DETEKSI SUARA CHORD PIANO MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Authors

  • Fajar Ferdiawan Universitas Stikubank Semarang
  • Budi Hartono Universitas Stikubank Semarang

DOI:

https://doi.org/10.36595/jire.v5i1.552

Keywords:

Deep Learning, Piano, Audio Processing, Convolutional Neural Network, Python

Abstract

Piano merupakan alat musik yang paling digemari oleh masyarakat selain gitar, piano dapat menjadi instrument yang baik untuk mengiringi penyanyi walaupun tanpa iringan alat musik yang lain. Piano terdiri dari not yang mencapai 6.5 oktaf sampai lebih dari 7 oktaf, dari not yang ada dapat dibentuk menjadi chord yang sesuai dengan tangga nadanya. Ada beberapa tangga nada yaitu pentatonic, chromatic, serta diatonic, dari ketiga tangga nada tersebut tangga nada diatonic-lah yang sering dipakai. Tangga nada diatonic juga memiliki 2 jenis yaitu diatonic major dan diatonic minor. Tangga nada diatonic major umumnya digunakan pemula untuk belajar piano. Penelitian ini akan mengklasifikasikan chord piano major scale dengan menggunakan metode Convolutional Neural Network. Convolutional Neural Network digunakan untuk mendeteksi serta mengenali object pada sebuah gambar. Penelitian ini juga menggunakan library Keras yang merupakan jaringan syaraf tiruan yang berjalan diatas TensorFlow untuk mempercepat proses pengolahan citra. Hasil uji dengan menggunakan 240 dataset chord piano menghasilkan akurasi tertinggi mencapai 98%.

References

T. Safaat, “Implementasi Fast Fourier Transform Pada Pengenalan Nada Piano Berbasis Android,” Universitas Islam Negeri Maulana Malik Ibrahim Malang, 2016.

P. R. Aningtiyas, “Pembuatan Aplikasi Deteksi Objek Menggunakan Tensorflow Object Detection API Dengan Memanfaatkan SSD MobileNet V2 Sebagai Medel Pra-Terlatih,” J. Ilm. KOMPUTASI, vol. 19, no. September, pp. 421–430, 2020.

S. R. Dewi, “Deep Learning Object Detection Pada Video,” Universitas Islam Indonesia Yogyakarta, 2018.

M. H. Ashshiddieqy, “Klasifikasi Suara Paru Dengan Convolutional Neural Network (CNN),” eProceedings Eng., vol. 07, no. 02, pp. 8506–8512, 2020, [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/12750/12473.

I. W. Prastika, “Deteksi penyakit kulit wajah menggunakan tensorflow dengan metode convolutional neural network,” MISI (Jurnal Manaj. Inform. Sist. Informasi), vol. 4, no. 2, pp. 84–91, 2021.

W. Anggraini, “Deep Learning Untuk Deteksi Wajah Yang Berhijab Menggunakan Algoritma Convolutional Neural Network (CNN) Dengan Tensorflow,” Universitas Islam Negeri Ar-Raniry Darussalam Banda Aceh, 2020.

L. Deng and D. Yu, “Deep learning: Methods and applications,” Found. Trends Signal Process., vol. 7, no. 3–4, pp. 197–387, 2013, doi: 10.1561/2000000039.

N. Giarsyani, A. F. Hidayatullah, and R. Rahmadi, “KOMPARASI ALGORITMA MACHINE LEARNING DAN DEEP LEARNING UNTUK NAMED ENTITY RECOGNITION?: STUDI KASUS DATA KEBENCANAAN,” Jire (jurnal Inform. Rekayasa Elektron., vol. 3, no. 1, pp. 48–57, 2020.

D. Lionel, R. Adipranata, and E. Setyati, “Klasifikasi Genre Musik Menggunakan Metode Deep Learning Convolutional Neural Network dan Mel- Spektrogram,” J. Infra Petra, vol. 7, no. 1, pp. 51–55, 2019.

I. W. Hasanain and A. Rizal, “Klasifikasi Suara Paru-Paru Menggunakan Convolutional Neural Network (CNN),” e-Proceeding Eng., vol. 8, no. 2, pp. 3218–3223, 2021.

Downloads

Published

2022-04-23