PENGEMBANGAN MODEL CONVLSTM UNTUK KLASIFIKASI AUDIO GAMELAN BALI
Jurnal Informatika dan Teknik Elektro Terapan · 13.04.2026 · 14 (2)
DOI: 10.23960/jitet.v14i2.9315 ↗Kurz gefasst
Fachartikel in der Zeitschrift Jurnal Informatika dan Teknik Elektro Terapan, online erschienen am 13.04.2026. Verfasst von I Gede Risva Darma Sentana Sentana. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).
Abstract (Originalsprache)
Abstrak. Musik tradisional seperti Gamelan Bali menghadapi tantangan pelestarian di era digital. Proses identifikasi manual yang lambat dan subjektif menghambat upaya pengarsipan skala besar. Penelitian ini mengusulkan solusi melalui pengembangan model klasifikasi audio otomatis menggunakan arsitektur Convolutional Long Short-Term Memory. Tujuan penelitian adalah untuk merancang, melatih, dan mengevaluasi model yang mampu mengklasifikasikan lima Gamelan Bali: Angklung, Baleganjur, Gong Gede, Gong Kebyar, dan Semar Pegulingan. Metode penelitian ini mencakup beberapa tahapan, mulai dari pengumpulan dan validasi dataset oleh ahli, pra-pemrosesan audio dengan segmentasi durasi tetap dan denoising, hingga ekstraksi fitur gabungan (MFCC, Chroma, Spectral Contrast). Beberapa skenario pelatihan dieksperimenkan untuk menemukan konfigurasi optimal. Hasil penelitian menunjukkan bahwa model terbaik, yang dilatih menggunakan audio 10 detik dengan teknik transformasi data, berhasil mencapai akurasi validasi sebesar 75%. Analisis lebih lanjut mengungkap bahwa model menunjukkan performa baik pada kelas dengan karakteristik unik seperti Baleganjur (F1-Score 0.91), namun menghadapi tantangan pada kelas dengan tumpang tindih akustik seperti Gong Kebyar (F1-Score 0.50). Disimpulkan bahwa arsitektur ConvLSTM cukup dalam klasifikasi audio Gamelan Bali namun tetap perlu ditingkatkan. Abstract. Traditional music such as Balinese Gamelan faces preservation challenges in the digital age. Slow and subjective manual identification processes hinder large-scale archiving efforts. This study proposes a solution through the development of an automatic audio classification model using a Convolutional Long Short-Term Memory architecture. The objective of this study is to design, train, and evaluate a model capable of classifying five types of Balinese Gamelan: Angklung, Baleganjur, Gong Gede, Gong Kebyar, and Semar Pegulingan. The research method includes several stages, starting from data collection and validation by experts, audio pre-processing with fixed duration segmentation and denoising, to combined feature extraction (MFCC, Chroma, Spectral Contrast). Several training scenarios were experimented with to find the optimal configuration. The results show that the best model, trained using 10-second audio clips with data transformation techniques, achieved a validation accuracy of 75%. Further analysis revealed that the model performed well on classes with unique characteristics such as Baleganjur (F1-Score 0.91), but faced challenges on classes with acoustic overlap such as Gong Kebyar (F1-Score 0.50). It was concluded that the ConvLSTM architecture is sufficient for Balinese Gamelan audio classification but still needs improvement.
Zitieren
APA
Sentana, I. G. R. D. S. (2026). PENGEMBANGAN MODEL CONVLSTM UNTUK KLASIFIKASI AUDIO GAMELAN BALI. Jurnal Informatika dan Teknik Elektro Terapan, 14(2). https://doi.org/10.23960/jitet.v14i2.9315
Vancouver
Sentana IGRDS. PENGEMBANGAN MODEL CONVLSTM UNTUK KLASIFIKASI AUDIO GAMELAN BALI. Jurnal Informatika dan Teknik Elektro Terapan. 2026;14(2). doi:10.23960/jitet.v14i2.9315
BibTeX
@article{Sentana2026,
author = {Sentana, I Gede Risva Darma Sentana},
title = {PENGEMBANGAN MODEL CONVLSTM UNTUK KLASIFIKASI AUDIO GAMELAN BALI},
journal = {Jurnal Informatika dan Teknik Elektro Terapan},
year = {2026},
volume = {14},
number = {2},
doi = {10.23960/jitet.v14i2.9315}
}
EUVIMED