Pengenalan Dan Representasi Simbol Akor Musik Menggunakan Hidden Markov Model Dengan Pendekatan Doubly Nested Circle Of Fifth

Abstract

Tugas akhir ini menjelaskan sistem pengenalan akor berbasis Hidden Markov Model (HMM) dengan pendekatan Doubly Nested Circle of Fifth (DNCOF). Terdapat dua versi HMM dalam sistem ini, trained-HMM dan untrainedHMM. Pada trained-HMM sistem dilatih menggunakan 180 lagu dari 13 album The Beatles untuk membentuk model akor. Sedangkan untrained-HMM menggunakan Chord Template untuk membentuk model akor. Model akor yang digunakan dalam sistem berjumlah 24 akor yang terdiri dari 12 nada dengan kombinasi mayor dan minor. DNCOF digunakan sebagai probabilitas transisi pada sistem HMM. Dalam pengenalan ini, lagu diekstrak ke dalam bentuk chromagram dan tugas dari sistem pengenalan ini adalah untuk mengisi label akor disetiap chromagram frame. Tugas akhir ini mengevaluasi bagaimana pengaruh DNCOF terhadap akurasi dua sistem pengenalan akor berbasis HMM dimana dalam sekenario terbaik DNCOF yang menggunakan untrain-HMM menghasilkan akurasi terbaik yaitu 96.94%. Dan juga mengevaluasi perbandingan antara trained-HMM dengan untrained-HMM dimana keduanya memiliki akurasi yang cukup dekat disetiap skenario. Kata Kunci: Akor, PCP, HMM, DNCOF, Chromagram.