FAHREZA, MUHAMMAD RIZKY (2025) IMPLEMENTASI ALGORITMA MACHINE LEARNING MELALUI LIBRARY MADMOM DALAM PENGEMBANGAN APLIKASI WEB EKSTRAKSI INFORMASI LAGU. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (633kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 BAB 1.pdf Restricted to Registered users only Download (39kB) |
|
|
Text (BAB II)
03 BAB 2.pdf Restricted to Registered users only Download (272kB) |
|
|
Text (BAB III)
04 BAB 3.pdf Restricted to Registered users only Download (111kB) |
|
|
Text (BAB IV)
05 BAB 4.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (BAB V)
06 BAB 5.pdf Restricted to Registered users only Download (88kB) |
|
|
Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (97kB) |
|
|
Text (LAMPIRAN)
08 LAMPIRAN.pdf Restricted to Registered users only Download (895kB) |
Abstract
A song consists of important components such as chords, key, and tempo (BPM), which form the identity of the song and allow for recognition even in different arrangements. However, the availability of this information is often limited, especially for indie songs. Technological advancements, particularly machine learning algorithms available through the Madmom library, provide solutions for accurately and efficiently extracting musical information. This research adopts a combined qualitative and quantitative approach by conducting observations and analyses through the process of audio data visualization, which includes spectrograms, chromagrams, and waveforms. This process provides insights into musical patterns, which are studied using models such as RNN, CNN, and CRF, as part of Madmom's workflow to analyze patterns and draw conclusions from song data. In this study, threading and caching techniques are applied to optimize the song extraction process using Madmom, achieving an efficiency improvement of up to 20%. The web application developed in this research, named Chord Recognizer, is used to implement this system while also serving as an interface to present the output to users. Python was chosen as the programming language for the backend due to its flexibility, practicality, and strong support for machine learning processes through the available libraries. Evaluation of this application shows a significant level of accuracy compared to other platforms such as Tunebat and SongBPM, particularly in recognizing more complex chord variations. As part of the evaluation, the analysis results from the Chord Recognizer application were compared with data from trusted sources such as Tunebat and SongBPM, demonstrating that this application is not only capable of accurately recognizing keys and tempos but also provides a deeper analysis of the chords used in the songs. This research makes a significant contribution to the development of efficient and widely accessible music analysis technology. Keywords: Music Extraction, Machine Learning, Madmom, Web, Chord Recognizer Sebuah lagu terdiri dari komponen-komponen penting seperti akor, nada dasar, dan tempo (BPM), yang membentuk identitas lagu dan memungkinkan pengenalan meskipun dalam aransemen yang berbeda. Namun, ketersediaan informasi ini sering kali terbatas, terutama untuk lagu-lagu indie. Kemajuan teknologi, khususnya algoritma pembelajaran mesin yang tersedia melalui pustaka Madmom, memberikan solusi untuk mengekstraksi informasi musik secara akurat dan efisien. Penelitian ini mengadopsi pendekatan gabungan kualitatif dan kuantitatif dengan melakukan observasi dan analisis melalui proses visualisasi data audio, yang mencakup spektogram, chromagram, dan waveform. Proses ini memberikan wawasan mengenai pola-pola musikal, yang dipelajari dengan menggunakan model-model seperti RNN, CNN, dan CRF, sebagai bagian dari proses kerja Madmom untuk menganalisis pola dan menarik kesimpulan dari data lagu. Dalam penelitian ini, teknik Threading dan Caching diterapkan untuk mengoptimalkan proses ekstraksi lagu menggunakan Madmom, dengan peningkatan efisiensi hingga 20%. Aplikasi web yang dikembangkan dalam penelitian ini, yang diberi nama Chord Recognizer, digunakan untuk mengimplementasikan sistem ini sekaligus menjadi antarmuka untuk menyajikan output kepada pengguna. Python dipilih sebagai bahasa pemrograman untuk backend karena fleksibilitasnya, kepraktisannya, serta dukungan yang kuat untuk proses pembelajaran mesin melalui pustaka-pustaka yang tersedia. Evaluasi terhadap aplikasi ini menunjukkan tingkat keakuratan yang signifikan dibandingkan dengan platform lain seperti Tunebat dan SongBPM, terutama dalam mengenali variasi akor yang lebih kompleks. Sebagai bagian dari evaluasi, hasil analisis dari aplikasi Chord Recognizer dibandingkan dengan data dari sumber-sumber terpercaya seperti Tunebat dan SongBPM, yang menunjukkan bahwa aplikasi ini tidak hanya mampu mengenali kunci dan tempo dengan akurat, tetapi juga memberikan analisis yang lebih mendalam mengenai akor-akor yang digunakan dalam lagu. Penelitian ini memberikan kontribusi signifikan terhadap pengembangan teknologi analisis musik yang efisien dan dapat diakses secara luas. Kata kunci: Ekstraksi Musik, Pembelajaran Mesin, Madmom, Web , Chord Recognizer
Actions (login required)
 |
View Item |
