Model Konversi Notasi Kepatihan ke dalam Format MIDI untuk Pembangkitan Musik Barat Orisinal
DOI:
https://doi.org/10.33633/tc.v21i3.6672Keywords:
algorithmic composition, pembangkitan musik orisinal, LSTM, MIDI, GamelanAbstract
Musik orisinal merupakan komposisi baru yang diciptakan dengan memodifikasi elemen-elemen musik menggunakan metode yang belum pernah dilakukan sebelumnya. Penelitian ini bertujuan untuk mengembangkan sistem pembangkitan musik Barat orisinal yang diukur berdasarkan pola urutan nada dan distribusinya yang diakuisisi dari musik Gamelan, musik tradisional dari Jawa. Lembar musik Gamelan yang digunakan sebagai sumber data dikonversi ke dalam format MIDI untuk dijadikan input bagi pelatihan jaringan LSTM berdasarkan informasi nada, langkah dan durasi. Selanjutnya, teknik sequence prediction digunakan untuk membangkitkan output nada berdasarkan input nada sebelumnya. Hasil pembangkitan musik Barat orisinal berupa data dalam format file MIDI dan visualisasinya dalam format notasi Balok. Evaluasi pada pelatihan jaringan LSTM menunjukkan hasil yang baik dengan tingkat loss sebesar 0,1. Evaluasi tingkat kemiripan pola urutan nada dan distribusinya dilakukan menggunakan grafik distribusi sampel nada, langkah dan durasi, dan hasilnya menunjukkan tingkat kemiripan yang baik.References
J. Wang, X. Wang dan J. Cai, 2019, Jazz Music Generation Based on Grammar and LSTM, dalam 11th International Conference on Intelligent Human-Machine Systems and Cybernetics (IHMSC), pp. 115-120. Doi: 10.1109/IHMSC.2019.00035.
H. Zhu, Q. Liu, N.J. Yuan, C. Qin, J. Li, K. Zhang, G. Zhou, F. Wei, Y. Xu dan E. Chen, 2008, XiaoIce Band: A Melody and Arrangement Generation Framework for Pop Music, dalam KDD '18: Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, July 2018, London United Kingdom, pp. 2837-2846. Doi: 10.1145/3219819.3220105
C-Z. A. Huang, C. Hawthorne, A. Roberts, M. Dinculescu, J. Wexler, L. Hong dan J. Howcroft, 2019, The Bach Doodle: Approachable Music Composition with Machine Learning at Scale, dalam 20th International Society for Music Information Retrieval Conference, Delft, The Netherlands, 2019.
S. Dai, Z. Jin, C. Gomes dan R.B. Dannenberg, 2021, Controllable Deep Melody Generation via Hierarchical Music Structure Representation, dalam Proc. of the 22nd Int. Society for Music Information Retrieval Conf., Online, 2021.
K. Hastuti, A. Azhari, A. Musdholifah dan R. Supanggah, 2017, Rule-Based and Genetic Algorithm for Automatic Gamelan Music Composition, International Review on Modelling and Simulations, vol. 10, no. 3, pp. 202-2017, 2017, Doi: 10.15866/iremos.v10i3.11479.
A. Ayd?ngün, D. Ba?datl?o?lu, B. Canbaz, A. Kökb?y?k, M.F. Yavuz, N. Bölücü dan B. Can, 2020, Turkish Music Generation using Deep Learning, 28th Signal Processing and Communications Applications Conference (SIU), 2020, pp. 1-4. Doi: 10.1109/SIU49456.2020.9302283.
C. Donahue, H.H. Mao, Y.E. Li, G.W. Cottrell dan J. McAuley, 2019, LakhNES: Improving multi-instrumental music generation with cross-domain pre-training, dalam 20th International Society for Music Information Retrieval Conference, Delft, Netherlands, 2019.
S. Lattner, M. Grachten dan G. Widmer, 2018, Imposing higher-level structure in polyphonic music generation using convolutional restricted boltzmann machines and constraints, Journal of Creative Music Systems, vol. 2, 2018, pp. 1-31.
https://www.openmicuk.co.uk/advice/how-to-be-original/, diakses pada tanggal 2 Juli 2022.
H.T. Hung, C.Y. Wang, Y.H. Yang dan H.M. Wang, 2019, Improving Automatic Jazz Melody Generation by Transfer Learning Techniques, 2019 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), pp. 339-346, doi: 10.1109/APSIPAASC47483.2019.9023224.
A. Ranjan, V.N.J. Behera dan M. Reza, 2020, Using a Bi-directional LSTM Model with Attention Mechanism trained on MIDI Data for Generating Unique Music, arXiv:2011.00773 [cs.SD]. Doi: 10.48550/arXiv.2011.00773.
A.A.S. Gunawan, A.P. Iman dan D. Suhartono, 2020, Automatic Music Generator Using Recurrent Neural Network, International Journal of Computational Intelligence Systems, vol. 13, no. 1, pp. 645–654. Doi: 10.2991/ijcis.d.200519.001.
F. Shah, T. Naik dan N. Vyas, 2019, LSTM Based Music Generation, 2019 International Conference on Machine Learning and Data Engineering (iCMLDE), pp. 48-53. Doi: 10.1109/iCMLDE49015.2019.00020.
K. Munkhbat, B. Jargalsaikhan, T. Amarbayasgalan, N. Theera-Umpon dan K.H. Ryu, 2021, Emotional Piano Melodies Generation Using Long Short-Term Memory, dalam N.T. Nguyen, S. Chittayasothorn, D. Niyato, B. Trawi?ski (eds), Intelligent Information and Database Systems ACIIDS 2021. Lecture Notes in Computer Science(), vol 12672. Springer, Cham. https://doi.org/10.1007/978-3-030-73280-6_53.
A. E. Memi? dan V. H. Yalim Keles, 2021, Piano Music Generation with a Text Based Musical Note Representation using LSTM Models, 29th Signal Processing and Communications Applications Conference (SIU), pp. 1-4. Doi: 10.1109/SIU53274.2021.9477952.
Z. Huang, X. Jia dan Y. Guo, 2019, State-of-the-Art Model for Music Object Recognition with Deep Learning, Appl. Sci., vol. 9, no. 13, 2645. Doi: 10.3390/app9132645.
M. Rantina, H. Hasmalena dan Y. Yosef, 2020, Development of Children’s Songs Using Musescore Applications in Learning Aspect of Development for Early Childhood, International Conference on Elementary Education, vol. 2, no. 1, pp. 889-892.
Downloads
Published
Issue
Section
License
Copyright (c) 2022 Khafiizh Hastuti, Arry Maulana Syarif, Syafira Rosa Amalia, Muhammad Adrian Surya Saputra, Adam Zufar Majid Suprayogi, Afinzaki Amiral, Labib Ahnaf Dhiyaul Khoir
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Pernyataan Lisensi
Artikel yang diterbitkan dalam jurnal Techno.Com dilisensikan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional (CC BY-NC 4.0).
Anda diperbolehkan untuk menyalin, mendistribusikan, menampilkan, dan melakukan karya dari artikel ini serta membuat karya turunan selama Anda memberikan kredit yang sesuai kepada penulis asli dan tidak menggunakan karya ini untuk tujuan komersial. Untuk melihat salinan lisensi ini, kunjungi [Creative Commons Attribution-NonCommercial 4.0 International](https://creativecommons.org/licenses/by-nc/4.0/).
---
Contoh pengkreditan:
- Penulis: [Nama Penulis]
- Judul Artikel: [Judul Artikel]
- Jurnal: Techno.Com, Vol. [Nomor Volume], No. [Nomor Edisi], Tahun [Tahun Penerbitan]
Jika Anda ingin menggunakan karya ini untuk tujuan komersial, Anda harus mendapatkan izin terlebih dahulu dari penulis atau penerbit.
---
