Prediksi Akor Musik Menggunakan Deep Learning Berbasis Notasi Angka

Abstract

Musik merupakan bidang seni yang tidak pernah lepas dari kehidupan manusia. Keberadaan musik sendiri telah menyatu dengan kehidupan manusia. Bagi yang baru saja belajar ataupun mendalami musik, pasti dimulai dari belajar bagaimana cara membaca tangga nada, lalu menyesuaikan tempo permainan, lalu mempelajari akor mana yang tepat untuk sebuah baris birama. Namun, sering kali bagi orang yang baru belajar musik akan kesulitan, jika diminta untuk melakukan improvisasi dari nada yang diberikan untuk menentukan akor mana yang tepat untuk mengiringi sebuah baris birama. Salah satu cara untuk menentukan akor mana yang akan digunakan yaitu dengan dikembangkan sebuah metode untuk menentukan akor mana yang akan digunakan untuk mengiringi baris birama tersebut. Sistem ini akan mengklasifikasian baris birama yang dibaca menggunakan Deep Learning. Sistem ini mampu mengklasifikasikan empat jenis akor dengan akurasi 68.5%. Namun, empat jenis akor tersebut merupakan akor yang sering muncul pada kebanyakan partitur musik. Oleh karena itu, diperlukan data yang lebih banyak untuk akor lainnya yang jarang muncul pada partitur untuk ditambahkan ke dalam sistem ini

CC Licencing

Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).