pilihan_ciri.mat';
ciri=0;
if radio8 == 1
if cekboxDelta == 1
if cekboxDelta2 ==1
ciri=3;
else
ciri=2;
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
101
else
ciri=1;
end
elseif radio10 == 1
if cekboxDelta == 1
if cekboxDelta2 ==1
ciri=6;
else
ciri=5;
end
else
ciri=4;
end
elseif radio12 == 1
if cekboxDelta == 1
if cekboxDelta2 ==1
ciri=9;
else
ciri=8;
end
else
ciri=7;
end
elseif radio14 == 1
if cekboxDelta == 1
if cekboxDelta2 ==1
ciri=12;
else
ciri=11;
end
else
ciri=10;
end
elseif radio16 == 1
if cekboxDelta == 1
if cekboxDelta2 ==1
ciri=15;
else
ciri=14;
end
else
ciri=13;
end
else
ciri=0;
end
data_pelatihan=norm_data(:,pilihan_ciri(ciri,1):pilihan_ciri(ciri,2));
dataset1 =
[data_pelatihan(1:10,:);data_pelatihan(51:60,:);data_pelatihan(101:110,:)
;data_pelatihan(151:160,:)];
dataset2 =
[data_pelatihan(11:20,:);data_pelatihan(61:70,:);data_pelatihan(111:120,:
);data_pelatihan(161:170,:)];
dataset3 =
[data_pelatihan(21:30,:);data_pelatihan(71:80,:);data_pelatihan(121:130,:
);data_pelatihan(171:180,:)];
dataset4 =
[data_pelatihan(31:40,:);data_pelatihan(81:90,:);data_pelatihan(131:140,:
);data_pelatihan(181:190,:)];
dataset5 =
[data_pelatihan(41:50,:);data_pelatihan(91:100,:);data_pelatihan(141:150,
:);data_pelatihan(191:200,:)];
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
102
targetset1 =
[target_pelatihan(1:10,:);target_pelatihan(51:60,:);target_pelatihan(101:
110,:);target_pelatihan(151:160,:)];
targetset2 =
[target_pelatihan(11:20,:);target_pelatihan(61:70,:);target_pelatihan(111
:120,:);target_pelatihan(161:170,:)];
targetset3 =
[target_pelatihan(21:30,:);target_pelatihan(71:80,:);target_pelatihan(121
:130,:);target_pelatihan(171:180,:)];
targetset4 =
[target_pelatihan(31:40,:);target_pelatihan(81:90,:);target_pelatihan(131
:140,:);target_pelatihan(181:190,:)];
targetset5 =
[target_pelatihan(41:50,:);target_pelatihan(91:100,:);target_pelatihan(14
1:150,:);target_pelatihan(191:200,:)];
hasil_conmat=zeros(4,4);
max=0;
for i=1:5
if i == 1
input_train = [dataset1;dataset2;dataset3;dataset4].';
input_test = dataset5.';
target_train = [targetset1;targetset2;targetset3;targetset4].';
target_test = targetset5.';
elseif i == 2
input_train = [dataset1;dataset2;dataset3;dataset5].';
input_test = dataset4.';
target_train = [targetset1;targetset2;targetset3;targetset5].';
target_test = targetset4.';
elseif i == 3
input_train = [dataset1;dataset2;dataset4;dataset5].';
input_test = dataset3.';
target_train = [targetset1;targetset2;targetset4;targetset5].';
target_test = targetset3.';
elseif i == 4
input_train = [dataset1;dataset3;dataset4;dataset5].';
input_test = dataset2.';
target_train = [targetset1;targetset3;targetset4;targetset5].';
target_test = targetset2.';
else
input_train = [dataset2;dataset3;dataset4;dataset5].';
input_test = dataset1.';
target_train = [targetset2;targetset3;targetset4;targetset5].';
target_test = targetset1.';
end
[output,net]=backpropagation(input_train,target_train,input_test,editHidd
en1,editHidden2,editEpoch);
hasil_conmat = confusionmatrix(output) + hasil_conmat;
sumAll = sum(sum(hasil_conmat));
sumDiag = sum(diag(hasil_conmat));
akurasiSem = (sumDiag/sumAll)*100;
if akurasiSem > max
save('net.mat','net');
max=akurasiSem;
end
waitbar(i/5);
end
jmlh_total = sum(sum(hasil_conmat));
jmlh_diag = sum(diag(hasil_conmat));
akurasi = (jmlh_diag/jmlh_total)*100;
set(handles.teksAkurasi,'String',num2str(akurasi));
tabel=num2str(hasil_conmat);
set(handles.confusion_matrix,'String',tabel);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
103
pilihan_ciri(16,1)=ciri;
save('pilihan_ciri.mat','pilihan_ciri');
toc
waktu=round(toc);
waktu=num2str(waktu);
set(handles.waktu_proses,'String',waktu);
close(wb);
h = msgbox('Pelatihan Jaringan SELESAI', 'Pelatihan
Backpropagation','warn');
function hidden2_Callback(hObject, eventdata, handles)
function hidden2_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function epoch_Callback(hObject, eventdata, handles)
function epoch_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function hidden1_Callback(hObject, eventdata, handles)
function hidden1_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function buttonHapus_Callback(hObject, eventdata, handles)
set(handles.direktori_pelatihan,'String','pilih direktori');
set(handles.list_data,'String','data...*.wav');
function edit12_Callback(hObject, eventdata, handles)
function edit12_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function edit13_Callback(hObject, eventdata, handles)
function edit13_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
autokorelasi.m
function [ hasil ] = autokorelasi( data,orde )
[f,s]=size(data);
for i=1:f
for j=1:orde+1
hasil(i,j)=0;
for k=1:s-j
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
104
hasil(i,j)=hasil(i,j)+(data(i,k)*data(i,k+j));
end
end
end
end
backpropagation.m
function [ output, net ] = backpropagation( input_train, target_train,
input_test, hid_net1, hid_net2, epochs)
% Inisialisasi jaringan
rng(0);
if hid_net2 == 0
net=newff(minmax(input_train),[hid_net1,4],{'logsig','purelin'},'trainrp'
);
else
net=newff(minmax(input_train),[hid_net1,hid_net2,4],{'logsig','logsig','p
urelin'},'trainrp');
end
net=init(net);
net.trainParam.epochs = epochs;
net.trainParam.lr = 0.1;
net.trainParam.goal = 0.0001;
% pelatihan jaringan
[net,tr]=train(net,input_train,target_train);
% pengujian jaringan
error=sim(net,input_test);
a=compet(error);
output=a.';
end
confusionmatrix.m
function [ output_conmat ] = confusionmatrix( input_data )
[xb,yk] = size(input_data);
conmat = zeros(xb,1);
for i=1:xb
data=input_data(i,:);
[out, ind]=max(data);
if(ind == 1)
conmat(i)=1;
elseif(ind == 2)
conmat(i)=2;
elseif(ind == 3)
conmat(i)=3;
else
conmat(i)=4;
end
end
output_conmat=zeros(4,4);
conmat_a=conmat(1:10,:);
conmat_b=conmat(11:20,:);
conmat_c=conmat(21:30,:);
conmat_d=conmat(31:40,:);
for i=1:10
if(conmat_a(i)==1)
output_conmat(1,1)=output_conmat(1,1)+1;
end
if(conmat_a(i)==2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
105
output_conmat(1,2)=output_conmat(1,2)+1;
end
if(conmat_a(i)==3)
output_conmat(1,3)=output_conmat(1,3)+1;
end
if(conmat_a(i)==4)
output_conmat(1,4)=output_conmat(1,4)+1;
end
if(conmat_b(i)==1)
output_conmat(2,1)=output_conmat(2,1)+1;
end
if(conmat_b(i)==2)
output_conmat(2,2)=output_conmat(2,2)+1;
end
if(conmat_b(i)==3)
output_conmat(2,3)=output_conmat(2,3)+1;
end
if(conmat_b(i)==4)
output_conmat(2,4)=output_conmat(2,4)+1;
end
if(conmat_c(i)==1)
output_conmat(3,1)=output_conmat(3,1)+1;
end
if(conmat_c(i)==2)
output_conmat(3,2)=output_conmat(3,2)+1;
end
if(conmat_c(i)==3)
output_conmat(3,3)=output_conmat(3,3)+1;
end
if(conmat_c(i)==4)
output_conmat(3,4)=output_conmat(3,4)+1;
end
if(conmat_d(i)==1)
output_conmat(4,1)=output_conmat(4,1)+1;
end
if(conmat_d(i)==2)
output_conmat(4,2)=output_conmat(4,2)+1;
end
if(conmat_d(i)==3)
output_conmat(4,3)=output_conmat(4,3)+1;
end
if(conmat_d(i)==4)
output_conmat(4,4)=output_conmat(4,4)+1;
end
end
end
delta_lpc.m
function [ d ] = delta_lpc( x, w )
% D = deltas(X,W) Calculate the deltas (derivatives) of a sequence
% Use a W-point window (W odd, default 9) to calculate deltas using a
% simple linear slope. This mirrors the delta calculation performed
% in feacalc etc. Each row of X is filtered separately.
% 2003-06-30 [email protected]
if nargin < 2
w = 9;
end
[nr,nc] = size(x);
if nc == 0
% empty vector passed in; return empty vector
d = x;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
106
else
% actually calculate deltas
% Define window shape
hlen = floor(w/2);
w = 2*hlen + 1;
win = hlen:-1:-hlen;
% pad data by repeating first and last columns
xx = [repmat(x(:,1),1,hlen),x,repmat(x(:,end),1,hlen)];
% Apply the delta filter
d = filter(win, 1, xx, [], 2); % filter along dim 2 (rows)
% Trim edges
d = d(:,2*hlen + [1:nc]);
end
end
ekstraksi_ciri_lpc.m
function [ hasil8,hasil10,hasil12,hasil14,hasil16 ] =
ekstraksi_ciri_lpc( data,wb )
waitbar(0,wb,'ekstraksi ciri LPC');
% cek panjang data (maks. 3 detik)
[xs,ys]=size(data);
if xs > 150000
data_suara=data(1:150000,:);
else
data_suara=data;
end
% proses frame blocking
hasil_framing = frame_blocking(data_suara);
waitbar(1/6);
% proses windowing
hasil_windowing = hamming_window(hasil_framing);
waitbar(2/6);
% konversi data windowing matrix 1xdata
[f,d]=size(hasil_windowing);
out_windowing=hasil_windowing(1,:);
for i=2:f
out_windowing=[out_windowing hasil_windowing(i,:)];
end
% proses analisis autokorelasi
% orde 8
hasil_autokorelasi8=autokorelasi(out_windowing,8);
% orde 10
hasil_autokorelasi10=autokorelasi(out_windowing,10);
% orde 12
hasil_autokorelasi12=autokorelasi(out_windowing,12);
% orde 14
hasil_autokorelasi14=autokorelasi(out_windowing,14);
% orde 16
hasil_autokorelasi16=autokorelasi(out_windowing,16);
waitbar(3/6);
% proses analisis LPC (levinson durbin)
% orde 8
orde8=levinson_durbin(hasil_autokorelasi8,8).';
lpc8=orde8(:,2:9);
% orde 10
orde10=levinson_durbin(hasil_autokorelasi10,10).';
lpc10=orde10(:,2:11);
% orde 12
orde12=levinson_durbin(hasil_autokorelasi12,12)';
lpc12=orde12(:,2:13);
% orde 14
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
107
orde14=levinson_durbin(hasil_autokorelasi14,14).';
lpc14=orde14(:,2:15);
% orde 16
orde16=levinson_durbin(hasil_autokorelasi16,16).';
lpc16=orde16(:,2:17);
waitbar(4/6);
% proses delta1 LPC
% orde 8
delta1_8=delta_lpc(lpc8,8);
% orde 10
delta1_10=delta_lpc(lpc10,10);
% orde 12
delta1_12=delta_lpc(lpc12,12);
% orde 14
delta1_14=delta_lpc(lpc14,14);
% orde 16
delta1_16=delta_lpc(lpc16,16);
waitbar(5/6);
% proses delta2 LPC
% orde 8
delta2_8=delta_lpc(delta1_8,8);
% orde 10
delta2_10=delta_lpc(delta1_10,10);
% orde 12
delta2_12=delta_lpc(delta1_12,12);
% orde 14
delta2_14=delta_lpc(delta1_14,14);
% orde 16
delta2_16=delta_lpc(delta1_16,16);
% gabungan hasil ekstraksi LPC
% orde 8
hasil8=[lpc8 delta1_8 delta2_8];
% orde 10
hasil10=[lpc10 delta1_10 delta2_10];
% orde 12
hasil12=[lpc12 delta1_12 delta2_12];
% orde 14
hasil14=[lpc14 delta1_14 delta2_14];
% orde 16
hasil16=[lpc16 delta1_16 delta2_16];
waitbar(6/6);
end
frame_blocking.m
function [ output_data ] = frame_blocking( data_input )
% diambil 40 milisecond untuk setiap frame, dengan overlapping sebanyak
20 milisecond
N=1764;
M=N/2;
jml_frame=149; % 3 detik
hasil=zeros(jml_frame, N);
x=1;
for i=1:jml_frame
for j=1:N
hasil(i, j)=data_input(x);
x=x+1;
end
x=x-M;
end
output_data=hasil;
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
108
hamming_window.m
function [ hasil ] = hamming_window( input_window )
[x,y]=size(input_window);
for i=1:x
for j=1:y
input_window(i, j) = input_window(i,j) * (0.54 - (0.46 * cos ((2 * pi
* j) / (y-1))));
end
end
hasil = input_window;
end
levinson_durbin.m
function [ap, b0, e, g] = levinson_durbin(r, p)
ap = 0;
g = [];
aj(1) = 1;
ej = r(1);
e = [ej];
for j=1:p,
aj1 = zeros(j+1, 1);
aj1(1) = 1;
gammaj = r(j+1);
for i=2:j,
gammaj = gammaj + aj(i)*r(j-i+2);
end
lambdaj1 = -gammaj/ej;
g = [g ; lambdaj1];
for i=2:j,
aj1(i) = aj(i)+lambdaj1*(aj(j-i+2)');
end
aj1(j+1) = lambdaj1;
ej1 = ej*(1-abs(lambdaj1)^2);
e = [e ; ej1];
aj = aj1;
ap = aj1;
ej = ej1;
end
b0 = sqrt(ej1);
end
normalisasi.m
function [ hasil_norm ] = normalisasi( input_data )
hasil_norm = normc(input_data);
end
tampil_visual.m
[filename,pathname] = uigetfile('*.wav','Pilih File Suara');
file_suara = strcat(pathname,filename);
% baca data suara .wav
data_suara=wavread(char(file_suara));
figure(1);plot(data_suara);ylabel('Amplitude');xlabel('Time');
% proses frame blocking
hasil_framing = frame_blocking(data_suara);
figure(2);plot(hasil_framing);ylabel('Amplitude');xlabel('Frame');
% proses windowing
hasil_windowing = hamming_window(hasil_framing);
figure(3);plot(hasil_windowing);ylabel('Amplitude');xlabel('Frame');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
109
% konversi data windowing matrix 1xdata
[f,d]=size(hasil_windowing);out_windowing=hasil_windowing(1,:);
for i=2:f
out_windowing=[out_windowing hasil_windowing(i,:)];
end
% proses analisis autokorelasi (orde 8)
hasil_autokorelasi8=autokorelasi(out_windowing,8);
figure(4);plot(hasil_autokorelasi8);ylabel('Data
Autokorelasi');xlabel('Orde LPC + 1');
% proses analisis LPC (levinson durbin) (orde 8)
orde8=levinson_durbin(hasil_autokorelasi8,8).';lpc8=orde8(:,2:9);
figure(5);plot(lpc8);ylabel('Koefisien LPC');xlabel('Orde LPC');
% proses delta1 LPC (orde 8)
delta1_8=delta_lpc(lpc8,8);
% proses delta2 LPC (orde 8)
delta2_8=delta_lpc(delta1_8,8);
% gabungan hasil ekstraksi LPC (orde 8)
hasil8=[lpc8 delta1_8 delta2_8];
figure(6);plot(hasil8);ylabel('Data');xlabel('Gabungan LPC');i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI