Nurdiyah, Dewi (2024) Ekstraksi Fitur Deep Semantic Menggunakan Hybrid Multi-task Learning Autoencoder dan Affine Transformation untuk Deteksi Instrumen dalam Orkestra Gamelan. Doctoral thesis, Institut Teknologi Sepuluh Nopember.
Text
07111960010005_Dissertation.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy |
Abstract
Instrumen Gamelan ditala dengan oktaf yang saling tumpang tindih dengan instrumen lain, sehingga menghasilkan frekuensi fundamental yang mirip. Frekuensi fundamental adalah fitur paling dominan untuk membedakan setiap instrumen Gamelan. Tumpang tindih frekuensi antar instrumen Gamelan adalah masalah krusial yang berpotensi menginduksi kesalahan pada sistem deteksi instrumen. Tumpang tindih frekuensi menimbulkan masalah yang lebih kompleks ketika instrumen tersebut dimainkan bersamaan dalam orkestra Gamelan. Penelitian ini telah menginvestigasi fitur runtutan amplitudo dalam domain waktu dan fitur spectral dalam domain waktu-frekuensi untuk mentranskripsikan nada instrumen Gamelan. Transkripsi nada diperlukan untuk memperkaya kelas karena tahap pertama dan kedua hanya melibatkan satu dan tiga instrumen untuk pengujian. Hasil eksperimen menunjukkan bahwa fitur runtutan amplitudo kurang representatif karena mengandung satu dimensi data. Fitur spectral juga memiliki keterbatasan karena instrumen dengan frekuensi fundamental yang saling tumpang tindih dikenali sebagai instrumen yang sama. Penelitian ini mengusulkan ekstraksi fitur deep semantic menggunakan hybrid Multi-Task Learning Autoencoder (MTL-AE) dan Affine Transformation (AFT) dengan ukuran kernel 32 dan optimizer RMSProp. Selanjutnya, penyusuanan fitur deep semantic terstruktur dilakukan untuk membentuk pola fitur yang komprehensif sehingga mewakili delapan sumber instrumen dalam orkestra Gamelan. Fitur tersebut digunakan sebagai fitur masukan pada machine learning untuk mendeteksi instrumen dalam orkestra Gamelan. Hasil eksperimen menunjukkan bahwa fitur deep semantic terstruktur yang diekstraksi dari MFCC menghasilkan akurasi deteksi instrumen hingga 99% pada data orkestra. Fitur ini juga diuji untuk mengatasi tumpang tindih frekuensi pada data rekaman nada terisolasi, menghasilkan akurasi hingga 97% menggunakan SVM dengan kernel linier. Sehingga, penelitian ini membuktikan bahwa fitur deep semantic terstruktur dapat mencapai kinerja signifikan dan mampu mengatasi masalah tumpang tindih frekuensi pada deteksi instrumen dalam orkestra Gamelan.
Item Type: | Thesis (Doctoral) |
---|---|
Uncontrolled Keywords: | Autoencoder, deep learning, deteksi instrumen Gamelan, klasifikasi instrumen Gamelan, ekstraksi fitur, fitur deep semantic, tumpang tindih frekuensi, autoencoder, deep learning, Gamelan instrument detection, Gamelan instrument classification, feature extraction, deep semantic features,frequency overlapping. |
Subjects: | M Music and Books on Music > M Music T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing. |
Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20001-(S3) PhD Thesis |
Depositing User: | Dewi Nurdiyah |
Date Deposited: | 07 Aug 2024 07:15 |
Last Modified: | 07 Aug 2024 07:15 |
URI: | http://repository.its.ac.id/id/eprint/111751 |
Actions (login required)
View Item |