Perpustakaan Digital ITB

Musik sudah ada di peradaban manusia sejak zaman dahulu dan menjadi salah satu bentuk berekspresi dan berkomunikasi. Di Indonesia, semua suku memiliki kebudayaan musiknya masing-masing. Sayangnya, teknologi yang telah berkembang sekarang kurang digunakan secara optimal untuk memperkenalkan budaya tersebut kepada pelajar-pelajar muda dan warga negara asing yang ada di Indonesia. Oleh karena itu, pengembangan teknologi guna melestarikan dan memperkenalkan kebudayaan serta alat musik Indonesia ke kalangan umum penting. Salah satu teknologi yang belum banyak dikembangkan di Indonesia adalah teknologi untuk memisahkan alat-alat musik tradisional Indonesia dari rekaman-rekaman ensemble. Teknologi tersebut dapat membantu musisi melibatkan suara dan alat musik tradisional ke dalam karya mereka dan membantu akademisi musik dalam mengenali alat musik tradisional melalui rekaman tanpa adanya gangguan dari suara alat musik lain. Penelitian metode-metode separasi audio instrumen musik telah dilakukan sejak 2018, dengan U-Net sebagai model yang lebih populer dibanding yang lainnya. Hasil uji model tersebut menghasilkan nilai SDR yang menjanjikan. Oleh karena itu, penelitian ini menguji model tersebut pada alat musik tradisional serta mengimplementasikannya pada aplikasi berbasis web. Aplikasi tersebut dapat menjadi proof-of-concept atas manfaat aplikasi ini. Purwarupa yang dikembangkan dapat memisahkan audio alat musik tradisional dari rekaman permainan lagu yang dimasukkan ke dalam model purwarupa. Model yang dibuat berupa arsitektur U-Net yang dapat mengenali suara alat musik tradisional yang terdapat di dalam sebuah audio berdasarkan nilai-nilai STFT yang didapati dari rekaman lagu. Model tersebut diintegrasikan dengan antarmuka sehingga menjadi aplikasi berbasis web. Pada penilitian ini, rekaman yang digunakan adalah rekaman ensemble Angklung dan Gamelan Jawa yang dibuat secara digital, dengan audio Angklung sebagai audio yang hendak dipisahkan dari rekamannya. Berdasarkan hasil pengujian, didapati model U-Net dengan optimizer Adam serta weight decay dan learning rate sebesar 10-5 dan 10-4 secara berturut-turut dapat memberikan hasil dengan rata-rata SDR senilai 7,26 dB. Ketika model diintegrasikan ke antarmuka aplikasi dan diuji, didapati bahwa aplikasi dapat bekerja sesuai use case yang diberikan dan dapat bersaing dengan aplikasi separasi audio lainnya dari segi kecepatan pemrosesan.