Dergiler / İnönü Üniversitesi Kültür ve Sanat Dergisi / 2023 / Cilt: 9 Sayı: 1

MELODİK SEGMENTASYON ALGORİTMALARININ TÜRK MÜZİĞİ ESERLERİ ÜZERİNDE İNCELENMESİ

TURKİSH MUSİC OF MELODİC SEGMENTATİON ALGORİTHMS EXAMİNİNG HİS WORKS

Sayfa
201–212
Yayın Tarihi
2023-07-06
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu durum araştırmanın önemini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu araştırmayla, segmentasyon algoritmalarının Türk müziği eserleri üzerinde nasıl bir sonuç verdiğini tespit etmek amaçlanmıştır.
📊
Temel Bulgular & Veri:Araştırmada, Matlab platformunda geliştirilmiş olan MIDI Toolbox yazılımında yer alan Segment Prob, Segment Gestalt ve Local Boundary Detection Model (LBDM) algoritmalarının Türk müziği eserlerindeki bölütleme sonuçları değerlendirilmiştir.
💡
Sonuç & Katkı:Bu durum araştırmanın önemini göstermektedir.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Bölütleme · Türk Müziği · Müzikal Analiz

Özet

Bu araştırmayla, segmentasyon algoritmalarının Türk müziği eserleri üzerinde nasıl bir sonuç verdiğini tespit etmek amaçlanmıştır. Araştırmada, Matlab platformunda geliştirilmiş olan MIDI Toolbox yazılımında yer alan Segment Prob, Segment Gestalt ve Local Boundary Detection Model (LBDM) algoritmalarının Türk müziği eserlerindeki bölütleme sonuçları değerlendirilmiştir. Bu sonuçlar daha önce bir araştırma için yapılmış olan uzman bölütlemeleriyle karşılaştırılmıştır. Araştırma kapsamında yapılan denemeler sonucunda uzman bölütlemelerine en yakın sonuç, eşik değeri 0.2 olarak belirlenen LBDM algoritması olmuştur. Algoritma ve uzman bölütlemeleri farklı makam ve formda bestelenmiş, rastgele seçilen 10 eser üzerinde denenmiştir. Algoritmanın bu eserler üzerinde uzmanlara yakın sonuç verdiği görülmüştür. LBDM algoritmasının başarısı hakkında bazı kaynaklarda bilgiler yer alsa da, Türk müziği eserleri notasyonu üzerinde ve bu eşik değeriyle uzman bölütlemelerinin görsel örneklerle karşılaştırılmasına rastlanmamıştır. Bu durum araştırmanın önemini göstermektedir.

Abstract

With this research, it is aimed to determine what kind of results the segmentation algorithms give on Turkish music works. In the research, the segmentation results of the Segment Prob, Segment Gestalt and Local Boundary Detection Model (LBDM) algorithms in the MIDI Toolbox software developed on the Matlab platform in Turkish music works were evaluated. These results were compared with expert segmentation for a previous study. As a result of the trials conducted within the scope of the research, the closest result to the expert segmentation was the LBDM algorithm with a threshold value of 0.2. Algorithm and expert segmentation were composed in different maqams and forms and tested on 10 randomly selected works. It has been seen that the algorithm gives results close to experts on these works. Although there is information in some sources about the success of the LBDM algorithm, no comparison of expert segmentation with visual examples has been found on the notation of Turkish music works and with this threshold value. This situation shows the importance of the research.

🔖

Bu Makaleye Atıf Yap

ZETEROĞLU, E. (2023). MELODİK SEGMENTASYON ALGORİTMALARININ TÜRK MÜZİĞİ ESERLERİ ÜZERİNDE İNCELENMESİ. İnönü Üniversitesi Kültür ve Sanat Dergisi, Cilt: 9 Sayı: 1, 201–212. https://ajindex.com/articles/1019190

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Bozkurt, B., Karaosmanoğlu, M. K., Karaçalı, B. ve Ünal, E. (2014). Türk Makam Müziği Notaları için Otomatik Ezgi Bölütleme, https://www.researchgate.net/publication/271461529 (E.T.: 10.12.2022).
  2. Bozkurt, B., Karaosmanoğlu, M. K., Karaçalı, B. ve Ünal, E. (2014). Usul and Makam Driven Automatic Melodic Segmentation for Turkish Music, https://openaccess.iyte.edu.tr/bitstream/11147/5651/1/5651.pdf (E.T. 10.01.2023).
  3. Bozkurt, B., Karaosmanoğlu, M. K., Karaçalı, B. ve Yazıcı, Z. F. (2014). Türk Makam Müziğinin Otomatik Ezgi Analizi, https://www.researchgate.net/publication/336650101 (E.T.: 10.12.2022).
  4. Cambouropoulos, E. (2001). The Local Boundary Detection Model (LBDM) and Its Application İn The Study of Expressive Timing, In Proceedings Of The International Computer Music Conference (pp. 17-22).
  5. Vienna, Austria: January 2021.
  6. Eerola, T. & Toiviainen, P. (2004). MIDI Toolbox: Matlab Tools For Music Research. 5th International Conference on Music Information Retrieval (ISMIR), Barcelona, Spain: 10-14 October 2004.
  7. Karaosmanoğlu, M. K. SymbTr. https://github.com/MTG/SymbTr (E.T.: 13.04.2023).
  8. Nooijer, J. de, Wiering, F., Volk, A. & Tabachneck-Schijf, H.J.M. (2008). Cognition-Based Segmentation for Music Information Retrieval Systems, In Proceedings of the Fourth Conference on Interdisciplinary Musicology (CIM08) 399-407,
  9. Thessaloniki, Greece: 2-6 July 2008.
  10. Schaffrath, H. (1995). The Essen Folksong Collection in the Humdrum Kern Format. Huron, D. (ed.). Menlo Park, CA: Center for Computer Assisted Research in the Humanities. 1995.
  11. Tenney, J., & Polansky, L. (1980). Temporal Gestalt Perception in Music. Journal of Music Theory, 205-241.