Publisher

ITENASITENAS

Journal Rekayasa Hijau : Jurnal Teknologi Ramah LingkunganRekayasa Hijau : Jurnal Teknologi Ramah Lingkungan Abstract

Proses transkripsi audio gitar ke dalam bentuk tablature masih menjadi tantangan bagi pemula karena adanya ambiguitas posisi nada pada fretboard, di mana satu nada yang sama dapat dimainkan pada kombinasi senar dan fret yang berbeda. Penelitian ini bertujuan untuk mengembangkan sistem estimasi tablature gitar monofonik yang efisien menggunakan kombinasi algoritma YIN dan model Long Short-Term Memory (LSTM). Algoritma YIN digunakan untuk mengekstraksi frekuensi fundamental (f0) dari sinyal audio WAV, yang kemudian divalidasi melalui serangkaian tahap post-processing untuk memastikan stabilitas nada. Model LSTM kemudian digunakan untuk memetakan urutan nada tersebut ke dalam representasi senar dan fret berdasarkan pola ergonomi jari. Hasil penelitian menunjukkan bahwa model LSTM yang dioptimasi menggunakan Optuna mencapai akurasi tertinggi sebesar 83,22%. Selain itu, penerapan parameter constraint pada model terbukti mampu menghasilkan rekomendasi posisi jari yang lebih ergonomis bagi pemain gitar dibandingkan model baseline. Sistem ini diimplementasikan dalam aplikasi berbasis web yang memungkinkan transkripsi audio ke tablature secara otomatis dengan beban komputasi yang rendah.

Conclusion

Berikutnya, penelitian ini menunjukkan bahwa algoritma YIN berhasil ditangani untuk mendeteksi pitch monofonik dari file audio WAV, dan LSTM berhasil memetakan urutan pitch ke posisi senar dan fret gitar.Empat varian LSTM diuji, dengan varian baseline dan Optuna menghasilkan akurasi sekitar 80‑83 % token, sementara varian dengan constraint lebih menekankan ergonomi sehingga akurasi token menurun, namun output musik tetap musikal.Kesimpulannya, pipeline YIN‑LSTM dapat merubah audio monofonik menjadi tablature, namun pemilihan metrik evaluasi harus disesuaikan dengan tujuan model.

Future Research

Sebuah studi lanjut dapat mengeksplorasi penggunaan model Transformer sebagai pengganti LSTM untuk memanfaatkan perhatian yang lebih baik terhadap konteks jangka panjang pada urutan pitch, sehingga dapat meningkatkan akurasi mapping tablature. Selain itu, penelitian berikutnya dapat memvalidasi sistem dengan dataset audio dari berbagai genre musik dan kualitas rekaman berbeda, guna menguji ketahanan model terhadap noise dan variasi tonal. Akhirnya, penelitian lanjutan dapat mengembangkan modul visual interaktif yang menampilkan posisi jari secara real‑time pada diagram fretboard, sehingga pemain dapat mengikuti transkripsi secara visual dan memperoleh umpan balik ergonomik langsung.

References

1. The Application of LSTM in the AI-Based Enhancement of Classical Compositions | Journal of Informatics... doi.org/10.20895/INISTA.V7I1.1628The Application of LSTM in the AI Based Enhancement of Classical Compositions Journal of Informatics doi 10 20895 INISTA V7I1 1628
2. Do Re Mi: Psikologi, Musik, dan Budaya | Shaleha | Buletin Psikologi. re mi psikologi musik budaya shaleha... journal.ugm.ac.id/buletinpsikologi/article/view/37152Do Re Mi Psikologi Musik dan Budaya Shaleha Buletin Psikologi re mi psikologi musik budaya shaleha journal ugm ac buletinpsikologi article view 37152
3. Melody generation using deep learning unleashing the power of rnn and lstm| International Journal of... doi.org/10.38124/ijisrt/ijisrt24apr2001Melody generation using deep learning unleashing the power of rnn and lstm International Journal of doi 10 38124 ijisrt ijisrt24apr2001
4. Transfer Learning for Audio Waveform to Guitar Chord Spectrograms Using the Convolution Neural Network... doi.org/10.1155/2022/8544765Transfer Learning for Audio Waveform to Guitar Chord Spectrograms Using the Convolution Neural Network doi 10 1155 2022 8544765

Metadata

File size	516.73 KB
Pages	16
DMCA	Report