Simpulan Saran Perbandingan metode voting feature intervals dengan jaringan saraf tiruan dalam mengklasifikasi genre musik

Han J, Kamber M. 2001. Data Mining : Concept, Model, Methods, and Algorithm. New Jersey: Wiley-Interscience. Hayne M. Mee D, Rumble R. Influence of Music Genre and Composition on Entertainment Noise Limits. Proceedings of ACOUSTIC 2005; Busselton, Western Australia. 9-11 November 2005. Jang, JSR. Sun, CT, Mizutani, E. 1997. Neuro Fuzzy and Soft Computing, A Computanional Approach to Learning and Machine Intelligence, International Edition, Prentice-Hall International Inc. Kantardzic M. 2003. Data Mining : Concept and Techniques. San Fransisco: Morgan Kaufmann Publisher. Kusumadewi, S. 2004. Membangun Jaringan Saraf Tiruan Menggunakan Matlab dan Excel Link. Yogyakarta. Graha Ilmu. Lai HK. 2003. Speech Processing Workstation, Project Report. New Zealand: University of Auckland. Lampropoulus, AS. Lampropoulou, PS. Tsihrintzis, GA. 2005. Musical Genre Classification Enhanced by Improved Source Separation Techniques. University of Piraeus. McKay C. 2004. Issues in Automatic Musical Genre Classification. Faculty of Music, McGill University. Nilsson M, Ejnarsson M. 2002. Speech Recognition using Hidden Markov Model [tesis]. Karlskrona, Sweden: Blekinge Institute of Technology. Norowi NM, Doraisamy S, Wirza R. 2005. Factors Affecting Automatic Genre Classification : An Investigation Incorporating Non-Western Musical Forms. Faculty of Computer Science and Information technology, University Putra Malaysia. Rabiner LR, Juang BH. 1993, Fundamentals of Speech Recognition. New Jersey: Prentice Hall. ISBN 0-13-015157-2. Rumelhart, D. E., Hinton, G. E., and Williams, R. J. 1986. Learning Internal Representations by Error Propagation. In Parallel Distributed Processing, Volume 1. MIT Press, Cambridge, MA. Tzanetakis G, Cook P. 2000. Marsyas : A framework for Audio Analysis. Organised Sound, 43. Tzanetakis G, Cook P. 2002. Musical Genre Classification of Audio Signals. IEEE Transactions on Speech and Audio Processing, 105. Wang Y, Liu Z, Huang J. 2000. Multimedia Content Analysis. IEEE Signal Processing Magazine. hlm. 12-36. Welsh NM, von Behren B, Woo A. 1999. Querying Large Collections of Music for Similarity. Technical report UCBCSD00-1096. Berkeley: Computer Science Department, UC. LAMPIRAN Lampiran 1. Prediksi sistem dengan Metode VFI dengan ciri 7 koefisien MFCC, 30 detik waktu berkas musik pada fold kedua No. Lagu Klasik Disko Metal Reggae Sebenarnya Prediksi 1 K16 0,7916667 0,0416667 0,0833333 0,0833333 K K 2 K17 0,8333333 0 0,1666667 K K 3 K18 0,7404762 0,0904762 0,0738095 0,0952381 K K 4 K19 0,4734541 0,1881005 0,0709534 0,267492 K K 5 K20 0,8833333 0,0333333 0,0166667 0,0666667 K K 6 D16 0,3885017 0,109281 0,2729384 0,2292789 D K 7 D17 0,1446912 0,3996632 0,2833934 0,1722522 D D 8 D18 0,4466341 0,1480256 0,1324623 0,2728781 D K 9 D19 0,3876263 0,2592172 0,1233586 0,229798 D K 10 D20 0,2270616 0,3429706 0,2061266 0,2238412 D D 11 M16 0,3072391 0,3332912 0,2830808 0,0763889 M D 12 M17 0,1186924 0,3362087 0,3321979 0,2129011 M D 13 M18 0,1306563 0,3110602 0,4208792 0,1374044 M M 14 M19 0,0989103 0,4294163 0,2184982 0,2531752 M D 15 M20 0,1511068 0,2286978 0,4726583 0,1475371 M M 16 R16 0,0677735 0,2879691 0,2571821 0,3870753 R R 17 R17 0,2745562 0,3540655 0,1613738 0,2100045 R D 18 R18 0,1684228 0,1873713 0,2656855 0,3785204 R R 19 R19 0,1085898 0,275214 0,2087128 0,4074835 R R 20 R20 0,2731481 0,2662037 0,1805556 0,2800926 R R Lampiran 2. Prediksi sistem dengan Metode VFI dengan ciri 7 koefisien MFCC, 30 detik waktu berkas musik pada fold ketiga No. Lagu Klasik Disko Metal Reggae Sebenarnya Prediksi 1 K6 0,6355519 0,1222944 0,1374459 0,1047078 K K 2 K7 0,425407 0,1476567 0,174713 0,2522233 K K 3 K8 0,4940553 0,2107297 0,1238404 0,1713745 K K 4 K9 0,5518637 0,186155 0,0927207 0,1692605 K K 5 K10 0,3108915 0,186155 0,2038318 0,2991217 K K 6 D6 0,1096157 0,3288192 0,3781443 0,1834208 D M 7 D7 0,0810443 0,4288192 0,3067158 0,1834208 D D 8 D8 0,1381871 0,3347715 0,2769539 0,2500875 D D 9 D9 0,1096157 0,3157239 0,3245729 0,2500875 D M 10 D10 0,2245225 0,2498854 0,2396868 0,2859053 D R 11 M6 0,1346157 0,2836861 0,3856724 0,1960258 M M 12 M7 0,0964104 0,2187251 0,4006033 0,2842611 M M 13 M8 0,1096157 0,1747575 0,5053152 0,2103116 M M 14 M9 0,1096157 0,2335811 0,3305253 0,3262779 M M 15 M10 0,1124819 0,2866873 0,3486075 0,2522233 M M 16 R6 0,1256871 0,2211861 0,1088866 0,5442401 R R 17 R7 0,1096157 0,2204858 0,1340967 0,5358018 R R 18 R8 0,1256871 0,2479718 0,1535295 0,4728116 R R 19 R9 0,1542586 0,2688052 0,1088866 0,4680497 R R 20 R10 0,4114014 0,1854718 0,1088866 0,2942401 R K Lampiran 3. Prediksi sistem dengan Metode VFI dengan ciri 7 koefisien MFCC, 30 detik waktu berkas musik pada fold keempat No. Lagu Klasik Disko Metal Reggae Sebenarnya Prediksi 1 K1 0,5035461 0,2654991 0,0742831 0,1566717 K K 2 K2 0,547619 0,1933107 0,0972695 0,1618008 K K 3 K3 0,4047619 0,3004535 0,0347695 0,2600151 K K 4 K4 0,5596927 0,1708601 0,0866637 0,1827836 K K 5 K5 0,6968254 0,0888889 0,1428571 0,0714286 K K 6 D1 0,1673316 0,2136841 0,1545649 0,4644194 D R 7 D2 0,0273556 0,509266 0,1999099 0,2634685 D D 8 D3 0,1146572 0,4338692 0,2855581 0,1659155 D D 9 D4 0,0485816 0,3087148 0,4400387 0,2026649 D M 10 D5 0,2291413 0,2283959 0,2664128 0,27605 D R 11 M1 0,1194191 0,277744 0,525228 0,0776089 M M 12 M2 0,0416413 0,2357011 0,461218 0,2614396 M M 13 M3 0,2479905 0,3519143 0,2501919 0,1499033 M D 14 M4 0,0382979 0,3682355 0,3502686 0,2431979 M D 15 M5 0,0670382 0,2896488 0,4956645 0,1476486 M M 16 R1 0,2862842 0,2149039 0,1536482 0,3451637 R R 17 R2 0,0596927 0,255937 0,2722146 0,4121557 R R 18 R3 0,1226556 0,2635881 0,2584597 0,3552965 R R 19 R4 0,1839982 0,2550654 0,1392117 0,4217247 R R 20 R5 0,2767604 0,2291896 0,1028546 0,3911955 R R Lampiran 4. Prediksi sistem dengan Metode JST dengan ciri 13 koefisien MFCC, 10 detik waktu berkas musik pada fold kedua No. Lagu Klasik Disko Metal Reggae Sebenarnya Prediksi 1 K16 0,0026902 1,668E-05 9,413E-12 1 K R 2 K17 1 2,948E-05 4,762E-09 4,001E-07 K K 3 K18 1 4,488E-05 1,129E-10 1,871E-06 K K 4 K19 0,999962 5,766E-06 0,9915043 K K 5 K20 1 5,722E-11 6,086E-09 5,097E-09 K K 6 D16 0,0002962 0,0001718 2,235E-12 D K 7 D17 0,8894274 0,0943354 1,568E-09 D D 8 D18 0,9960964 0,9999886 5,218E-15 1,586E-06 D D 9 D19 0,1111004 0,6167787 1,887E-15 6,306E-08 D D 10 D20 1,164E-12 1 D R 11 M16 5,551E-17 1,151E-05 0,9999921 M M 12 M17 2,958E-10 0,9982838 0,9999999 5,793E-11 M M 13 M18 2,018E-06 0,9999976 2,343E-13 M M 14 M19 1,341E-12 0,9999979 0,999853 3,468E-05 M D 15 M20 0,0005595 0,9996645 3,009E-10 M M 16 R16 1,792E-06 8,557E-11 0,8622164 R R 17 R17 0,9999567 0,9366358 R D 18 R18 1,21E-07 5,551E-17 1 R R 19 R19 5,299E-06 3,05E-10 1,206E-13 1 R R 20 R20 1,198E-07 1 R R Lampiran 5. Prediksi sistem dengan Metode JST dengan ciri 13 koefisien MFCC, 10 detik waktu berkas musik pada fold ketiga No. Lagu Klasik Disko Metal Reggae Sebenarnya Prediksi 1 K6 0,7580475 0,0187478 0,0049602 9,572E-07 K K 2 K7 0,9854195 0,5459333 0,0217173 1,49E-07 K K 3 K8 0,9864808 0,000115 0,0316341 0,0007921 K K 4 K9 0,9993517 0,0071214 0,523228 1,447E-12 K K 5 K10 0,9556504 0,0001662 0,0001021 0,9999999 K R 6 D6 6,784E-05 0,9765964 0,0302286 5,362E-05 D D 7 D7 0,0002008 0,9737478 0,1569229 2,25E-09 D D 8 D8 3,716E-05 0,9828505 0,004859 5,685E-06 D D 9 D9 0,0002112 0,9495207 0,3270895 2,232E-11 D D 10 D10 7,987E-05 0,673826 0,0062544 3,284E-07 D D 11 M6 0,0018417 0,9894321 0,0711125 0,0002826 M D 12 M7 0,0152057 0,000229 0,9757417 3,1E-05 M M 13 M8 0,0003292 0,0020528 0,9986078 6,52E-07 M M 14 M9 0,0002657 0,4194286 0,2167519 0,0003305 M D 15 M10 5,737E-06 0,989934 0,0132318 7,339E-05 M D 16 R6 0,0006757 0,5400892 0,0002535 0,965059 R R 17 R7 0,0005992 0,0327941 0,0003729 0,9999999 R R 18 R8 0,0016562 0,0199238 0,0001455 1 R R 19 R9 0,0012209 0,1198935 0,0009152 0,9997532 R R 20 R10 0,0390726 0,0187286 8,017E-05 0,9999637 R R Lampiran 6. Prediksi sistem dengan Metode JST dengan ciri 13 koefisien MFCC, 10 detik waktu berkas musik pada fold keempat No. Lagu Klasik Disko Metal Reggae Sebenarnya Prediksi 1 K1 0,9664646 1,417E-05 0,9999943 K R 2 K2 0,9428953 0,0136088 2,054E-15 1,043E-07 K K 3 K3 0,9979345 5,031E-05 2,183E-11 3,968E-06 K K 4 K4 0,999304 1,005E-13 6,88E-12 0,8957108 K K 5 K5 0,5895183 0,0093555 1,014E-12 1,826E-13 K K 6 D1 3,6E-07 0,9999999 5,157E-05 D D 7 D2 9,098E-14 1 1,035E-08 2,109E-15 D D 8 D3 2,258E-10 0,1220503 1,262E-06 1,979E-07 D D 9 D4 1,507E-11 0,1827688 0,9880998 2,354E-12 D M 10 D5 2,97E-08 2,441E-09 0,9693352 1,885E-07 D M 11 M1 8,022E-10 0,1108836 0,9999986 M M 12 M2 2,243E-10 5,275E-05 0,9987326 7,216E-16 M M 13 M3 8,028E-08 0,9993343 0,0169557 M D 14 M4 7,969E-12 0,9605371 0,9997328 M M 15 M5 5,02E-10 7,892E-11 1 8,791E-13 M M 16 R1 2,246E-06 1,269E-09 1,034E-13 1 R R 17 R2 1,083E-10 0,0002381 1 R R 18 R3 9,97E-06 8,049E-15 0,4207323 0,9999813 R R 19 R4 4,345E-11 2,413E-06 6,203E-10 0,9999278 R R 20 R5 0,166197 1,665E-16 4,057E-09 1 R R ABSTRACT SYAHZAM. Comparison of Voting Feature Intervals with Neural Network Methode in Classifying Music Genre. Under direction of AGUS BUONO and AZIZ KUSTIYO. Music genre is one of the important descriptions that have been used to classify digital music. The aim of this research is to compare Voting Feature Intervals VFI methode with the Neural Network NN methode in classifying music genre. There are 12 scenarios of feature extractions in this research. Three variations of MFCC coefficient number 7, 13 and 20 coefficients and four variations of music length 1, 5, 10, and 30 seconds. From each of the feature vector, mean was calculated. For the NN methode after the feature vectors were extracted, normalization was applied using the cumulative normal distribution methode. This research shown that the optimal number of MFCC coefficients was 13 coefficients. NN predictions were better than VFI predictions. NN has an accuracy up to 95 which was obtained by using 30 neurons of hidden layer, 10 seconds length of music and 13 MFCC coefficients. While the VFI has an accuracy up to 85 which was obtained by using 30 seconds length of music and 7 MFCC coefficients. Both experiments that used 13 and 20 coefficients of MFCC feature obtained same accuracy using the NN method. Classic genre has an accuracy of 100 in VFI. The reliability of the system was 57,14 for disco up to 94,44 for classic. Keywords : Music genre, Voting Feature Intervals, Neural Network, Mel- Frequency Cepstral Coefficents RINGKASAN SYAHZAM. Perbandingan Metode Voting Feature Intervals Dengan Jaringan Saraf Tiruan Dalam Mengklasifikasi Genre Musik. Dibimbing oleh AGUSU BUONO dan AZIZ KUSTIYO. Perkembangan teknologi media penyimpanan storage digital dan pertambahan kapasitas lebar pita jaringan di dunia telah mengakibatkan terciptanya koleksi musik digital yang sangat banyak yang dapat dinikmati oleh beragam pengguna komputer. Oleh karena itu, dibutuhkan sebuah sistem yang memiliki kemampuan untuk manajemen dan mengambil retrieve secara otomatis koleksi berkas musik yang sangat banyak dari dalam media penyimpanan Genre musik adalah salah satu deskripsi penting yang digunakan untuk mengklasifikasi musik. Tujuan utama penelitian ini adalah untuk mengembangkan suatu prototipe sistem yang dapat digunakan untuk mengklasifikasi musik digital berdasarkan genrenya dengan menggunakan metode Voting Feature Intervals VFI dan membandingkan akurasi prototipe sistem ini dalam mengenali genre musik dengan metode Jaringan Saraf Tiruan JST. Jumlah dataset yang digunakan pada penelitian ini adalah 80 berkas musik berformat au mono 16-bit yang memiliki frekuensi sampling sebesar 22,05 kHz dengan durasi 30 detik setiap berkasnya. Setiap genre akan memiliki 20 berkas musik yang dapat dijadikan sebagai data pelatihan dan pengujian. Genre musik yang akan dipakai untuk penelitian ini adalah genre musik klasik, disko, metal dan reggae. Terdapat 12 skenario ekstraksi ciri pada penelitian ini yaitu tiga variasi jumlah koefisien MFCC 7, 13 dan 20 koefisien dan empat variasi penggunaan waktu berkas musik 1, 5, 10 dan 30 detik. Ciri yang diekstrak diperlakukan window Hamming dengan time frame 30 ms mili detik serta overlap sebesar 75. Dari setiap ciri tersebut, mean rataan dihitung untuk membentuk vektor ciri. Untuk metode JST, setelah ciri diekstrak maka dilakukan normalisasi menggunakan metode distribusi normal kumulatif. Hasil penelitian menunjukkan bahwa penggunaan ciri koefisien MFCC optimum yaitu 13 koefisien dengan hasil akurasi yaitu 95. Hasil akurasi tersebut juga didapatkan dengan pengunaan ciri 20 koefisien MFCC. Hasil akurasi cenderung meningkat dengan bertambahnya besaran waktu berkas musik yang digunakan dimana akurasi pada penggunaan waktu 1 detik yaitu 80 dan akurasi pada penggunaan waktu 30 detik yaitu 95 pada metode JST dengan 13 dan 20 koefisien MFCC. Akurasi dengan metode JST memiliki akurasi yang terbaik yaitu 95 yang diperoleh dengan jumlah layer hidden neuron sebanyak 30 layer pada 10 detik waktu berkas musik dan penggunaan ciri 13 koefisen MFCC. Akurasi dengan metode VFI mencapai hingga 85 dengan 30 detik waktu berkas musik dan penggunaan ciri 7 koefisien MFCC. Genre musik yang paling mudah dikenali pada metode VFI yaitu genre klasik dengan akurasi sebesar 100. Reliabilitas pada genre musik berkisar dari 57,14 pada genre disko hingga 94,44 pada genre klasik. Penelitian ini masih dapat dikembangkan sebagai upaya untuk meningkatkan akurasi model VFI ataupun JST dalam melakukan prakiraan atau prediksi genre musik, antara lain dengan menambah data training dan testing. Pada penelitian ini, data set yang digunakan sebanyak 80 data. Oleh karena itu, diperlukan penelitian lebih lanjut dengan menggunakan data set yang lebih banyak sehingga memperoleh akurasi yang lebih baik. Perlu dilakukan pengujian dengan menambahkan ciri selain dari MFCC dan melihat kinerja akurasi kedua metode dalam mengklasifikasi genre musik. Kata Kunci : Genre musik, Voting Feature Intervals, Jaringan Saraf Tiruan, Mel-Frequency Cepstral Coefficents PERBANDINGAN METODE VOTING FEATURE INTERVALS DENGAN JARINGAN SARAF TIRUAN DALAM MENGKLASIFIKASI GENRE MUSIK SYAHZAM SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011 I PENDAHULUAN

1.1 Latar Belakang

Perkembangan teknologi media penyimpanan storage digital dan pertambahan kapasitas lebar pita jaringan di dunia telah mengakibatkan terciptanya koleksi musik digital yang sangat banyak yang dapat dinikmati oleh beragam kelas pengguna komputer. Oleh karena itu, dibutuhkan sebuah sistem yang memiliki kemampuan untuk manajemen dan mengambil retrieve secara efisien koleksi berkas musik yang sangat banyak dari dalam media penyimpanan. Hingga saat ini, untuk manajemen dan retrieve berkas musik masih berdasarkan pada metadata berkas musik seperti nama berkas, judul lagu, album, genre, dan lain-lainnya. Metadata berkas musik tersebut masih diinput secara manual oleh manusia sesuai dengan pengetahuan dan penilaiannya. Ekstraksi informasi melalui proses yang otomatis dan sistematis dapat mengatasi masalah tersebut. Genre musik adalah salah satu deskripsi penting yang telah digunakan untuk mengklasifikasi dan mengkarakterisasi musik digital serta untuk manajemen koleksi besar berkas musik yang tersedia pada web Tzanetakis dan Cook 2002. Genre musik juga sangat berguna dalam pengindeksan musik dan retrieval musik berbasis content. Akan tetapi, genre musik adalah konsep yang subyektif dan bahkan industri musik terkadang mengalami permasalahan dalam menentukan genre sebuah musik. Cara praktis yang umum digunakan untuk mengkategorikan sebuah musik adalah menyesuaikannya dengan profil dari sang artis. Oleh karena itu, klasifikasi genre musik otomatis dapat membantu atau mengganti peran manusia dalam proses ini dan juga menyediakan komponen penting dalam sistem retrieval informasi musik yang lengkap untuk sinyal audio. Banyak penelitian mengenai otomasi klasifikasi genre musik yang telah dilakukan dengan menggunakan beragam ciri feature dan metode. Pada penelitian McKay 2004 menyatakan terdapat 160 ciri yang digunakan untuk mengkarakterisasi dan mengklasifikasi musik. Akan tetapi pada penelitian tersebut hanya digunakan 20 ciri. Sebagai pengklasifikasinya digunakan Jaringan Saraf Tiruan JST feed-forward pada penelitian tersebut. Penelitian Costa et al. 2004 menggunakan ciri permukaan musik musical surface dan ciri yang berhubungan dengan tempo serta pendekatan kombinasi pengklasifikasi. Ekstraksi ciri diperoleh dari tiga segmen pada sebuah musik klip berformat mp3. Ketiga segmen tersebut diekstrak dari awal, tengah, dan akhir bagian musik klip. Penelitian tersebut menggunakan JST sebagai pengklasifikasinya. Oleh karena sudah banyak penelitian yang mengklasifikasi genre musik barat, Norowi et al. 2005 mencoba untuk mengklasifikasi genre musik tradisional negaranya Malaysia. Penelitian tersebut menggunakan ciri yang berhubungan dengan timbral, ritme, dan pitch serta pengklasifikasi J48 dan OneR. J48 dan OneR adalah pengklasifikasi yang terdapat pada sistem pembelajaran mesin WEKA Waikato Environment for Knowledge Analysis.

1.2 Tujuan Penelitian

Tujuan utama penelitian ini adalah untuk mengembangkan suatu prototipe sistem yang dapat digunakan untuk mengklasifikasi musik digital berdasarkan genrenya dengan menggunakan metode Voting Feature Intervals VFI dan membandingkan akurasi prototipe sistem ini dalam mengenali genre musik dengan metode Jaringan Saraf Tiruan JST.

1.3 Ruang Lingkup

Ruang lingkup penelitian ini meliputi : 1. Genre yang akan diklasifikasi hanya terbatas pada genre klasik, disko, metal dan reggae. 2. Klasifikasi menggunakan metode Voting Feature Intervals VFI dan Jaringan Saraf Tiruan JST. 3. Sistem dikembangkan sampai pada prototipe sistem.

1.4 Manfaat Penelitian

Prototipe sistem yang dihasilkan penelitian ini diharapkan dapat dikembangkan lebih lanjut menjadi sebuah sistem yang memiliki kemampuan dalam manajemen dan memanggil retrieve basisdata berkas musik audio. II TINJAUAN PUSTAKA

2.1 Musik

Definisi dari musik adalah pengaturan aransemen bunyi atau suara yang memiliki nilai seni terhadap rentang waktu. Musik adalah bagian dari setiap budaya di dunia, akan tetapi memiliki ragam yang luas antara budaya- budaya dalam corak dan struktur Butler 2005. Pada awalnya musik dihasilkan baik dari vokal manusia maupun dari sebuah alat instrumen musik atau lebih, yang dimainkan secara harmonis atau gabungan dari kedua unsur tersebut. Dengan berkembangnya teknologi, maka kini musik dapat dibuat dengan bantuan komputer atau alat elektronik sound synthesizer yang menggunakan suara-suara buatan artificial yang telah direkam sebelumnya. Perkembangan musik juga dibantu dengan perkembangan industri musik. Hal ini juga mengakibatkan munculnya budaya-budaya baru yang berhubungan dengan gaya hidup manusia dan teknologi-teknologi baru yang mendukung perkembangan musik itu sendiri. Media penyimpanan musik pun berubah dari piringan hitam, pita kaset, hingga cakram optik sesuai dengan teknologi perekaman yang ada. Media yang terakhir diakibatkan oleh perubahan sinyal audio yang dulunya berbentuk analog menjadi bentuk digital. Dengan adanya digitalisasi musik, maka distribusi musik menjadi lebih mudah, murah, dan cepat ke seluruh dunia terutama karena adanya web.

2.2 Genre Musik

Genre musik adalah jenis atau kategori dari hasil artistik musik yang biasanya dipengaruhi oleh budaya masyarakat. Perkembangan dari genre yang sudah ada menghasilkan genre-genre baru yang terdengar sangat berbeda yang disebut sub-genre. Pada akhir abad ke-20, terdapat genre-genre baru yang dihasilkan dari perkawinan dua atau lebih genre yang ada. Percobaan-percobaan tersebut juga memberikan kontribusi yang besar dalam perkembangan musik serta