SEPARASI SUARA GAMELAN MENGGUNAKAN DEEP NEURAL NETWORK

Wiratama, Bima (2023) SEPARASI SUARA GAMELAN MENGGUNAKAN DEEP NEURAL NETWORK. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (2MB)
	Text (BAB I) BAB I.pdf Download (204kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (460kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (381kB)
	Text (BAB V) BAB V.pdf Download (75kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (204kB)
	Archive (SOURCE CODE) Source Code - Bima Wiratama.zip Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Penggunaan instrumen gamelan atau idiom permainan dalam gamelan banyak digunakan dalam berbagai komposisi film, video game dan musik kontemporer. Mayoritas instrumen gamelan yang terbuat dari logam menjadi tantangan untuk memisahkan sinyal antar instrumen dalam melakukan evaluasi komposisi musik gamelan. Music Source Separation merupakan suatu proses untuk memisahkan sinyal antar sumber suara menggunakan model neural network yang bersifat supervised. Arsitektur U-Net digunakan untuk menguji berbagai metode dan fitur. Penelitian ini bertujuan untuk melakukan studi komparatif mencari metode dan fitur neural network yang paling baik untuk Music Source Separation (MSS) pada musik gamelan jawa metode neural network yang diuji dipilih dari metode yang sering digunakan untuk data sequential, seperti Long Short-Term Memory (LSTM), Dual Path Recurrent Neural Network (DPRNN) dan Hybrid Demucs. Ada dua representasi input spektogram yang diuji dalam network yaitu spektogram magnitudo dengan Wiener Filtering (WF) dan Complex-as-Channels (CAC). Pada pengujian yang dilakukan menggunakan metrik evaluasi berupa Source-To-Distortion Ratio (SDR), Source to Artifact Ratio (SAR), dan Source to Interference Ratio (SIR). Secara rata-rata SDR, Hybrid Demucs memiliki nilai yang paling baik yaitu 8,2753 dB. Secara rata-rata SAR, Hybrid Demucs juga mempunyai nilai yang paling tinggi yaitu 3,2944 dB. Untuk rata-rata SIR, DPRNN CAC mempunyai nilai yang paling tinggi yaitu 5,1595 dB. Hybrid Demucs mempunyai performa sekitar 27,5% lebih baik daripada DPRNN CAC dan 28,2% lebih baik dari LSTM CAC.

Actions (login required)

View Item