Monophonic Guitar Notation Estimation Using YIN Pitch Detection Algorithm and Long Short-Term Memory

Sari

ABSTRAK
Proses transkripsi audio gitar ke dalam bentuk tablature masih menjadi tantangan bagi pemula karena adanya ambiguitas posisi nada pada fretboard, di mana satu nada yang sama dapat dimainkan pada kombinasi senar dan fret yang berbeda. Penelitian ini bertujuan untuk mengembangkan sistem estimasi tablature gitar monofonik yang efisien menggunakan kombinasi algoritma YIN dan model Long Short-Term Memory (LSTM). Algoritma YIN digunakan untuk mengekstraksi frekuensi fundamental (f0) dari sinyal audio WAV, yang kemudian divalidasi melalui serangkaian tahap post-processing untuk memastikan stabilitas nada. Model LSTM kemudian digunakan untuk memetakan urutan nada tersebut ke dalam representasi senar dan fret berdasarkan pola ergonomi jari. Hasil penelitian menunjukkan bahwa model LSTM yang dioptimasi menggunakan Optuna mencapai akurasi tertinggi sebesar 83,22%. Selain itu, penerapan parameter constraint pada model terbukti mampu menghasilkan rekomendasi posisi jari yang lebih ergonomis bagi pemain gitar dibandingkan model baseline. Sistem ini diimplementasikan dalam aplikasi berbasis web yang memungkinkan transkripsi audio ke tablature secara otomatis dengan beban komputasi yang rendah.

Kata kunci: Tablature Gitar, Monofonik, Algoritma YIN, LSTM, Transkripsi Musik

ABSTRACT
Transcribing guitar audio into tablature remains a significant challenge for beginners due to pitch ambiguity on the fretboard, where a single note can be played on multiple string and fret combinations. This research aims to develop an efficient monophonic guitar tablature estimation system using a combination of the YIN algorithm and Long Short-Term Memory (LSTM) models. The YIN algorithm is utilized to extract fundamental frequencies (f0) from WAV audio signals, which are further validated through various post-processing stages to ensure pitch stability. Subsequently, an LSTM model maps these pitch sequences into string and fret representations based on fingering patterns. The results indicate that the LSTM model optimized with Optuna achieved the highest accuracy of 83.22%. Furthermore, the implementation of parameter constraints in the model proved effective in generating more ergonomic fingering recommendations compared to the baseline model. This system is implemented as a web-based application, enabling automated audio-to-tablature transcription with low computational overhead.

Keywords: Guitar Tablature, Monophonic, YIN Algorithm, LSTM, Music Transcription.