Perpustakaan Digital ITB

Estimasi akor otomatis (Automatic Chord Estimation, ACE) merupakan salah satu task dalam bidang Music Information Retrieval (MIR) yang bertujuan untuk mengidentifikasi urutan akor dalam rekaman audio musik secara otomatis. Tugas akhir ini mengusulkan penggunaan metode gabungan antara Deep Learning dan Hidden Markov Model (HMM) untuk meningkatkan akurasi estimasi akor. Proses penelitian ini membandingkan ekstraksi fitur dari sinyal audio menggunakan metode seperti Short-Time Fourier Transform (STFT), Constant-Q Transform (CQT), dan juga gabungan keduanya. Fitur-fitur yang dihasilkan kemudian digunakan sebagai input untuk model deep learning. CNN sebagai model deep learning digunakan untuk mengestimasi akor tiap window, sementara HMM digunakan sebagai metode post-processing yang betujuan untuk memperhalus hasil estimasi dari CNN. Proses penelitian ini juga berfokus pada pemisahan tugas klasifikasi akor berdasarkan komponen akor untuk meringankan beban model dalam mengestimasi jumlah kelas akor yang banyak. Hasil penelitian ini menunjukkan bahwa penggabungan metode ekstraksi fitur dalam pemrosesan sinyal audio serta pemisahan tugas klasifikasi dapat meningkatkan akurasi sistem ACE. Metrik segment-based chord symbol recall digunakan untuk mengukur akurasi prediksi akor. Pada single model, metode ekstraksi fitur CQT + STFT mencapai skor chord 64.57 tanpa HMM dan meningkat menjadi 65.01 dengan HMM. Pada model multi-model, metode STFT menunjukkan akurasi chord sebesar 75.54 tanpa HMM.