Temu Kembali Informasi Musik

Jalur peminatan ini bertujuan untuk memperluas pemahaman dalam temu kembali data musik dan pemrosesan data musik. Terapan dari Temu Kembali Informasi Musik adalah ekstraksi ciri musik, pengenalan pola musik, sintesis bunyi, klasifikasi musik, pengelompokan musik, rekomendasi musik, dengan menggunakan algoritma yang termasuk dalam pembelajaran mesin dan komputasi lunak. Lulusan dari jalur peminatan ini diharapkan dapat embangun salah satu jenis dari sistem temu kembali informasi musik yang menggunakan salah satu dari metode-metode pengenalan pola, pembelajaran mesin atau komputasi lunak. Dalam pemrosesan/preprocessing data musik, dapat menggunakan metode-metode dalam pemrosesan sinyal digital dan sintesis bunyi.

Mata kuliah-mata kuliah yang spesifik untuk jalur Temu Kembali Informasi Musik ini antara lain:

1. Sistem Temu Kembali Informasi Musik
   Menemukan informasi yang relevan terhadap kebutuhan pengguna dalam bidang musik. Materi pokok: Fitur Musik untuk Pengukuran Kemiripan Musik, Label Semantik untuk Musik, Meta-data Konteks Musik, Kemiripan Musik Berdasarkan Konteks, User-Centric MIR, Collaborative Music Similarity and Recommendation, dan lainnya.
   
2. Pemrosesan Sinyal Digital
   Meliputi pemrosesan sinyal audio dan wicara. Materi Pokok: Sampling dan Kuantisasi, Sinyal dan Sistem Waktu Diskrit, Transformasi Laplace, Transformasi Fourier Diskrit, Transformasi Z, Filter Digital, dan lainnya.
   
3. Pengenalan Pola
   Cabang kecerdasan buatan yang menitikberatkan pada metode pengklasifikasian objek ke dalam kelas2 tertentu. Materi pokok: Seleksi Fitur, Transformasi Data, Pengurangan Dimensi Data, Fitur Khas untuk Klasifikasi Ucapan dan Audio, Template Matching, dan lainnya
   
4. Sintesis Bunyi
   Sistem komputer yang digunakan untuk memroduksi bunyi/bunyi buatan. Materi pokok: Prinsip dasar Elektronik dan Akusti, Sintesis Analog, Sintesis Hybrid, Sampling, Sintesis Digital, Aplikasi Sintesis Bunyi, dan lainnya.
   
5. Pengantar Pembelajaran Mesin
   Mencakup perancangan dan pengembangan algoritma yang memungkinkan komputer untuk mengembangkan perilaku yang didasarkan pada data. Materi pokok: Pembelajaran Pohon Keputusan (Decision Tree), Algoritma Pembelajaran Terawasi (Support Vector Machine, Neural Network), Algoritma Pembelajaran Tidak Terawasi (Self Organizing Map), dan lainnya.
   
6. Pengantar Komputasi Lunak
   Koleksi dari beberapa metodologi yang bertujuan untuk mengeksplorasi adanya toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat diselesaikan dengan mudah. Materi pokok: Logika Fuzzy, Neuro-Fuzzy (NN+Fuzzy), Evolutionary Algorithm (Algoritma Genetika), Evolving Fuzzy Systems (EA+Fuzzy), dan lainnya.