ANALISIS AUDIO : KLASIFIKASI ALAT MUSIK GAMELAN JAWA MENGGUNAKAN DEEP LEARNING DENGAN PYTHON

Laksmita, Nadea Cipta (2021) ANALISIS AUDIO : KLASIFIKASI ALAT MUSIK GAMELAN JAWA MENGGUNAKAN DEEP LEARNING DENGAN PYTHON. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 19.52.1195-Nadea Cipta Laksmita.pdf Download (5MB)

Abstract

Perkembangan musik akhir-akhir ini sangat pesat. Sisi produksi musik yang mengalami perkembangan, juga alat-alat musik yang semakin banyak macamnya. Di Indonesia banyak sekali jenis alat musik yang menjadi ciri khas di setiap daerahnya, terlebih utama musik khas jawa yang sekarang banyak menjadi pilihan pelaku produksi musik untuk mengolah musik mencampur dengan istrumen gamelan. Deep Learning memungkinkan inovasi dan perubahan di semua aspek kehidupan modern kita. Sebagian besar terobosan kecerdasan buatan yang dapat didengar di media didasarkan pada deep learning. Peneliti menggunakan dataset yang dibuat sendiri dengan memainkan alat musik gamelan yang direkam. Implementasi dari instrument alat musik gamelan yaitu bonang, gambang dan kendang dianalisis menggunakan metode convolutional neural network (CNN) dengan library keras dan librosa. Dalam proses analisis menggunakan CNN melalui proses preprocessing audio dan selanjutnya dilakukan permodelan hingga didapatkan mode; yang baik dalam data audio yang uji. Berdasarkan model yang diterapkan, hasil validasi data latih memiliki nilai loss 0.0749 dan nilai akurasi sebesar 0.9832 yang berasal dari hasil training dengan epoch sebanyak 100. Pada tabel prediksi dapat dilihat bahwa suara alat musik gamelan dari data asli ke audio lain adalah mendekati angka yang sama. Sehingga confidence level sebesar 0.925 dapat dipastikan valid dan sesuai dengan klasifikasi. Lebih Rinci dari hasil testing sebanyak 20 kali data masukan audio yang tidak berasal dari dataset adalah Angklung sebanyak 0.730142499; Bonang sebesar 0.983872325; Demung sebesar 0.572570784; Sedangkan Gong, Kendang, Rebab, Saron dan Suling masing- masing sebesar 0.999924088; 0.970878; 0.996331604; 0.52538331; 0.999755581. Dengan demikian, perhitungan akurasi berdasarkan confusion matrix yang telah dilaksanakan adalah sebesar 0,88125; dengan presisi sebesar 0,98388499 dan seluruh recall berjumlah 10,575

Actions (login required)

View Item