<![CDATA[Pemanfaatan kecerdasan buatan (Artificial Intelligence/AI) dalam bidang kreatif, khususnya komposisi musik otomatis, terus berkembang seiring dengan kemajuan arsitektur deep learning. Berbagai pendekatan generatif telah dikembangkan, mulai dari model berbasis RNN, LSTM, GAN, VAE, hingga Transformer, namun sebagian besar masih memerlukan sumber daya komputasi yang besar untuk menghasilkan melodi yang koheren. Penelitian ini bertujuan mengembangkan sistem generator melodi MIDI berbasis web yang mampu menghasilkan komposisi musik secara otomatis dengan efisiensi tinggi. Sistem ini mengimplementasikan model Receptance Weighted Key Value (RWKV), sebuah arsitektur yang menggabungkan efisiensi komputasi Recurrent Neural Network (RNN) dengan kemampuan paralelisasi Transformer. Model dilatih menggunakan dataset yang bersumber dari 909 file MIDI mentah dengan ukuran konfigurasi vocabulary sebanyak 200 token unik, menghasilkan total keseluruhan 1.308.713 token sekuensial. Integrasi model ke platform web dilakukan menggunakan framework Gradio. Hasil pengujian teknis menunjukkan bahwa setelah melalui 5 epoch pelatihan pada dataset 1,3M token, model berhasil mencapai nilai Cross-Entropy Loss sebesar 0,8752 dengan tingkat Perplexity sebesar 2,40. Nilai ini jauh lebih rendah dibandingkan model LSTM pembanding yang memiliki Perplexity sekitar 18. Penggunaan arsitektur RWKV terbukti memberikan efisiensi sumber daya yang signifikan dengan penggunaan memori GPU sebesar 2,1 GB (hanya 14% dari kapasitas VRAM 15GB), yang memungkinkan proses generasi melodi secara real-time dengan latensi rendah.]]>
