Pembelajaran mesin membantu menelusuri kembali evolusi musik klasik
Machine

Pembelajaran mesin membantu menelusuri kembali evolusi musik klasik


Visualisasi data berdasarkan model peneliti menunjukkan bagaimana empat mode musik yang berbeda – ditunjukkan dengan warna merah, hijau, ungu, dan biru – mendominasi selama Renaissance. Kredit: DCML / EPFL

Peneliti di Lab Musikologi Kognitif dan Digital EPFL di College of Humanities menggunakan model pembelajaran mesin tanpa pengawasan untuk ‘mendengarkan’ dan mengkategorikan lebih dari 13.000 karya musik klasik Barat, mengungkapkan bagaimana mode — seperti mayor dan minor — telah berubah sepanjang sejarah.

Banyak orang mungkin tidak dapat mendefinisikan apa itu mode minor dalam musik, tetapi sebagian besar pasti akan mengenali karya yang dimainkan dengan kunci minor. Itu karena kami secara intuitif membedakan kumpulan nada yang termasuk dalam tangga nada minor — yang cenderung terdengar gelap, tegang, atau sedih — dari nada dalam skala mayor, yang lebih sering berkonotasi dengan kebahagiaan, kekuatan, atau cahaya.

Namun sepanjang sejarah, ada periode ketika beberapa mode lain digunakan selain mode mayor dan minor — atau ketika tidak ada pemisahan yang jelas antara mode sama sekali.

Memahami dan memvisualisasikan perbedaan ini dari waktu ke waktu adalah apa yang peneliti Digital and Cognitive Musicology Lab (DCML) Daniel Harasim, Fabian Moss, Matthias Ramirez, dan Martin Rohrmeier mulai lakukan dalam studi terbaru, yang telah diterbitkan dalam jurnal akses terbuka Humanities dan Komunikasi Ilmu Sosial. Untuk penelitian mereka, mereka mengembangkan model pembelajaran mesin untuk menganalisis lebih dari 13.000 karya musik dari abad ke-15 hingga ke-19, yang mencakup periode musik Renaisans, Barok, Klasik, Romantis awal, dan Romantis akhir.

“Kami sudah tahu itu di zaman Renaisans [1400-1600], misalnya, ada lebih dari dua mode. Tetapi untuk periode setelah era Klasik [1750-1820], perbedaan antara mode tersebut menjadi kabur bersama. Kami ingin melihat apakah kami dapat mengatasi perbedaan ini secara lebih konkrit, “Harasim menjelaskan.

Mendengarkan mesin (dan belajar)

Para peneliti menggunakan pemodelan matematika untuk menyimpulkan baik jumlah dan karakteristik mode dalam lima periode sejarah dalam musik klasik Barat. Karya mereka menghasilkan visualisasi data baru yang menunjukkan bagaimana musisi selama periode Renaissance, seperti Giovanni Pierluigi da Palestrina, cenderung menggunakan empat mode, sedangkan musik komposer Barok, seperti Johann Sebastian Bach, berputar di sekitar mode mayor dan minor. Menariknya, para peneliti tidak dapat mengidentifikasi pemisahan yang jelas ke dalam mode musik kompleks yang ditulis oleh komposer Romantik Akhir, seperti Franz Liszt.

Harasim menjelaskan bahwa pendekatan DCML unik karena ini adalah pertama kalinya data tanpa label digunakan untuk menganalisis mode. Artinya, potongan musik dalam kumpulan data mereka sebelumnya tidak dikategorikan ke dalam mode oleh manusia.

“Kami ingin tahu seperti apa jadinya jika kami memberi komputer kesempatan untuk menganalisis data tanpa menimbulkan bias manusia. Jadi, kami menerapkan metode pembelajaran mesin tanpa pengawasan, di mana komputer ‘mendengarkan’ musik dan mencari tahu mode ini sendiri, tanpa label metadata. “

Meskipun jauh lebih kompleks untuk dieksekusi, pendekatan “tanpa pengawasan” ini memberikan hasil yang sangat menarik yang, menurut Harasim, lebih “masuk akal secara kognitif” sehubungan dengan bagaimana manusia mendengar dan menafsirkan musik.

“Kami tahu bahwa struktur musik bisa sangat kompleks, dan musisi membutuhkan pelatihan bertahun-tahun. Tetapi pada saat yang sama, manusia belajar tentang struktur ini secara tidak sadar, seperti halnya seorang anak belajar bahasa asli. Itulah mengapa kami mengembangkan model sederhana yang membalikkan merekayasa proses pembelajaran ini, menggunakan kelas yang disebut model Bayesian yang digunakan oleh ilmuwan kognitif, sehingga kami juga dapat memanfaatkan penelitian mereka. “

Dari proyek kelas hingga publikasi dan seterusnya

Harasim mencatat dengan kepuasan bahwa penelitian ini berakar pada proyek kelas yang dia dan rekan penulisnya Moss dan Ramirez lakukan bersama sebagai siswa dalam kursus Profesor Robert West EPFL, Analisis Data Terapan. Dia berharap untuk membawa proyek lebih jauh dengan menerapkan pendekatan mereka pada pertanyaan dan genre musik lainnya.

“Untuk potongan-potongan di mana mode berubah, akan menarik untuk mengidentifikasi secara tepat pada titik mana perubahan tersebut terjadi. Saya juga ingin menerapkan metodologi yang sama untuk jazz, yang menjadi fokus disertasi Ph.D. saya, karena nada suara dalam jazz jauh lebih kaya dari hanya dua mode. ”


Membawa analisis musik komputasi melampaui kanon tradisional


Informasi lebih lanjut:
Daniel Harasim dkk. Menjelajahi dasar-dasar nada suara: pemodelan kognitif statistik mode dalam sejarah musik klasik Barat, Komunikasi Humaniora dan Ilmu Sosial (2021). DOI: 10.1057 / s41599-020-00678-6

Data dan kode di Github: github.com/DCMLab/HistoryModes_DataCode

Disediakan oleh Ecole Polytechnique Federale de Lausanne

Kutipan: Pembelajaran mesin membantu menelusuri kembali evolusi musik klasik (2021, 19 Januari), diambil 24 Januari 2021 dari https://techxplore.com/news/2021-01-machine-retrace-evolution-classical-music.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Result SGP