PERBANDINGAN MRR ( MEAN RECIPROCAL RANK ) DENGAN METODE NSDF

(NORMALIZED SQUARED DIFFERENCE FUNCTION) PADA SIMULASI

QUERY BY SINGING/HUMMING (QbSH)
UNTUK MUSIK DANGDUT

KHULKIYAH JABBAR D411 08 277

JULITA FARDHANI D411 08 869

Jurusan ElektroFakultas Teknik

Universitas Hasanuddin

ABSTRAK
Query by Singing/Humming (QbSH) adalah sistem pencarian lagu berdasarkan pada
senandung sebagai dasar pencariannya. Tugas akhir ini akan membahas mengenai perancangan
sistem QbSH menggunakan metode Pitch Tracking Normalized Squared Difference Function
dan Linear Scaling (LS) sebagai metode pencocokan melodi.
Sistem dibuat dengan menggunakan database lagu monophonic MIDI bergenre dangdut.
Sample query yang diuji-cobakan dari 3 orang laki-laki dan 3 orang perempuan. Masing-masing
orang menyenandungkan 10 lagu (query) yang ada dalam database. Optimasi hasil dilakukan
dengan menggunakan variasi resolution dan representasi pitch dalam 3, 5, dan 7 level contour.
Berdasarkan simulasi terhadap variasi resolusi dan representasi level contour diperoleh
hasil MRR rata-rata tertinggi pada resolusi 16 dengan 3 level contour yaitu 0.2509. Nilai MRR
terbaik adalah mendekati atau sama dengan 1.

Kata kunci : QbSH, Melodi, Dangdut, NSDF, Linear Scaling, MRR.

PENDAHULUAN
Saat ini, perkembangan teknologi sudah
merambah pada sistem pencarian informasi
mengenai musik digital semisal aplikasi
pencarian lagu. Karena musik digital saat ini
sudah sangat popular dan mudah didapatkan.
Sehingga untuk menemukan lagu yang
diinginkan dari koleksi musik digital
diperlukan waktu yang cukup lama. Untuk
itu diperlukan suatu search engine yang
dapat mempercepat proses pencarian.
Mengingat ada suatu kondisi dimana
pengguna mencari sebuah lagu dengan cara
memasukkan judul lagu atau nama penyanyi
dari suatu lagu, tetapi akan timbul kesulitan
jika pengguna tidak mengetahui judul
ataupun penyanyinya tapi pengguna hanya
tahu menyanyikan sebagian lirik dari lagu
tersebut. Maka dari itu muncullah istilah
MIR (Music Information Retrieval) yang
berkaitan dengan representasi,
penyimpanan, pengorganisasian dan
perolehan informasi dari musik itu sendiri.
Sehingga pengguna bisa menemukan lagu
yang diinginkan dengan menyanyikan
sebagian teks atau lirik dari lagu.
Sistem pencarian musik yang
dibahas dalam tugas akhir ini adalah sistem
Query by Singing/Humming (QbSH).
Dengan sistem QbSH ini, lagu dapat dicari
hanya dengan menyenandungkan melodi
dari lagu tersebut. Dengan mengekstraksi
fitur melodi berupa pitch, countur, timbre,
onset ataupun rhythm dari query dan lagu
pada database, maka dapat dicocokkan
dengan menggunakan matching engine.
Musik dangdut merupakan salah satu
warisan dari budaya bangsa Indonesia.
Namun sayangnya aliran musik ini mulai
ditinggalkan oleh masyarakat Indonesia. Hal
itu dikarenakan masyarakat menganggap
dangdut adalah jenis musik yang
“kampungan”. Dengan adanya tugas akhir
ini diharapkan dapat mendukung pelestarian
budaya bangsa. Berdasarkan uraian di atas
maka tugas akhir ini disusun untuk membuat
suatu system Query by Singing/Humming,
yang berjudul “Perbandingan Mean
Reciprocal Rank (MRR) dengan Metode
Normalized Squared Difference Function
(NSDF) pada Simulasi Query by
Singing/Humming untuk Musik
Dangdut”.
PERUMUSAN MASALAH
Masalah pokok yang akan dibahas pada tugas
akhir ini yaitu:
1. Pencocokan melodi untuk musik dangdut
dalam sistem Query by Singing/Humming
(QbSH) dengan Pitch Tracking Average
Magnitude Difference Function (AMDF) dan
Autocorrelation Function (ACF) dengan
proses matching menggunakan metode
Linear Scaling (LS).
2. Nilai MRR (Mean Reciprocal Rank) yang
dihasilkan pada uji sistem QbSH yang
menggunakan metode AMDF dan ACF
dengan Linear Scaling sebagai matching
engine dan resolusi sebagai parameter yang
divariasikan .
3. Pengaruh jenis kelamin terhadap nilai MRR
yang dihasilkan.
TUJUAN PENULISAN
Tujuan dari tugas akhir ini adalah sebagai
berikut:
1. Merancang sistem QbSH untuk musik
dangdut dengan menggunakan Pitch
Tracking Normalized Squared Difference
Function (NSDF) dengan proses
matching engine menggunakan metode
Linear Scaling (LS).
2. Membandingkan nilai Mean Reciprocal
Rank (MRR) berdasarkan metode Pitch
Tracking Normalized Squared Difference
Function (NSDF) dengan metode
Average Magnitude Difference Function
(AMDF) dan Auto Correlation Function
(ACF).
3. Menganalisa pengaruh representasi
melodi dengan tingkatan level contour
yang digunakan terhadap nilai MRR.
BATASAN MASALAH
Batasan masalah dalam tugas akhir ini
adalah sebagai berikut :
1. Database yang digunakan adalah 29
MIDI dangdut yang diubah menjadi
bentuk monoponik.
2. Query dari pengguna dilakukan
selama 10 detik disimpan dalam
format wav dengan frekuensi sampling
8000 Hz.
3. Metode pengambilan feature dengan
menggunakan metode NSDF untuk
pitch tracking dan note segmentation
by pitch pada note segmentation.
4. Untuk matching engine menggunakan
metode Linear Scaling.
5. Perancangan simulasi ini
menggunakan software Matlab 7.7
R2008b.
Query by Singing / Humming (QbSH)
MUSIC INFORMATION RETRIEVAL (MIR)
Tujuan Music Information Retrieval
(MIR) adalah untuk mencari lagu yang
relevan dengan sebuah query tertentu. Music
Information Retrieval (MIR) adalah
pengambilan informasi dari konten suatu
musik, informasinya dapat berupa penyanyi,
judul, genre dan lain-lain [5]. Maksud dari
pengambilan informasi berdasarkan konten
dalam informasi yang diambil benar-benar
berasal dari isi music tersebut, bukan berasal
dari teks-teks sisipan (judul, nama penyanyi
dan genre yang biasanya disisipkan pada
MP3).
Gambaran umum sebuah sistem MIR
dapat dilihat pada gambar di bawah ini :
Query Pencarian Daftar lagu
yang
Koleksi Lagu
Gambar-1. Gambaran umum sistem Music
Information Retrieval [6]
Pada Gambar 1, query dapat berupa
melodi, genre lagu, lirik, tempo, irama dan
sebagainya. Lagu-lagu dalam koleksi lagu
dapat disimpan dalam berbagai macam
format file audio, misalnya wav, mp3,
MIDI, realaudio dan sebagainya. MIR
bertujuan untuk memberikan kemudahan
dalam mengakses dan menikmati musik.
PENGERTIAN UMUM QUERY BY
SINGING/HUMMING (QbSH)
Query by Singing/Humming (QbSH)
merupakan salah satu cabang dari Music
Information Retrieval (MIR). QbSH adalah
suatu metode pencarian lagu dengan
menggunakan senandung. Pencarian
berdasarkan senandung ini dibutuhkan
karena terkadang pencari lagu tidak
mengetahui atau lupa dengan judul lagu atau
nama penyanyinya, melainkan hanya
mengetahui potongan lagu dari lagu saja.
Potongan lagu tersebut dapat berupa suara
vocal senandung. Dengan adanya QbSH ini
maka akan dimungkinkan suatu pencarian
suatu lagu dari suatu database dengan
bersenandung sebagai query.
Dalam sistem QbSH pada intinya
adalah pencocokan antara melodi yang
disenandungkan oleh pencari lagu dengan
melodi dari database, kemudian sistem akan
memberikan ranking terhadap lagu yang
paling mirip melodinya dengan lagu yang
dimaksud ada dalam peringkat pertama.
Tujuan dari diberikan ranking bukannya
hanya satu kandidat, akan tetapi untuk
mengantisipasi bila ada beberapa versi lagu
atau ada lagu yang memiliki kemiripan
melodi
PRINSIP DASAR QUERY BY SINGING /
HUMMING (QbSH)
Prinsip dasar dari sistem Query by Singing /
Humming (QbSH) adalah pencocokan
antara melodi yang disenandungkan oleh
user dengan melodi dari database,
kemudian sistem akan me-ranking /
mengurutkan lagu pada database
berdasarkan melodi yang paling mirip.
Ekspektasi dalam simulasi QbSH ini tentu
saja agar lagu yang dicari berada pada
peringkat pertama. Ada beberapa tahapan
proses dalam sistem QbSH, dapat dilihat
pada gambar berikut.
Diagram blok dari proses Query by
Singing / Humming
Gambar-2. Diagram blok dari QbSH
Proses Query by Singing / Humming
memiliki beberapa langkah [8], diantaranya:
a. Membuat Database (database)
Database ini dapat dibuat berdasarkan
format audio lagu tertentu. Format lagu
yang akan dibuat sebagai database
biasanya berupa MIDI. Selanjutnya dari
suatu format suatu lagu tersebut akan
diambil beberapa jenis feature yang
mencirikan suatu melodi dari lagu
tersebut. Kemudian feature yang
diambil tersebut akan menjadi
representasi symbol yang disimpan
dalam database.
b. Memproses Senandung sebagai Query
(Query Feature Extraction)
Format audio dari query yang sering
digunakan adalah WAV (Waveform
Audio Format). Selanjutnya dari WAV
tersebut akan diambil juga beberapa
jenis feature yang sesuai dengan
database yang telah dibuat, sehingga
akan didapatkan representasi symbol
dari WAV tersebut. Representasi
symbol dari query ini yang kemudian
akan digunakan sebagai query dalam
pencarian pada database.
c. Membandingkan Query dengan Melodi
yang terdapat pada database (Matcing
Engine)
Proses ini merupakan proses pencarian
melodi dari database yang sesuai
dengan query yang diinginkan. Proses
ini merupakan proses yang akan
membutuhkan waktu yang cukup lama.
Perbandingan biasanya dilakukan
dengan membandingkan setiap
representasi symbol dari query dengan
setiap entri pada database.
d. Menampilkan Hasil (MRR)
Hasil yang diberikan tidak harus
diberikan dalam satu hasil yang terbaik,
melainkan dalam daftar yang berisikan
sepuluh / dua puluh hasil yang terbaik.
MRR merupakan statistik untuk
mengevaluasi setiap proses yang
menghasilkan daftar tanggapan untuk
sebuah query dari probabilitas
kebenarannya, yang dirumuskan dalam
persamaan (2.2) sebagai berikut [9]:
Dimana, ri adalah peringkat dari lagu
yang tepat untuk query ke-I untuk
jumlah query yang dilakukan sebesar n.
Nilai MRR terletak antara 0-1.
Semakin medekati nilai 1 maka
kecocokan antara query dan database
memiliki kemiripan yang hampir sama
atau apabila nilai MRR = 1 maka query
dan databasenya sama.
LINEAR SCALING
Linear Scaling (LS) adalah suatu
metode berbasis frame yang paling mudah
dalam proses pencocokan melodi [10].
Linear Scaling merupakan metode yang
sederhana dan cukup efektif karena hanya
mengkompres atau meregangkan pitch
vector query untuk mencapai pitch vector
yang sesuai dengan file database. Meskipun
metode ini terbilang sederhana dibandingkan
dengan metode matching yang lain, dalam
prakteknya pitch dari query berbeda dengan
pitch dari database, hal ini sangat
berpengaruh terhadap proses pencocokan

PERANCANGAN SIMULASI QbSH

Perancangan simulasi sistem Query by
Singing/Humming (QbSH) ini menggunakan
piranti perangkat lunak Matlab 7.7 R2008b.
Terdapat tiga proses utama dalam simulasi
sistem QbSH ini yaitu pengolahan database,
pengolahan query dan pencocokan melodi.
Diagram alir simulasi dalam penelitian ini
dapat dilihat pada Gambar-3. Gambar-4. Tampilan Program Simulasi QbSH

Hasil Simulasi dan Pengolahan Data

Gambar-3. Diagram Alir Simulasi QbSH
Simulasi pada sistem QbSH
merupakan uji coba yang dilakukan untuk
mengenali query yang dinyanyikan atau
disenandungkan oleh pengguna selama 10
detik dan mencocokkannya dengan lagu
yang ada pada database. Database yang
digunakan dalam penelitian ini adalah
sebanyak 29 lagu MIDI dangdut. Pengujian
sistem QbSH ini dilakukan dengan
mengambil sampel query dari 6 orang yang
terdiri dari 3 orang laki-laki dan 3 orang
wanita.Setiap orang menyanyikan atau
menyenandungkan 10 dari 29 lagu yang ada
pada database.
Simulasi dilakukan dengan
memvariasikan resolusi dan level contour
representasi melodi yang digunakan dengan
menggunakan metode pitch tracking NSDF
(Normalized Squared Difference Function).
Gambar-5. Grafik Uji Coba 3 Level Contour Gambar-9. Grafik Perbandingan Nilai MRR
berdasarkan Metode Pitch Tracking

KESIMPULAN
Berdasarkan hasil pengujian unjuk kerja
pada sistem QbSH yang dilakukan dengan
database dan query seperti dalam percobaan
ini dapat diambil beberapa kesimpulan,
yaitu:
1. Pada system QbSH yang dirancang
Gambar-6. Grafik Uji Coba 5 Level Contour
dengan menggunakan metode pitch
tracking Normalized Squared
Difference Function (NSDF) dan
metode Linear Scaling (LS), jarak
antara query dan database merupakan
hal utama yang mempengaruhi proses
pencocokan.
2. Dari hasil pengujian untuk metode
G AMDF dihasilkan MRR rata-rata paling
tinggi yaitu 0.235, untuk metode ACF
MRR rata-rata paling tinggi sebesar
Gambar-7. Grafik Uji Coba 7 Level Contour 0.1815 sedangkan untuk metode NSDF
nilai MRR rata-rata tertinggi yaitu
0.2509.
3. Representasi melodi yang digunakan
yaitu contour representation dengan 3
level contour memberikan MRR rata-
rata terbaik dibandingkan dengan 5
level contour dan 7 level contour. Jadi,
pada percobaan ini representasi melodi
3 level contur lebih menggambarkan
karakteristik lagu.
Gambar-8. Grafik Perbandingan MRR
Berdasarkan Kondisi saat
Live Recording
SARAN http://digilib.itb.ac.id/files/disk1/626/j
1. Sebaiknya dalam proses simulasi bptitbpp-gdl-eddofajarn-31292-3-
berikutnya menggunakan metode 2008ts-2.pdf
matching yang lain, misalnya Fuzzy [7] Dickerson, Kyle Britton.(2009)
Logic. Musical query-by-content using
2. Dalam proses simulasi berikutnya, self- organizing maps. Thesis.
sebaiknya menggunakan metode pitch Brigham Young University. diakses
tracking yang lain seperti SIFT. Desember 20, 2010 dari
3. Sebaiknya dalam proses simulasi http://contentdm.lib.byu.edu/ETD/ima
berikutnya pada tahap note ge/etd2995.pdf
segmentation digunakan metode yang [8] Durrieu, Jean-Louis. (2006). Music
lain seperti Zero Crossing Rate (ZCR). information retrieval a query by
humming system, segmentation of
the song and aproximative melody
DAFTAR PUSTAKA matching based on the DTW
[1] Kusuma, Wahyu & Irwan Arifin. algorithm. Diakses November 16,
(2006). Analisis penyamaan pitch 2009 dari
interval sinyal melodi senandung http://www.tsi.enst.fr/~durrieu/publis/
untuk pencarian lagu. Seminar Ilmiah durrieu_a_QbH_system.pdf
Nasional Komputer dan Sistem [9] Danneberg, Roger. B., et al. (2007). A
Inteligen (KOMMIT 2006). diakses comparative evaluation of search
Januari 20, 201 dari techniques for query-by-humming
http://repository.gunadarma.ac.id:800 using the MUSART testbed. Journal of
0/Representasi_Chord_Wahyu_Kusu the American Society for Information
ma_dkk_edit_835.pdf Science and Technology, vol. 58, no.
[2] Klapuri, Anssi. (2006). Signal 2, pp.687–701, diakses Januari 15,
processing method for music 2011 dari
transcription.New York: Springer. http://citeseerx.ist.psu.edu/viewdoc/do
[3] Sijabat, David. (2009). Simulasi wnload?doi=10.1.1.70.4028&rep=rep1
Pengenalan Chord Terisolasi &type=pdf
Berbasiskan Speaker Dependent [10] Jyh-Shing Roger Jang. (2003). Audio
Dengan Menggunakan Hidden Markov signal processing and recognition.
Model. Skripsi, Universitas Indonesia, Online course diakses dari
Depok. http://neural.cs.nthu.edu.tw/jang/cours
[4] Wei Chai. (2001). Melody retrieval on es/isa5571/
the web. Thesis. Massachusetts [11] Jyh-Shing Roger Jang, "Melody
Institute of Technology. diakses Recognition Toolbox", available from
Desember 25, 2010 dari the link at the author’s homepage at
http://alumni.media.mit.edu/~chaiwei/ "http://mirlab.org/jang”
papers/msthesis.pdf [12] Jyh-Shing Roger Jang, "Utility
[5] Muller, Meinard. (2007). Information Toolbox", available from the link at
retrieval for music and motion. the author's homepage at
Berlin: Springer. “http://mirlab.org/jang”
[6] Fajar, Eddo N. (2008). Pencarian [13] Jyh-Shing Roger Jang, "Speech and
Melodi pada File MIDI. Bandung: Audio Processing Toolbox", available
Institut Teknologi Bandung, diakses from the link at the author's homepage
Februari 5, 2011 dari
 at "http://mirlab.org/jang"
[14] Philip Mcleod, Geoff Wyvill, “A
Smarterway to Find Pitch” University
of Otago. Diakses Januari 15, 2012
dari
http://miracle.otago.ac.nz/tartini/papers
/A_Smarter_Way_to_Find_Pitch.pdf
[15] Schutte, Ken. “MATLAB and MIDI”,
available from the link at author’s
homepage at
http://www.kenschutte.com/midi