TELKOM NIKA , Vol.11, No .1, March 2 0 1 3 , pp. 95~1 0 6   ISSN: 1693-6 930   accredited by D G HE (DIKTI ), Decree No: 51/Dikti/Kep/2010       95     Re cei v ed O c t ober 2 6 , 201 2; Revi se d Ja nuar y 6, 201 3 ;  Accepte d  Ja nuary 28, 20 1 3   Spectral-based Features Ranking for Gamelan  Instruments Identification using Filter Techniques       A r i s  T j ah yan to 1 , Y o y on K Supra p to 2 ,  Diah  P Wu landari 3   1 Information S ystems Departm ent,  2,3 Electrical Engi neer in g Dep a rtment   Institut  T e knolo g i Sep u lu h No pemb e r, Surab a y a, Indo nesi a   e-mail: atj a h y a n to@gm a il.co m, yo yo nsupr a p to@gm a il.co m, diah_ bas uki @ yah oo.com       Abs t rak   Pada pa per in i,  ka mi me nj el askan up aya dal a m  men ent ukan  r ank ing  fitur  berb a sis spektra l   den ga n me ma nfaatkan tek n i k  filter  yang d i gun aka n  untuk  identifik as i i n strume n ga mel an Jaw a . Mod e l   ya n g  d i p a k a i   m e n g e kstra ksi se ke lom p o k   fi tu r b e r b a s i s   sp e k tra l  d a r i   si n y a l  sua r a   g a m e l a n de n gan  m e n g g u n a k an  Sh o r t Tim e  Fou r ie r Tra n s fo rm  (STFT). R a n k in g  da ri fitu r d i te n t u k an  d e n g a n  mem a n f a a t kan  li ma  alg o rit m a,  yaitu  Rel i efF ,  Chi-S quar ed,  Informati o n  Gain, Gai n  R a ti o, da n Sy mmetric Unc e rtain t y.  Sela njutny a k a mi  men g u ji r anki ng fitur s e cara v a li dasi  silan g  d eng a n  men ggu nak an Su pport V e ctor   Machi ne (SVM ). Eksperimen  me nu njukk an  bahw a al gor it ma Ga in Rati o  me mb erik an  hasil ter baik, y a itu   me ng hasi l ka n akuras i sebes a r  98.93%.       Ka ta  k unc i:  su pport vector  machi ne, transkri p si ot o m atis, Gain R a tio, ekstraksi fitur       A b st r a ct     In this p aper,  w e  descri be  an  ap proac h of s pectr al- base d  f eatures  rank in g for Jav a n e se  ga me la n   instru me nts id entificati o n  usi ng fi lt er tec hni ques. T h e  mo del  extracte d s pectral- base d  f eatures  set  of  th e   sig n a l   u s ing  Sh o r t Tim e  Fo u r ie r Tran sfo rm (STFT). Th e  ra n k  o f  the  fea t u r e s  wa s de te rm in e d  u s in g th e five  alg o rith ms; n a m e l y R e li efF ,  Chi-Sq uar ed, I n formatio n  Ga i n , Gain  Rati o,  and  Sy mmetric  Uncert ainty. T hen,   w e  tested th e  ranke d  fe ature s  by cr oss va li datio n  usin g S upp ort Vector   Machi ne (SVM ). T he ex peri m en t   show ed that Gain R a tio al gor i t hm g a ve the  b e st result, it yielde d accuracy  of 98.93%.      Ke y w ords : su pport vector  machi ne, auto m atic transcr ipti o n , Gain Ratio, features extract i on        1. Introduc tion  Feature sele ction is a pro c e ss of  fi n d in g an optimal feature sub s et, removes i rrel e vant  or red und ant  feature. Feature sele ction is  one of  the importa nt steps in machi ne lea r ning  esp e ci ally for re cognitio n  tasks. The  perform an ce of recog n i t ion algorith m s are u s u a lly  depe ndent  o n  the q uality of the featu r e  set. If the  fe ature set co n t ains red und ant  or  irrelev ant  feature s , the algorithm m a y produ ce  a less a c cu rate or a less reco gnition  rate. The fea t ure   sele ction p r o b lem ha s b e en stu d ied b y  the statisti cs  and m a ch ine lea r nin g  comm unitie s  for  many yea r s [ 1 -4]. Th e fea t ure  sele ction  algo rithm s  can b e  catego rize d a s   fi lte r , w r ap p e r ,  and  embed ded m e thod s ba sed  on the criteri on functio n s.   Filter metho d s u s e s  stati s tical p r o perti es  for evalu a tin g  feature  su bset s. The  a d vantage s of   fi lters m e th ods are fa st and  efficien t to   pro c e ss  high  dimen s ional  dataset s, h o weve r  fi lte r s app ro ach do not consi der the feat ure   depe nden cie s . Wrapp er  method s u s e  a learning  al gorithm fo r e v aluating the  sele cted fe a t ure  sub s et s. Em bedd ed m e thod s a r e  si milar to  wr a pper meth od s, but l e ss  comp utationa lly  expen sive and co nsid eri ng feature d epen den cie s  [5]. Feature extraction can be viewe d  a s   fi ndi ng a sub s et of ra w dat a while redu ci ng the dimen s ion a lity.  Many algo rithms h a ve be en develo p e d  to perfo rm  audio featu r e extractio n ; comm on  method s  su ch a s  tem p o r al  ba sed  an d  spectral  ba sed  usi n g  Fa st F ourie r  Tra n sf orm  (FF T ), S hort  Time Fou r ier  Tran sfo r m (S TFT), Di scret e  Wave let Transfo rm (DWT), and Conti nuou s Wavel e t  Tran sfo r m (CWT). T here  are va riou s f eature s  h a ve  been  pro p o s ed fo r au dio  sign al, su ch  as   zero crossin g   rate, RMS e nergy, envelo pe,  an d spe c trum rep r e s e n tation  [6]. We  u s ed   a   set  o f   spe c tral -b ase d   featu r e s  whi c h ha s been   p r ev io usly d e velop ed fo r g a m e lan i n st rum ents  identi fi c a tion [7].  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 11, No. 1,  March 2 013 :  95 – 10 6   96 There are  several a p p r o a ch es  ha s  been  develo ped to e s ti mate the pi tch an d   instru ment s i n  the auto m atic mu si c  transcri p tion. We can use aut ocorrelation func tion [8] for   identifying  hi dden pe riodi cities  in a  time -dom ain sign al.  The auto c orrelation  fu n c tion sho w s  t h e   pea ks pe riodi city in a  sig n a l.  Suprapto  et al [9] [10]  introd uced  a  method  to g enerate m u si c  transcription  for gamel an  usin g sp ectra l  density  mo del to extract  the waveforms of gamel an  instru ment s sound u s in g Adaptiv e Cross Correlatio n (ACC).  Another tech nique  is patt e rn  re co gniti on a ppr oa ch  that requi re s a  set of fe ature s  to   identify the musi cal in struments [1 1] [12]. T he co mmon featu r es that ne ed ed for reco g n ition   pro c e s s such  as pitch, fre quen cy mo d u lation,  sp e c t r al e n velop e , sp ectral  cen t roid, inten s it y,  amplitude e n v elope, ampli t ude modul ation, ons et asy n ch rony an d in harm oni city.  The g oal of  this pa pe r i s  to get the  mi nimal sp ectral -b ased feature s  sub s et  that  extracted  fro m  gam elan  reco rdin g u s in g STFT. T he  sele cted  feat ure s   sub s et t hen valid ated  by  cro s s-vali dati on te chni que s u s in g  sup p o rt ve ctor  ma chin e  (SVM).  The r e  are t w o  main  re asons  for ad dre s sin g  this ta sks  u s ing SVM. Fi rst, a c curate  recognitio n  of  gamela n  in st rume nt is itse lf  an importa nt for automati c  transcriptio n . Second,  be cause of the effectiv eness  of SVM [13]  [14]  and re cently became one  of  the  mo st  p opula r  recog n ition o r   cla s si fi cat i o n  met hod s.  S V M  h a v e   been  used i n  a va riety of appli c at io ns su ch as text  classi fi cation [15], f a cial  expression   recognitio n  [16], gene anal ysis [17], [18] and many others.   In the pro posed app roach, Java nese gamel an instrume nts identi fi cation is  accompli sh ed  throu gh id e n ti fi cation of  individual  b l ade s or keys u s ing  an  SVM cla ssi fi er.  Javan e se ga melan i s  an  ensemble  of percu ssi on  in strum ents th at mostly me tallopho ne [1 9],  xylophone s, and go ng type instru ment s which pro d u c e tone s whe n  stru ck with  horn o r  wood en  mallets.  A co mplete set of  gam elan   con s ist of  72  in st rume nt [20], f o r  example:  kenda ng,  saro n   grou ps, bo na ng gro u p s , kethuk-keno ng  and gon gs.  Grou p of sa ron co nsi s t of demung,  saron,  and p e ki ng.  Those in stru ments  play th e co re m e lod y  or bal ung a n  gen dhin g . Gamela n i s  o ne of  percu ssi on ty pe mu si cal i n stru ment s  which  do  not   prod uce h a rmonic soun d s  [21].  Ho we ver,  becau se of the han dmad e prod uctio n , gamelan  still produ ce th e freque nci e s of non-i n te ger  overtone [22] . The freque ncy ra nge of  saron gr oup s [7] can b e  seen at Ta ble 1. Individual   gamela n  pitch are  som e times difficult to identify due to their o v erlappi ng in  freque ncy, fo r  example fund amental fre q u ency of sa ron  ‘1’ equal s to that of demun g ‘1H’.    The rest of th is pap er i s  organi zed a s  fo llows. Sectio n 2 de scribe s the re sea r ch  method  how to get the optimal spe c tral -ba s e d  feature  sub s ets. Section 3 prese n ts ou r experim ents an d   discu ss the result s. Finally, Section 4  gives co ncl u si o n s of ou r experime n ts.       Table 1. Saro n grou p freq u ency ra nge   Key s     Funda m e n t al Fr equency ( H z)    De m ung Saron  Pe k i ng     6L        231          463         925      1        267          533       1062      2        307          613       1225      3        349          698       1400      5        402          805       1599      6        463          925       1858     1H        533        1062       2158    2H      613      1225      2477        Figure 1. Flo w chart of the  resea r ch method       2. Rese arch  Metho d   A gene ral vi ew of th e  fl o w chart  of the  pro p o s ed  sy stem i s  d epi cted in  Figu re 1. Th e   output of th e propo se d  system i s  th e select ed  f eature  sub s e t  for ide n tifying the  gam e l an   instru ment s. The  fi rst sta ge in o u r  propo sed  syst em is   preproce s sing. Be fore a  gam e l an   recording  is  subj ecte d to   the p r op osed  metho d s, it   is p r e p ro ce ssed in   some   way in  o r de r to   make the foll owin g task ea sier.   The  p r ep ro cessing co nsi s ts  of noi se redu ction,  l o w-p a ss  fi lteri ng, and  sam p ling  rate  conve r si on. T he  se cond  st ep i s  to  creat e time-f requ e n cy rep r e s ent ation o r   spe c trogram from  a   gamela n  re co rding. Th e 2D matri c e s  spectrog ra m o f  the given gamelan  recording is calcul ated  Pre Pro cessi ng Gamelan So un d ST FT O n set  D e t ect io n &  S e g m e n ta ti on Feat ur es Ext r act i o n F eatu r es Ra n k i n g Cross V a lida t io n Feat ur e s Sub sets Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Spectral-b ased Featu r e s  Ran k in g for Ga m e lan Inst rum ents… (Aris Tjah yanto )   97 by the sh ort-time Fou r ie r tran sfo r m  (STFT)  usi n g Ham m ing  wind ow  wit h  win d o w  si ze  approximatel y 2048 sam p l i ngs  an d hop size 6%.  Before extra c ting the fea t ures  set, se gment ation i n  the time-freque ncy do main wa s  perfo rmed. T he process o f  segme n tation for t he ti me-fre que ncy  rep r e s entati on re quires  note   onset inform ation. Note  onset can b e  detecte d u s ing  sud den  chan ge s of acou stic e n ergy  approa che s  [24]. In the case of stron g  gamela n  not e, this abrupt  energy ch an ging will be very  sha r p. We  ca n find the on set location u s ing the  p e a k  dete c tion fu nction [25]. The feature s  set  then cal c ul ated ba sed o n   the seg m ent ed sp ect r og rams Th e feat ure s  set sho u ld co ntain u s eful  informatio n for id entifying  and  differen t iating gam el an in strum e n t s. In this  pa per,  we  use d  34  feature s  fo r  gamela n  in st rume nts i den ti fi catio n  ta sks. The  featu r es [2 6] have  bee n calcul ated   and ad dition al feature s  h a ve been  extracted i n cl u d ing the  statistical p r o perties like m e an,  varian ce of the spe c tral e n v elope.   W e  co mp ar ed  th e   fi ve feature ra nki n g  algorithm s of the  fi lters appro a ch. They are   Information Gain,  Gain Ratio,  Chi - squared,  Symmetrical Un certainty and  Relief. Ran k in g   algorith m s p r odu ce a ran k ed list, acco rding to the  e v aluation of criterio n functi on. For the  sake   of perform an ce compa r iso n , we also  co nsid er  the cross validation  accura cy. We cal c ulated t h e   cro s s v a lidat i on ac cu ra cy  in t e rms of  S V M  clas si fi er .    2.1. Time-fre quencie s An aly s is  The go al of  automatic  ga melan tran scripti on i s  to  extract the  seque nce of  gamela n   notes f r om  g a melan  re co rding. Ga mela n note s  a r e  any syste m  t hat re pre s e n ts the  pitch  of a  gamela n  so u nd. This pa p e r is pa rt of the proj ec t ai ms to develo p  a system that extracts  note   events from g a melan  sou n d s spe c trog ra m.  Spectrogram is  a spe c tro - t e mpo r al  represe n tation of  the so und.  Spectrogram  provide s   a time-freq u e n cy port r ait of gamelan so und s.  The STFT has b e e n  the commo nly used met hod   for g ene ratin g  time-f req u e n cy  rep r e s en tations  or sp ectro g rams o f  musi cal  si g nal. Th e  re su lt of  STFT can be  plotted on a 2D or 3D  sp ectro g ram  (a s sh own in Fi gure 2 )  as a  function of time  and fre que ncy, and magni tude is  rep r e s ente d  a s   the height of a  3D surfa c e  spe c tro g ram  or  intensity in  2 D   spe c trogra m . Ho weve r, STFT  su ffe rs from th e  common  sho r tcomin g th at the  length  of the  win d o w  det ermin e s the t i me an d fr eq uen cy re sol u tion of th e  sp ectro g rams [27]  [21].   The  size of t he wi ndo w  u s ed  for STF T  is  relate d to  the time  re solution a nd freque ncy  resolution. If  we  apply a  sho r t wi ndo w, we  will  h a ve goo d time re sol u tio n . Ho weve r, if we  impleme n t a long wi ndo w, we will get hi gh frequ en cy resolution b u t low time re solution. For pi tch  analysi s   su ch a s   autom atic g a mel a n  note  tran scription, th e f r equ en cy re solutio n  of t h e   spe c tro g rams is mo re im p o rtant tha n  th e time re sol u tion [21]. The n  STFT  with  long  wind ow  is   good e nou gh  for automati c  gamela n  note  transcri p tion.         Evaluation Warning : The document was created with Spire.PDF for Python.
     TEL K 98 2.2.  S give  seg m the  m seg m dete r enve l the  m gam e ener g rec o r to id e clo s e cor r e from  prom valid  by a n          K OM NIKA    V S egmentati o Segment significant  e m entation  m e m agnitud e   o m entation  tas r mi ned at  ti m l op e. An on s m oment whe n It is  pos s e lan inst rum g y produ ce s  r ding h a s a  s e ntify the b o e  proximity s u       A fter get e sp ondin g  to  different fr e i nent on es  a onset if thei r n  onset dete c     V ol. 11, No.  1 Figure 2.  o n  atio n is a n   e ffec t  for ins e th od  ba se d   o f energy e x k can be  vie m e-freq uen c y s et ca n b e  d n  a ne w not e i b le to  distin en ts  (s uch   a ha rd o n set s s et of featur e o u nda rie s  b e u ch a s  not e s ting the  sp e energy cha e quen cy ch a a re c o n s id er e r  amplitu d e   a c tion al gorit h    1 ,  Marc h 20 3D surfa c e  s impo rtant p r tru m ent s re c on  on se t in f x cee d s a lo c wed a s  a  pr o y  domai n by   l e fi ne d as  th e  begi ns [ 27] gu ish d i ffe r e a s dem un g, s  that a r e  s e s t hat  so m e e tween the  n s  candi date  f o Figure 3. T h e ct rog r ams  f ng es a r e d e a nnel a c co r e d a s  note  o n a bove a gl o b h m will be us e 13 :  95 – 1 0 s pe ct rog r a m r ocess in a u c o gnition pe f ormation. T h c al or glo b a o ce ss f o r  fi n d l ooki ng for t h e insta n t w h .  e nt not e  on s e  saro n, pe k ho wn as an e times mak e n otes, e s pe c o r saron ’3’  a   h resh olde d  s f rom gamel a e tected. The  r din g  to ga m n sets . The  w b al thre sh old  e d to segm e   0 6   m  of ga melan  u tomatic ga m rforma nce.  I h e simple   a p l  thresh old  d ing the n o t e h e on set tim e h en the  play e e t s   in a gam e k ing, an d b o abru pt ene e  the note b o ially if the n o a nd bon a ng  ’ s pec tr o g r a m a n re co rd ing algorith m l o m elan in str u w ea k on set c a value (see  F e nt the spe c t r         recor d ing  m ela n  no tes  I n  this pa pe p proa ch  is to (a s sh own  e s bo und ari e e   of the not e e r st rik e  the  e lan recordi n o nang ) the  s rgy inc r eme o unda rie s  di f o tes  with  lo c ’ 3’  (as  sho w n   , ons e t  c a n o ok e d  fo r  e n e u ments. Th e a ndid a tes a r F i gure 4).  T h r og r a m.      ISSN: 169 3 transc riptio r  w e   us ed   s   fi nd p o ints  w in Figure  3 ) e s. Bounda ri e e s i n  the am p gamela n  bl a n g. For  not e s s u dden cha n nts. The  ga f fus e . So it i s c ations th at  n  in  Figure 3 didate s  or  e e rgy c h ang e e  most   sali e r e c o ns id er e d h e onsets  de t 3 -6 930   n that   s imp l e   w he r e   ) . The  e s ar e  p litude  a de  o r     s  from   n ge  of  mel a n  s  hard   are in  ).   e vents  e s [ 2 8]  e nt  or  d  as  a  t ec te d   Evaluation Warning : The document was created with Spire.PDF for Python.
TEL K   2.3.  F ef fi ci e fi rs t  s featu extra featu com b (ZC R They  sou n d featu     (i)      (ii)      (iii ) K OM NIKA    F eatur e Ext r The m a i n e nt, s o  the  p s egm ent ed  t r e s  such a s c t e d  and  c a re s sh ou ld  b       Stan Z.  L b i nation s  for  R ), brig htnes s also u s ed c e d . Bas e d o n re s give a c o There ar e  Temporal f e   A uto c  Zero   Loca (tem p sk e w   A mpl "grai n  Ceps tral fe  Mel- f enve )  Spec tral fe a   A  su spe c t asy m   A udi o Spectral-b a r ac tion   n  i d e a  o f  f e a t p ro ce ss requ t he  spe c t r o g s  spe c t r al   c e a lculated.  B e b e incl ude d f o L i et al [29] e x au d i o c l as s s , an d ba n d e pstral coef fi n  th e  CC,  m o o mpl e ment t o e  four featur e e ature s    c o rrel a tion c o cr os sing  rat e l temp oral  w p o r al ce ntroi w ne ss  Tk )   itude M o d u n i n e ss" o r  "r o ature s    f re que ncy c lo pe  o v er  th e a tures    b s et of f eat u t ral  c ent roi d m met r y ( Sa ) , o  Spec trum  F I S a sed Featu r e Figure  t ur e  extr a c ti o ires a  sm all  g ram  ba se d  e ntroid, sp e c e fore  pe rfo r m o r re cog n itio n Figure 5. O n x plai ned a b o i fi cation. T h e d wi dth for  c a fi cient s (C C)  o st of  the or o  the perce p e  s e ts  [12]  s u o efficient s ( A e s:  u s ing  sh o w aveform   m d Tc , temp o u lation feat u o ug hne ss"   ep stral coe f e  firs t few  c o u re s obtai n e d  ( Sc ), sp e ,  and sp ectr a F lat n e ss ( A S S SN: 1693-6 9 e s Ran k in g  f 4. Onsets  c a o n i s  to  perf o and sim p l e   d on  the  on s c tral  fl ux, m e m in g fe a t ur e  n  p r oc ess .      n set base d   s o ut pe rce p tu a e y us ed s h o a pturin g the  for captu r i n g iginal sound  tual ch ara c t e u itable f o r a u A C ): signal  o rt wind ows  m oments , in c o ral width  T w u re s ( AM f f i cient s ( M o effici ents.   e d from the   e ct ral widt h a l sk ew ne ss  SF ) and Sp e c 9 30 f or Gam elan  a ndid a te   o rm  re co gniti o d ata sp ace.  ets info rma t e an an d va r extrac tion,  s egmentatio n a l featu r es,  m o rt time  ene r perceptu a l  c g  the sh ape  o si gnal ca n  e rist i cs.   u d i o  s i gna l p r sp ectral di s t ( ZCR ) and  c lud i n g  the  w , temporal  ), meant  M FFC ), ten firs t four  s t a  ( Sw ), sp e ( Sk )   c tral Crest  F a Inst rum ents o n pro c e s s  m To obtain th t i on (see Fi g r i a nce of th e it  is i m porta   n   m el-cep stral  r gy  (STE),  z e c hara c te risti c o f the frequ e be recon s tr u r oc es s i n g :  t ri bu tion in t h long windo w firs t four  s t as ymmetr y  to  descri b d to  re pre s a tis t ic al mo m e ct ral s k e w a ct or s ( SC F ) …( Ari s  T j a h y m o r e effecti v e feature s  s e g u r e 5).  T h e e  segm ent  w nt  to de cid e features an d e r o  c r o ssi ng c s of the s o e ncy sp ectru m u cted again,  h e time dom a w s ( lZCR )   t atistical  mo Ta , and t e m b e t he "tre m s ent  the  s p m ents , nam e w ne ss o r  s p )     y anto )   99 v e and   e t, we   e n th e   w ill  be   e  wha t   d  their   ra tes  o un ds.   m  of a   t hese  a in   m ents  m po ral  m ol o" ,  p ect r al  e ly the  p ectral  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 11, No. 1,  March 2 013 :  95 – 10 6   100   Spectral slo p e  ( Ss ) ,  s p ec tr al d e c r e as e   ( Sd ), spe c tral variation  ( Sv ), spectral  rolloff or frequenc y  c u toff ( Fc ), and spect r a l  flatness  ( So ).      Freq uen cy de rivative of the con s tant-Q coefficient s ( Si  )     Octave Band  Signal Intensi t ies ( OBSI )      (iv)  Perceptual feature s      Relative spe c ific loudn ess ( Ld ), sha r pn ess ( Sh ), and spre ad  ( Sp ).    In this p ape r,  we p r ovid e 3 4  sp ect r al fea t ures,  su ch  a s : funda ment al freq uen cy, spe c tral   centroid ( Sc ), two spec tral  rolloff ( Fc ), sp ectral flux ( SF ), sp ectral  ske w n e ss ( Sa ), spe c tr al  kurt o s i s  ( Sk ), spectral  slop e  ( Ss ),  and sp e c tral ban dwi d th  ( Sw ). The s e  feature s  a r e  then   combi ned a s   a feature  set of a gamelan  soun d.  The feature  set is  norm a lized b y  dividing ea ch  feature  com p onent by a  re al num ber   so  the re sult  i s   betwe en   -1 a nd 1. Th e no rmalize d  featu r e  set is con s ide r ed a s  the final rep r e s entat ion of the ga melan soun d.  Spectral ske w ne ss  ( Sa ) i s   a  mea s u r e  of  the a s ymmet r y of the  sp e c trum  aroun d  th e   mean value. If  0 < Sa  indicate s m o re en ergy o n  the right sid e . If  0 > Sa  indicate s more ene rgy  on the left sid e . Spectral kurtosi s   K  is a  measure of the pea ke dne ss  or flatne ss of the sha pe  o f   power spe c trum distrib u tion. Positive kurto s i s   3 > K  indicate s a pea ked di strib u tion, the  stand ard  normal dist ributi on ha s a  kurtosis  0 = K , and n egative ku rto s is  3 < K  indicates a  flatter distrib u t ion [30]. Those featu r e s  (spe ctra l  sk ewness , s p ec t r al moment, s p ec tral  k u rtos is ,  and spe c tral  entropy ) we re  implemente d  using  statisti cal fun c tion.   Spectral cent roid ( Sc ) is a measure of the cente r  of  gravity of  the spe c trum.  The  spe c tral  ce ntroid is  co mput ed by multipl y ing t he valu e of ea ch fre quen cy by its magnitud e , then  the sum of al l these divide d by the  sum  of  all the  m agnitud e s. T he  spe c tral  centroid  ( Sc ) [ 31]   [29] [32] can be define d  as Eq. (1),       ) ( ) ( ) ( = 1 = 1 = i f M i f M i f Sc N i N i         ( 1 )     whe r e   ) ( i f M  is the  magnitud e  fo r the f r equ en cy  f  at bin  i ,  N  is the nu mbe r   of frequ en cy  bins.   Schei rer a nd  Slaney define d  the spe c tral  rolloff point ( Fc ) as the 95th  percentile of the  power  sp ect r um di strib u tio n  [33]. Spe c tral roll o ff is th e freq uen cy  whe n  9 5 % of  the si gnal  en ergy  is co ntaine d. Spectral rollof f  ( Fc ) is define d  as Eq. (2 ),      ) ( 0.95 ) ( 1 = 1 = i f M i f M N i Fc i         ( 2 )       2.4. Featur e Rankin g   The goal s of feature sele ction are imp r o v ing  comp uta t ional efficien cy but preserving or  even in crea si ng  re cog n ition rate. It be comes imp o rt ant to th e  su ccess  of the   tasks that a p p ly  machi ne l earning  app roa c h e s pe cially  wh en th e   data h a ve  many irrelev ant or redun dant  feature s . In g eneral, the fe ature s  sele ction  alg o rithm s   can be cate gori z ed as wrappe r  ap pro a c h  and filter app roach [34] [1].  The five filter-ba s ed fe ature ran k in g techniqu es b e in g com p a r ed  are d e scribe d  belo w .  Those te ch ni que s a r e  Info rmation  Gai n  ( IG ), Gai n   Rati o ( GR ), ReliefF  ( R F ),  Chi-Square d        ( CS ) and Symmetric Uncertai nty ( SU ), and available in the  We ka data mi ning tool [44]:  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Spectral-b ased Featu r e s  Ran k in g for Ga m e lan Inst rum ents… (Aris Tjah yanto )   101 (i)   ReliefF (RF)   is a n  exten s i on of th e  Rel i ef algo rithm  develop ed by  Kira  and  Re ndell [3 6].  The main ide a  of Relief algorithm is to  evaluat e the worth of a feature or attri b utes ba sed   on ho w well their value s  can be u s ed to distin g u ish  among the in stan ce s. Reli ef algorith m   can not ha ndl e incompl e te  data an d o n l y  limited to two-cla s s p r o b lems.  The  ReliefF is the  extended ve rsion  of Relief.  ReliefF  can  handl e incom p lete data a n d  not limited t o  two cl ass   probl em s. Howeve r, if we apply th e  algorith m  for a hig h ly noi sy data th at have ma ny  irrel e vant feature s  and/o r   mislab eling, t he perfo rma n c e of Reli efF can g e t worse [37].  (ii)  C h i- Sq ua r e d ( C S)  can be  use d  to evaluate the worth  of  a feature by calculating  the value  of  the Chi - Sq uare d  with re spe c t  to  th e class.  Th e n u ll  hypothe si s i s  the a s sum p tion that th e   two featu r e s   are  un relate d ,  and it i s  te st ed by  Chi - Sq uare d  fo rmul a from  Pla c ke tt [38]. If we   got a large va lue of CS, then we can det ermin e   that the feature is a n  importa nt feature.   (iii)  Information gain  (IG)   can  also be  u s ed  for d e termi n i ng the fe ature ra nk.  The  main id ea  of  IG  is to  sele ct  feature s  b a sed o n  e n trop y.  Entropy is a me asure  of ho w mixe d up  or  uncertainty o r  the di so rd er  degree  of a  system. [39] [4 0].  IG  mea s u r e s  the n u mb er  of bits  of informatio n  gaine d abo u t  the cla ss  predictio n whe n  usi ng a  given feature to  sup port the  predi ction. Informatio n gain  [40] of the fe ature o r  attrib ute  A  is  defined as  Eq. (3),    ) | ( ) ( = ) ( A C E C E A IG         ( 3 )   whe r e  ) ( C E  is the entropy of cl asse s  C  and  ) | ( A C E  is the conditio nal entropy  of  C  given  A  when the value  of the attribute  A  is known.    (iv )    The  Gai n  Ratio  (G R)  is an  extend ed ve rsi on  of  Information  G a in.  GR   is more efficient  a nd  effective than  Informatio n  Gain  and  ca n be  u s ed  to  evaluate  the  co rrelation  o f  attribute s   with re spe c t to the cla ss  concept of an incom p lete  da ta set in  [41] [42] [35]. Th e gain ratio   of  A  is defin e d  as th e info rmation  gain  [40] of  A  divided by its intri n si c value  ) ( A IV   usin g Eq. (4),     ) ( ) ( = ) ( A IV A IG A GR          ( 4 )   whe r e  N A log N A A IV i i k i 2 1 = = ) (  whic h   i A  is the num ber of in stan ce s wh ere  attribute  A  takes the  value  of  i A ,  k  is the  n u mbe r  of di st inct value s  of  attribute  A ,  and  N  is the total numbe r of instan ce s in the data s et.    (v )    Symmetr ic Unce rtain t y (SU)  is  a correlation m e asu r e b e twe e n  the feature s  an d the  cla ss,  and it is obtai ned by [44] [1] Eq. (5),    ) ( ) ( ) | ( ) ( 2 = C E A E A C E C E SU         ( 5 )     where E ( A) and E(C) are t he ent ropi es  based  on the probability associ ated  with feature  A   and cl ass val ue  C .    2.5. Cross V a lidation   As di scu sse d  in the  p r evio us  se ction,  we ne ed to  m a ke  a  co mpa r iso n  of  pe rfo r man c e  betwe en different ran k ing  appro a che s  using  cro ss validation method. Cross validation is a  statistical me thod of evalu a ting an d co mpari ng  le arning al gorith m s by dividi ng data i n to  two  portion  of da ta for trai nin g  and vali dat ing o r  testin g  the mod e l. The g oal i s  to co mpa r e t he  perfo rman ce  of  different ranki ng  a p p r o a ch es and   fi nd out th e b e st a pproa ch  for the  gam elan  instru ment s reco gnition. Cross validatio n can  al so b e  use d  to un derstand the  generalizatio n  power of a cl assi fi er.   Evaluation Warning : The document was created with Spire.PDF for Python.
     TEL K 102 insta n are u In th sev e r popu into  a the  m ker n e on t h para m s e ts :  instr u tone s two  c (OA O agai n are  u traini pair  o this   a     3. E x audi o frequ = M of m e the d desc e          K OM NIKA    V W e  us ed   n ce s in t he  o se d for t r ain is  r e s ear c h , r a l  ke r nel fu n l a r tool f o r  d a  high di me n m aximal mar g To train   a e l, we  n e ed  d h e pro c edu r m eters. The  l og2 (C)    u ment s a r e  c s , an d 1 0  b o c o mmon a p O ) [13]. I n   O n st  all cla s s e u sed in  con s ng data an d o f  cl as se s b y a p p r o ac h is   M x periments  a The d a ta o ,  colle ct ed  f e n cy  sa mpli 31 =  cla s s e s e tal with thei r       A fter the  ata into  trai n e nding  o r de r V ol. 11, No.  1 1 0 -f old cro s o ri ginal da ta s in g an d th e  l ,  cr os s  v a li d n ctions: line a d ata cla s si fi c n si onal sp ac e g in [45].  a n S V M, w e d e t er mine t h r e Grid -S ea grid -sea rch  {-3, -2, ...,  1 c la ss i f i e d  in t o na ng ton e s. proa ch fo r  m O A A  app ro a c s ( M-1 ). Th e s truc ting an  S d  thei r out pu t y  t r ainin g  i t   t 1)/ 2 ( M M a nd Disc us s ba se u s ed i n f rom  Elekt r o  ng 44 100  H . We   prod u c r  own ha mm Figur e feature d a t a n ing data se t r  u s in g th e  f    1 ,  Marc h 20 s s-vali dation  s et into 1 0   a p l ast i s  u s ed   f d ation we re  a r, p o ly no mi a c ation o r  re c o e  a nd  fi nd a e  m u st  sele c h e value  of  rch [44].  G c a n  be  don e 1 2}  and   log 2 o 31 cl asse s  Cla s sif i ca t i o m ulticl ass  S c h, an   SVM  e n the num b e S VM for a  c t s  ) , ( i i y x .  t o differenti a 2 .     s ion  n  o u r experi m Budoyo ITS z. The trai ni c ed th e so u n er at cent er,  e  6.   Diff eren t a  set w a s  c a t s and  te sti n f ive te chni q u 13 :  95 – 1 0 pr oc edu r e .  p proximatel y f or testin g. T impleme n t e a l, radial  b a s o gnition. Th e  hyperpl ane   t the  proper   and  C  tha t G rid s e a r ch   e  by   sel e ct i n g 2( )   {-6,  s , they are  7 o n of multicl a S VM: one-a g is create d   f e r of SVMs   c la ss.  The S V For O A O a p ting the two  m ents is co m  gamela n  s e ng data  set   n d s  dat a sa m uppe r, an d  l   t  st ru ck a r e a a lculate d  an d g data  set s .  u es . T h e   r a n 0 6   Th e  pr oce d u y  equal  sets  his whol e  pr o e d u s ing Li b s is  func tion  ( e  main idea  that sepa ra value of  th e t  can  be   obt a can be co n g  th e va lu e  o -5, ..., 10} .  7  demun g  t o a ss  c a n be  a g ainst-all (O A f or ea ch cla s c reated in O A V M for clas s p p r oa ch , an  cla s se s.  Th m p o sed of  a p e t. All audio  a con s ist s  of   m ple s  by  ran l owe r  area s  a  for data col l d  extract ed, The trai nin g n kin g  of  f e a t         u re randoml y of size N/1 0 o ce ss t h en  r b SVM [44].  ( RBF ) , and  s of SVM is  t t e  betwe en  t e  ker n el par a a ine d  us in g  n du cted to  o f    and   C   In this   res e a o n e s,  7  sar o a chiev e d by   A A) and th e s s by  differ e AA  is  M . All  t s   k  is create SVM is   c o n e n u m be r o f p p r oximat el y a re 16-bit,  m 2790 = N   a domly hittin g [46] as sho w l e c ting  then we  ra n g  feature s   d a t ure s  obtain e   ISSN: 169 3 y  partitione d  . Then 9  pa r r ep eated 1 0   LibSVM pr o s ig m o i d . SV M o proje c t th e t he  tw o  c l as a meters . Fo gri d  sea r ch  b cho o s e  t h e from the foll a rc h, the  ga o n t o ne s, 7  p SVMs .  The e  one-agai n s e ntiating the   t he  N  trainin g d usin g the  n st ru ct ed f o r  f  SV M s   c r e a y  2790  seg m m ono-ch ann e a udio samp l g  the keys   o w n at Figure  6   n domly p a rti t a ta w e re ran e d for the tr 3 -6 930   the N   r titions   t imes.  o vides   M  is a  e  da ta   s wit h   r RBF   b ase d   e  best  owi n g  me lan  p ek in g   re are  st -o ne  cla s s   g  dat a  set  of  eve r y  a ted in  m ented  e l, and   es  fo r   r ba r s   6 .  t ioned   ked  in   ai ning  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Spectral-b ased Featu r e s  Ran k in g for Ga m e lan Inst rum ents… (Aris Tjah yanto )   103 data is p r e s e n ted in Ta ble  3. The first 7  feature s  are  con s i s tently ranked  a s  the  top. The first  4   feature s  p r ed icted by the f i ve techniq u e s  gives  th e same re sult s, althoug h feature s  5, 6 an d  8  are reversed i n  some  ran k i ngs.       Table 2. Spe c tral -ba s e d  feature s   No  Feat ures   Num b er o f   feat ures   1 Fundament al  Fre quenc y  1  2 Spectral  Centroi d   1  3-4  Spectral  Rolloff  2  5 Spectral  Flux  1  6 Spectral  Skew ne ss  1  7 Spectral  Moment   1  8 Spectral  Kurtosis  1  9 Spectral  Entrop y  1  10 Spectral  Slope  1  11 Spectral  Band w i dth  1  12 Mean   1  13 Standard  D e viation  1  14 Mode   1  15 Median  1  16 Variance  1  17-25  Percentile  9  26-34  Quantile   9    For ea ch  ran k ing m e thod,  investigatio n of  recognitio n  accuracy on  the testing d a t a as a  function of th e feature s  ha s bee n don e  in asce n d ing  orde r an d de scendi ng ord e r. Re co gniti on   rat e  o r  a ccu r a cy  w a s t a ke n f r om p r edi c t ion ac cu ra cy  perf o rmed  b y  S V M s.  A c c u ra cy  re sult s as a   function  n  number of feat ure s  in asce nding o r de r ar e p r e s ente d  in Figure 7, for descend in g   orde r  are  p r e s ente d  in  Fig u re  8.  We  me asu r ed  the  p e rform a n c e  for  su bsets  co nsi s ting  of th e  n   ran k ed featu r es. Wh ere  n  varie s  betwee n  1 and 34, started fr om the least impo rtant feature s   for ascen d ing  orde r and fro m  the most im porta nt feature s  for de scendin g  ord e r.   The SVM pe rform ve ry well wh en all f eature s   o r   subsets of the  origin al feat ure s  a r e  u s ed . T h e pe a k  ac cu r a cy w a s  re ac he d  on  th e   19  u n t il 22  be s t  fe a t ur es   in  r a n k in g   by a l l   techni que s  at accu ra cy of  more  or eq ua l to 98. 8 7 %,  and i n crea sin g  the  su bsets did  not imp r o v e  the a c cura cy. Then  the  re st of the  feat ure s   ca n  be   deleted  due  to no n-signifi cant influen ce   for   the perfo rma n ce. Inte re stingly, the GR techni que  show th e pe a k  at a c curacy of 98.93%  (as  sho w n at Tab l e 5), the high est accu ra cy  achi evable u s ing the five techni que s.       Table  3. The  first twenty of feature ran k s on the spe c tral-b ased ga melan featu r e s ; see  descri p tion in  the text; all entries d enote feature  nu mb ers sho w n  in Table  2   Methods   Feat ure Ra nk   1 2 3 4  5  6  7  8  9  10  11  12 13  14 15  16 17 18  19 20  CS  1 3 2 4  8  5  6  11  10 28  34  29 30  15 31  32 12 33  7  26  IG  1 3 2 4  5  8  6  11  34 28  32  29 33  31 15  30  7  10  27 12  SU  1 3 2 4  5  8  6  11  34 32  31  29 28  30 15  33 10  7  12 27  GR   1 3 2 4  8  5  6  11  31 32  18  14 17  30 15  29 10 34  33 28  RF   1 3 2 4  6  8  5  13  27 32  26  33 28  30 15  29 31 12  10 11       Table  4. Accura cy for gam elan data s et  as a fun c tion  of the worst  n  ranked feature s   (asce ndin g  order); for  n =24 ..34   Methods     A c c u rac y   ( % ) for the  w o rst  n  ranked fea t ure s  us ed for  classif i ca tion   34   33   32   31   30   29   28   27   26   25   24   CS  98.87   98.53  97.97  97.74  95.99  95.88  94.69  92.66  81.36  68.47  68.36   IG  98.87   98.53  97.97  97.74  95.99  95.37  94.69  92.66  81.36  79.66  79.60   SU  98.87   98.53  97.97  97.74  95.99  95.37  94.69  92.66  81.36  79.66  79.49   GR   98.87   98.53  97.97  97.74  95.99  95.88  94.69  92.66  81.36  81.41  81.41   RF   98.87   98.53  97.97  97.74  95.99  95.08  95.20  92.66  92.43  92.43  92.43       Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 11, No. 1,  March 2 013 :  95 – 10 6   104 Figure 7  sh o w s the d e g r a dation in  the  recogniti o n  ra te or  accu ra cy when  the  n u mbe r  of  feature s  sub s ets is redu ce d. A compa r i s on of t he five method s shows t hat th e accu ra cy over  90% a c hi eved with   RF  su bset s a r e  bett e r th an  anoth e r  re sults (se e  Ta ble  4). Al l the  tech niqu e s   sho w  the  sa me beh avior  without a n y significa nt di fferen c e s . Th e  accuracy i s   almost  sam e  until  the  sub s ets are   re du ced  to  26 or  le ss  featur es, th en the  a c curacy ten d s to  de crease  wi th   redu cin g  the sub s et s (see  Table 4 an d Figure 7).       Figure 7.   Accura cy for  ga melan data s e t  as a  function of th e worst  n  r ank e d  fe a t ur es   (asce ndin g  order)  Figure 8.   Accura cy for gam elan data s et  as a  function of th e best  n  ranked feature s   (de s cendi ng orde r)      Table  5. Accura cy for gam elan data s et  as a fun c tion  of the best  n  ra nke d  feature s   (de s cendi ng orde r);  for  n =19...23, 30… 34   Methods     A c c u rac y   ( % )  f o r the b est  n  rank ed fea t ures  use d  for cl assifi cati o n   34   33   32   31   30   ...   23   22   21   20   19   CS  98.87  98.87  98.87  98.87  98.87     98.87   98.87  98.81  98.81   98.81   IG  98.87  98.87  98.87  98.87  98.87     98.87  98.87   98.87  98.81   98.53   SU  98.87  98.87  98.87  98.87  98.87     98.87   98.87  98.81  98.81   98.81   GR   98.87  98.87  98.93  98.93  98.93     98.93  98.93   98.93  98.59   98.59   RF   98.87  98.87  98.87  98.81  98.87     98.87  98.87   98.87   98.87   98.87       For d e sce ndi ng orde r, the  accuracy i s  q u ite st abl e un til the sub s et s redu ced  to  7 or l e ss  feature s . The  seven  features a r e fu nda mental fre que ncy, sp ect r al  roll off 40%,  spectral  centro id,  spe c tral  roll  off 90%, spe c tral flux, sp ectral  ku rtosi s  and  sp ectral skewne ss.  The first b e s t  feature give accuracy of  5 3 .96% , the seco nd b e st fe ature s  give  6 6 .95%, the th ird b e st featu r es  give 72.03%, and the seve n best featu r e s  give  accu ra cy of 96.55% (a s sho w n  at Figure  8).       4. Conclusio n   In this pa per,  we h a ve prese n ted in  d e tails o u r a p p roa c h to  pe rform fe ature  ran k ing   usin g five filter-ba s ed  ra n k ing  metho d s. Although   th ey all p e rfo r m in  a  similar way, a c cu ra cy of  the SVM classifier h a s b e e n  signifi cantly  influenc ed b y  the feature  ran k ing. It sh ows that Gai n   Ratio (G R)  te chni que gave   better re sult than  the ot he r  fou r  te chni que s.  The  hi ghe st accu ra cy  98.93% for G R  wa s re ache d usin g the 2 1  best featu r e s .  Five filter-b a s ed  ra nki n g  method s h a ve  bee n e v aluated. Th e first  seven  feature s   predi cted by  the five te chni que s gives the sam e  results. T he first sev en feature s   are:  fundame n tal freque ncy, spectral roll of f 40%, spectr al centroid, spectral roll of f 90%, spectral   flux, spectral  kurto s i s  an d spe c tral  skewn ess.  Tho s e featu r e s  give accuracy of 96.55% for   gamela n  inst rument identifi c ation.       Evaluation Warning : The document was created with Spire.PDF for Python.