Hamisfera: Sistem Rekomendasi Progresi Chord Berbasis Sentimen Lirik Melalui Studi Komparatif Arsitektur Transformer dan Mixture of Experts

Abstract

Abstrak – Proses penciptaan lagu sering kali memerlukan penyelarasan antara nuansa emosional lirik dengan harmoni musik yang tepat. Namun, penerjemahan sentimen lirik menjadi progresi chord secara manual merupakan tantangan yang berarti. Penelitian ini bertujuan untuk mengidentifikasi arsitektur deep learning yang optimal bagi sistem Hamisfera, sebuah kerangka dua tahap yang dirancang untuk memberikan rekomendasi progresi chord yang relevan secara emosional berdasarkan lirik multibahasa. Metodologi melibatkan studi komparatif antara arsitektur Transformer dan Mixture of Experts menggunakan model pralatih XLM-R, yang dievaluasi pada dataset 73.369 entri, diperluas dari 12.000 entri data orisinal melalui augmentasi dan pembersihan. Temuan penelitian menunjukkan hasil yang berbeda per tugas, untuk klasifikasi emosi, arsitektur MoE pralatih menunjukkan keunggulan kecil dengan F1-Score sebesar 0,844. Sebaliknya, untuk generasi chord, arsitektur Transformer pralatih unggul secara keseluruhan berkat kefasihan generasi yang lebih baik, dengan BLEU-4 sebesar 0,608, serta efisiensi sumber daya yang lebih tinggi. Oleh karena itu, konfigurasi hibrida MoE untuk klasifikasi dan Transformer untuk generasi ditentukan sebagai solusi paling optimal.