Lima Contoh Penerapan Artificial Intelligence di Industri Musik

Liana Threestayanti - Kamis, 19 Agustus 2021 | 20:00 WIB

Ilustrasi lima contoh penerapan AI di industri musik.

Artificial Intelligence (AI) terus menciptakan terobosan-terobosan yang tak terbayangkan sebelumnya. AI memengaruhi aktivitas kita di berbagai aspek kehidupan. Inilah 5 contoh Artificial Intelligence di industri musik.

Namun oleh kebanyakan orang, peran Artificial Intelligence lebih sering diasosiasikan dengan mobil swakemudi dan robot swatantra (autonomous robot). Padahal contoh penerapan AI sudah merambah ke berbagai sektor industri dan bisnis, termasuk ke industri musik.

Salah satu contoh penerapan AI di bidang ini adalah rekomendasi musik atau lagu yang lebih personal. Algoritme machine learning (salah satu cabang AI) secara diam-diam disematkan pada pengalaman kita mendengarkan musik dan lagu. Tak hanya memberikan rekomendasi, contoh penerapan AI juga bisa ditemukan pada bidang lain di industri musik.

Memberikan Rekomendasi

Kesuksesan di industri musik dulu selalu diasosasikan dengan tur, jumlah keping CD yang terjual, dan tangga lagu. Seiring digitalisasi di segala bidang, tolok ukur itu pun berubah. Ada cara baru untuk menakar kesuksesan di industri musik, yaitu menggunakan data.

Bagi platform streaming Spotify yang memiliki 286 juta pengguna aktif dan menguasai 40% pangsa pasar streaming musik global, data adalah faktor penting kesuksesannya. Data adalah "bahan bakar" yang menenagai layanan rekomendasi yang menjadi keunggulan Spotify dibanding para kompetitornya.

Misalnya, setiap hari Senin, semua pengguna Spotify akan menemukan playlist ‘Discover Weekly’. Berisi 30 lagu, playlist ini secara khusus dipilih untuk setiap pengguna. Tingkat personalisasi yang tinggi bisa dicapai Spotify karena perusahaan yang digawangi Daniel Ek ini mengakuisisi sedikitnya 6 perusahaan yang memiliki kompetensi di bidang sistem rekomendasi musik dan machine learning, di antaranya Niland, Sonalytic, Seed Scientific, dan The Echo Nest, seperti diwartakan situs web becominghuman.ai.

Spotify mengombinasikan tiga model berbasis AI untuk memberikan rekomendasi kepada para penggunanya:

- Collaborative modeling: model machine learning secara konstan menganalisis jenis musik yang disukai pengguna dengan mengevaluasi tindakan-tindakan pengguna terhadap lagu-lagu tertentu. Algoritme akan mempertimbangkan lagu-lagu yang diputarulang, ditambahkan pengguna ke playlist, dan sebagainya. Kemudian Spotify akan membandingkan preferensi satu pengguna dengan pengguna lain, mencari kesamaan selera di antara pengguna, laku merekomendasikan lagu yang disukai satu pengguna ke pengguna lain dengan preferensi yang sama.

- Natural Language Processing: setelah memindai metadata dari satu track, model NLP dari Spotify memindai ribuan artikel, forum, postingan di blog, dan diskusi tentang album atau lagu di internet. Algoritme akan menganalisis bahasa yang digunakan orang-orang untuk mendeskripsikan lagu tersebut dan mencocokannya dengan lagu-lagu lain yang didiskusikan dengan cara yang sama.

- Convolutional Neural Networks: Spotify menggunakan model berbasis CNN untuk menganalisis data mentah audio berdasarkan tempo lagu, notasi musik, tingkat kenyaringan (loudness), dan parameter lainnya. Spotify kemudian akan mencari lagu dengan parameter yang mirip dan merekomendasikannya ke pengguna.

Komposisi dan Produksi Musik

Contoh penerapan AI di industri musik memasuki fase selanjutnya di mana AI mengubah cara orang mengomposisi dan memproduksi musik/lagu.

Laporan McKinsey memprediksi 70 persen perusahaan akan mengadopsi setidaknya satu teknologi AI pada tahun 2030, tak terkecuali industri musik. Dengan maraknya pengguna aplikasi TikTok dan tumbuhnya YouTuber yang akan membutuhkan musik, peran AI yang berupa tool untuk membuat musik tentu akan dibutuhkan.

Salah satu contoh tool semacam itu adalah Amper. Tool ini memadukan sample library dan dataset untuk menciptakan track baru yang disesuaikan kebutuhan pengguna.

Ada pula AIVA, sebuah platform AI yang fokus pada musik klasik. Platform ini ditunjang oleh algoritme deep learning yang berperan mengumpankan data berupa contoh-contoh musik orkestra ke AIVA.

Startup asal Berlin, Loudly, juga memfokuskan pada penciptaan musik. Platform ini dapat mengolah ulang komposisi yang sudah ada dan membuatnya sebagai komposisi baru dengan memanfaatkan algoritme deep learning bernama GAN (Generative Adversarial Network).

Sebagai catatan, penerapan AI untuk mengomposisi musik/lagu masih diwarnai pertanyaan terkait hak cipta. Siapa yang berhak atas royalti musik atau lagu yang diciptakan oleh AI tapi dibuat berkat training berdasarkan data-data musik/lagu milik seorang penyanyi/komposer. Kebanyakan negara di dunia hanya melindungi hak cipta karya yang dibuat oleh manusia.

Membantu Proses Mastering

Tahukah Anda bahwa lagu yang merdu tidak saja dihasilkan oleh seorang penyanyi dengan kemampuan mumpuni, tapi ada hal-hal teknis di belakangnya?

Dibutuhkan proses yang panjang dan mahal untuk mentransformasi sebuah rekaman lagu yang masih mentah menjadi lagu atau musik yang Anda nikmati melalui radio atau layanan streaming. Proses ini disebut mastering. Bagi para musisi atau penyanyi, proses mixing dan mastering kerap menjadi hambatan terbesar dalam merilis musik/lagu karena biayanya besar dan memakan waktu.

Artificial Intelligence dapat berperan di sini. Salah satu contohnya adalah LANDR, layanan mastering online berbasis machine learning yang dapat memroses sebuah track dalam waktu beberapa menit saja. Algoritme LANDR menggunakan ribuan lagu yang sudah dikenai proses mastering itu sebagai blueprint, lalu mencocokan kualitas audio lagu-lagu tersebut dengan lagu yang diunggah pengguna.

Platform streaming Soundcloud juga menawarkan layanan online mastering tool berbasis machine learning.

Mengidentifikasi Potensi Kesuksesan

Contoh penerapan AI lainnya di industri musik adalah pencari bakat. Pada tahun 2018, Warner Music Group mengakuisisi Sodatone, sebuah layanan yang mengumpankan data streaming, data medsos, dan data tur ke algoritme machine learning untuk mengidentifikasi penyanyi atau musisi yang paling berpotensi sukses di masa depan. Amazon bahkan sudah mematenkan sebuah teknologi untuk memprediksi popularitas konten, misalnya musik, buku, dan film.

Perusahaan AI dan media digital asal Kanada, Hitlab, mengembangkan Music Digital Nuance Analysis (DNA). Ini adalah sebuah tool yang dapat membantu mengurai lagu ke dalam 83 atribut. Music DNA menganalisis lagu-lagu paling populer di berbagai kawasan, lalu membandingkan atribut-atributnya dengan lagu-lagu yang baru dirilis. Hal ini dilakukan untuk mengidentifikasi potensi lagu-lagu baru itu bisa menjadi "hit" atau tidak.

Dengan Music DNA para produser, perusahaan pemilik label rekaman, dan para pencipta lagu/musisi dapat menyesuaikan musik/lagu dengan target audience yang mereka incar.

Apakah tool semacam Music DNA akan menyingkirkan orang-orang di divisi Artist and Repertoire (A&R/ divisi dari label rekaman yang bertanggung jawab untuk pencari bakat dan mengawasi pengembangan artistik para artis rekaman)? Seperti di sektor-sektor lainnya, penerapan AI sifatnya adalah membantu. Memilih dan memilah 20.000 lagu yang diunggah ke Spotify secara manual tentu bukan pekerjaan mudah. Tool AI dapat membantu mengurangi beban pekerjaan A&R dari memilih ribuan lagu menjadi ratusan saja.

Menjaga Hak Cipta

Meski hak cipta karya yang dihasilkan AI belum sepenuhnya diakui, kecerdasan buatan justru membantu industri musik menjaga hak cipta, dengan membatasi pembajakan

BMAT, sebuah perusahaan yang berpusat di Barcelona, Spanyol, membantu para produser, perusahaan label rekaman, para pencipta lagu, dan lain-lain menelusuri penggunaan lagu/musik di berbagai platform. Layanan BMAT bekerja dengan cara mengidentifikasi adanya kemiripan sebuah komposisi musik atau lagu. BMAT menggunakan teknologi audio fingerprinting, berupa ringkasan digital audio yang terkompresi. Algoritme machine learning kemudian akan menelusuri kemiripan komposisi untuk kemudian diidentifikasi berdasarkan kemiripan suara. Machine learning dapat mengenali kemiripan komposisi meski disertai background noise yang cukup sulit dilakukan teknologi music tracking yang ada.