Generator Notasi Musik Instrumen Gamelan Jawa Berbasis Deep Learning

Kurniawati, Arik (2024) Generator Notasi Musik Instrumen Gamelan Jawa Berbasis Deep Learning. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 07111960010016-Dissertation.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (6MB) | Request a copy

Abstract

Sebuah gendhing (lagu) dalam gamelan Jawa memiliki pola permainan yang bervariasi sesuai dengan acara yang diiringinya. Biasanya, variasi pola ini terdapat pada instrumen pengiring, bukan pada melodi utama gendhing tersebut. Tantangannya terletak bahwa dalam sebuah gendhing, hanya terdapat notasi melodi dan karakteristik penyajian gendhing, sehingga penabuh gamelan baru membutuhkan notasi lengkap untuk semua instrumen. Dengan menggunakan data input berupa notasi balungan yang direpresentasikan secara numerik dan dilengkapi dengan karakteristik gendhing seperti irama, struktur gendhing, laras, pathet, nada seleh, dan informasi posisi gatra dapat dihasilkan generator musik otomatis untuk beberapa instrumen gamelan sebagai pengiring musik, kelompok musik harmoni, dan kelompok musik struktural berbasis Deep Learning. Beberapa eksperimen yang telah dilakukan antara lain menggunakan Multi-label Classification 1D CNN untuk generator notasi bonang barung dari tujuh macam struktur gendhing, bidirectional long-term memory (BiLSTM) dibandingkan dengan model recurrent neural network (RNN) dan long-short term memory (LSTM) untuk menghasilkan notasi iringan musik harmoni dari bonang barung dan bonang penerus, serta CNN-LSTM dibandingkan dengan LSTM dan CNN untuk menghasilkan notasi musik struktural dari instrumen: kethuk, kenong, kempyang, kempul, dan gong. Untuk mengevaluasi hasil generator musik, digunakan metode Note Distance, Dynamic Time Warping (DTW), dan Cross Correlation, serta ekstraksi fitur audio untuk memvisualisasikan audio dari notasi generator yang dihasilkan. Hasil eksperimen menunjukkan bahwa semua model memberikan akurasi yang lebih baik ketika menggunakan seluruh fitur lagu dibandingkan dengan hanya menggunakan beberapa fitur lagu. Eksperimen pertama dengan 1D CNN untuk menghasilkan notasi bonang barung mencapai akurasi sebesar 87,62%. Eksperimen kedua dengan model BiLSTM untuk menghasilkan musik harmoni bonang barung dan bonang penerus mencapai akurasi 93%. Terakhir, eksperimen ketiga dengan model CNN-LSTM untuk menghasilkan generator notasi kelompok instrumen ricikan struktural mencapai akurasi sebesar 91,9%.
=================================================================================================================================
A ”gendhing (song)” in Javanese gamelan has playing patterns that vary according to the accompanying event. Typically, these pattern variations occur in the accompanying instruments not in the main melody of the gendhing. The problem is that a ”gendhing” contains only the melody notation and the characteristics of its presentation. Therefore, novice gamelan players need complete notations for all instruments. By using input data : balungan notations represented numerically and with characteristics such as rhythm, gendhing structure, scale, mode, nada seleh and gatra position information, an automatic music generator for multiple gamelan instruments can be created as an accompaniment, harmonic music group and structural music group using deep learning. Several experiments have been conducted, including the use of multi-label classification 1D CNN to generate notations of ”Bonang Barung” from seven types of gamelan structures, using bidirectional long-term memory (BiLSTM) comparing with recurrent neural network (RNN) and long-short term memory (LSTM) models to generate harmony music notations for ”bonang barung” and ”bonang penerus”, and using CNN-LSTM comparing with LSTM and CNN to generate structural music notations for instruments such as kethuk, kenong, kempyang, kempul, and gong. To evaluate the results of the music generator, such techniques as Note Distance, Dynamic Time Warping (DTW), and Cross Correlation are applied, along with audio feature extraction to visualize the audio from the generated notations. The experimental results show that all models obtain better accuracy when all features of the song are used than when only some features are used. The first experiment, using 1D CNN to generate ”bonang barung” notations, achieved an accuracy of 87.62%. The second experiment, using BiLSTM to generate harmony music for ”bonang barung” and ”bonang penerus”, achieved an accuracy of 93%. Finally, the third experiment using CNN-LSTM to generate notations for the structural instrument group reached an accuracy of 91.9%.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	gamelan Jawa, notasi, Music Generation, Deep Learning, musik harmoni, musik struktural
Subjects:	M Music and Books on Music > M Music T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7888.3 Digital computers
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20001-(S3) PhD Thesis
Depositing User:	Arik Kurniawati
Date Deposited:	14 Mar 2024 03:48
Last Modified:	14 Mar 2024 03:48
URI:	http://repository.its.ac.id/id/eprint/107807

Actions (login required)

View Item