Pengembangan Sistem Generator MIDI Berbasis Web Menggunakan Arsitektur RWKV
Abstract Views: 51
PDF Downloads: 19
DOI:
https://doi.org/10.56211/sudo.v5i2.1777Keywords:
Deep Learning; Generator Musik; Machine Learning ; MIDI; RWKV
Abstract
Pemanfaatan kecerdasan buatan (Artificial Intelligence/AI) dalam bidang kreatif, khususnya komposisi musik otomatis, terus berkembang seiring dengan kemajuan arsitektur deep learning. Berbagai pendekatan generatif telah dikembangkan, mulai dari model berbasis RNN, LSTM, GAN, VAE, hingga Transformer, namun sebagian besar masih memerlukan sumber daya komputasi yang besar untuk menghasilkan melodi yang koheren. Penelitian ini bertujuan mengembangkan sistem generator melodi MIDI berbasis web yang mampu menghasilkan komposisi musik secara otomatis dengan efisiensi tinggi. Sistem ini mengimplementasikan model Receptance Weighted Key Value (RWKV), sebuah arsitektur yang menggabungkan efisiensi komputasi Recurrent Neural Network (RNN) dengan kemampuan paralelisasi Transformer. Model dilatih menggunakan dataset yang bersumber dari 909 file MIDI mentah dengan ukuran konfigurasi vocabulary sebanyak 200 token unik, menghasilkan total keseluruhan 1.308.713 token sekuensial. Integrasi model ke platform web dilakukan menggunakan framework Gradio. Hasil pengujian teknis menunjukkan bahwa setelah melalui 5 epoch pelatihan pada dataset 1,3M token, model berhasil mencapai nilai Cross-Entropy Loss sebesar 0,8752 dengan tingkat Perplexity sebesar 2,40. Nilai ini jauh lebih rendah dibandingkan model LSTM pembanding yang memiliki Perplexity sekitar 18. Penggunaan arsitektur RWKV terbukti memberikan efisiensi sumber daya yang signifikan dengan penggunaan memori GPU sebesar 2,1 GB (hanya 14% dari kapasitas VRAM 15GB), yang memungkinkan proses generasi melodi secara real-time dengan latensi rendah.
Downloads
References
[1] S. Ji, X. Yang, and J. Luo, “A Survey on Deep Learning for Symbolic Music Generation: Representations, Algorithms, Evaluations, and Challenges,” ACM Comput. Surv., vol. 56, no. 1, Dec. 2023, doi: 10.1145/3597493. DOI: https://doi.org/10.1145/3597493
[2] P. S. Yadav, S. Khan, Y. V. Singh, P. Garg, and R. S. Singh, “A Lightweight Deep Learning-Based Approach for Jazz Music Generation in MIDI Format,” Comput. Intell. Neurosci., vol. 2022, 2022, doi: 10.1155/2022/2140895. DOI: https://doi.org/10.1155/2022/2140895
[3] B. Yu et al., “Museformer: Transformer with Fine-and Coarse-Grained Attention for Music Generation,” in Advances in Neural Information Processing Systems 35 (NeurIPS 2022), 2022. doi: 10.48550/arXiv.2210.10349. DOI: https://doi.org/10.52202/068431-0101
[4] A. Katharopoulos, A. Vyas, N. Pappas, and F. Fleuret, “Transformers are RNNs: Fast Autoregressive Transformers with Linear Attention,” in Proceedings of the 37th International Conference on Machine Learning (ICML), 2020, pp. 5156–5165. doi: 10.48550/arXiv.2006.16236.
[5] B. Peng et al., “RWKV: Reinventing RNNs for the Transformer Era,” Dec. 2023, Accessed: May 2, 2026. [Online]. Available: http://arxiv.org/abs/2305.13048.
[6] B. Peng et al., “Eagle and Finch: RWKV with Matrix-Valued States and Dynamic Recurrence,” Sep. 2024, Accessed: May 20, 2026. [Online]. Available: http://arxiv.org/abs/2404.05892.
[7] A. Mao, M. Mohri, and Y. Zhong, “Cross-Entropy Loss Functions: Theoretical Analysis and Applications,” in Proceedings of the 40th International Conference on Machine Learning, 2023, pp. 23803–23828. doi: 10.48550/arXiv.2304.07288.
[8] T. Nagoshi, “MORTM: MoE-Optimized Rhythmic Transformer Model for Symbolic MIDI Generation,” in 2025 Asia Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), IEEE, 2025. doi: 10.1109/APSIPAASC65261.2025.11248983. DOI: https://doi.org/10.1109/APSIPAASC65261.2025.11248983
[9] P. Lisena, A. Meroño-Peñuela, and R. Troncy, “MIDI2vec: Learning MIDI embeddings for reliable prediction of symbolic music metadata,” Semant. Web, vol. 13, no. 3, pp. 357–377, 2022, doi: 10.3233/SW-210446. DOI: https://doi.org/10.3233/SW-210446
[10] H.-W. Dong, K. Chen, S. Dubnov, J. McAuley, and T. Berg-Kirkpatrick, “Multitrack Music Transformer,” May 2023, Accessed: May 20, 2026. [Online]. Available: http://arxiv.org/abs/2207.06983.
[11] Y. Duan et al., “VISION-RWKV: EFFICIENT AND SCALABLE VISUAL PERCEPTION WITH RWKV-LIKE ARCHITECTURES,” 2025. doi: 10.48550/arXiv.2403.02308.
[12] X. Qu et al., “MUPT: A Generative Symbolic Music Pre-Trained Transformer,” arXiv preprint arXiv:2404.06393, 2024. doi: 10.48550/arXiv.2404.06393.
[13] Muhammad Djamaluddin, I. Fathurrahman, and M. Nurul Wathani, “Pengembangan Model Deep Learning Long Short-Term Memory untuk Generasi Musik Berbasis Data MIDI,” Infotek: Jurnal Informatika dan Teknologi, vol. 9, no. 1, pp. 197–208, Jan. 2026, doi: 10.29408/jit.v9i1.33165. DOI: https://doi.org/10.29408/jit.v9i1.33165
Downloads
Article History
Pages: 215-226
How to Cite
Issue
Section
License
Copyright (c) 2026 Yusfiana Yusfiana, Nahar Mardiyantoro, Muslim Hidayat
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Penulis yang mempublikasikan naskahnya pada sudo Jurnal Teknik Informatika menyetujui ketentuan berikut:
Hak cipta atas artikel apapun dalam sudo Jurnal Teknik Informatika dipegang penuh oleh penulisnya di bawah lisensi Creative Commons Attribution-ShareAlike 4.0 International License. dengan beberapa ketentuan sebagai berikut:
"Penulis mengakui bahwa sudo Jurnal Teknik Informatika berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution-ShareAlike 4.0 International License / CC BY SA 4.0"
"Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif dari naskah yang telah terbit di jurnal ini ke dalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi ke dalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada sudo Jurnal Teknik Informatika."
"Pembaca diperbolehkan mengunduh, menggunakan, dan mengadopsi isi artikel selama mengutip artikel dengan menyebutkan judul, penulis, dan nama jurnal ini. Pengutipan tersebut dilakukan demi kemajuan ilmu pengetahuan dan kemanusiaan serta tidak boleh melanggar hukum yang berlaku."
