Music Generation Using Supervised Learning and LSTM

Tony, Suman Maria; Sasikumar, S.

doi:10.1007/978-981-16-1476-7_43

Search citation statements

Order By: Relevance

Paper Sections

Select...

Metode Penelitian1

Citation Types

Supporting

Mentioning

Contrasting

Unclassified

Year Published

2022

2023

Publication Types

Select...

Article1

Other1

Relationship

Self Cite0

Independent2

Authors

Journals

Cited by 2 publications

(1 citation statement)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A. Pengolahan Dataset Dataset dalam format MIDI (Musical Instrument Digital Interface) telah digunakan dalam -berbagai penelitian pembangkitan musik, seperti penelitian yang dilakukan oleh [9][10]. Dalam penelitian ini, dataset yang digunakan berformat MIDI dan dikumpulkan dari situs www.piano-midi.de.…”

Section: Metode Penelitianunclassified

Pembangkitan Musik Klasik Menggunakan Metode Long-Short Term Memory

Amiral

Saputra

Suprayogi

et al. 2022

SINTaKS

View full text Add to dashboard Cite

Penelitian ini bertujuan untuk mengembangkan sistem otomatisasi pembangkitan musik klasik dengan menggunakan Long-Short Term Memory (LSTM), metode yang merupakan bagian dari metode Reccurent Neural Networks (RNN). Pengembangan sistem dilakukan menggunakan Bahasa pemrograman Python. Dataset dalam format MIDI yang dikumpulkan melalui situs www.piano-midi.de diolah menggunakan paket Pretty MIDI untuk mengekstrak informasi akord dan notasi dari data yang digunakan sebagai corpus. Selanjutnya, data diekstraksi untuk mendapatkan informasi nada (pitch), langkah (step) dan durasi (duration). Pelatihan jaringan LSTM menggunakan 57.887 notasi yang merupakan hasil ekstraksi data dari 14 file MIDI berisikan komposisi karya Mozart. Hasil pelatihan jaringan LSTM diukur menggunakan metode Mean Squared Error (MSE) dengan akurasi nilai loss dengan nilai loss sebesar 0,43.

show abstract

Section: Metode Penelitianunclassified