Klasifikasi dan Rekomendasi Musik berbasis Emosi dan Genre untuk Ibu Pascapersalinan

Fatichin, Mochammad Rizqul (2025) Klasifikasi dan Rekomendasi Musik berbasis Emosi dan Genre untuk Ibu Pascapersalinan. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6026231032-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (2MB) | Request a copy

Abstract

Depresi pascapersalinan merupakan masalah kesehatan mental dengan prevalensi yang tinggi di kalangan ibu yang baru pertama melahirkan. Terapi musik menjadi salah satu metode yang efektif untuk membantu mengurangi gejala depresi dan memberikan kenyamanan emosional bagi ibu pascapersalinan. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi musik berbasis emosi dan genre yang dirancang untuk memenuhi kebutuhan emosional ibu pascapersalinan. Sistem dibangun menggunakan representasi audio cochleogram dan chromagram untuk mengklasifikasikan emosi dan genre musik melalui arsitektur Convolutional Recurrent Neural Network (CRNN). Evaluasi dilakukan untuk menilai pengaruh penggunaan kedua representasi audio tersebut terhadap performa klasifikasi musik. Hasil penelitian menunjukkan bahwa penggunaan cochleogram dan chromagram, yang bertujuan untuk mengintegrasikan informasi spektral dan key modulation pada musik, mampu memberikan akurasi yang lebih baik dibandingkan dengan model klasifikasi yang hanya memanfaatkan informasi spektral. Hasil ekstraksi fitur pada proses klasifikasi emosi dan genre musik digunakan untuk membuat rekomendasi berdasarkan kemiripan informasi emosi dan genre musik. Hasil penelitian diharapkan dapat memberikan rekomendasi musik yang sesuai dengan kondisi emosional dan preferensi ibu pascapersalinan, serta berkontribusi pada literatur terkait pemrosesan audio untuk klasifikasi dan rekomendasi musik.
==================================================================================================================================
Postpartum depression is a mental health problem with a high prevalence among first-time mothers. Music therapy is one of the effective methods to help reduce symptoms of depression and provide emotional comfort for postpartum mothers. This study aims to develop an emotion and genre based music recommendation system that designed to meet the emotional needs of postpartum mothers. The system was built using cochleogram and chromagram audio representations to classify emotions and music genres through a Convolutional Recurrent Neural Network (CRNN) architecture. An evaluation was conducted to assess the effect of using these audio representations on music classification performance. The results show that the use of cochleogram and chromagram, which aim to integrate spectral and key modulation information in music, can provide better accuracy compared to classification models that only utilize spectral information. The results of feature extraction in the emotion and music genre classification process are used to make recommendations based on the similarity of emotion and music genre information. The research results are expected to provide music recommendations that match the emotional state and preferences of postpartum mothers, as well as contribute to the literature related to audio processing for music classification and recommendation.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Chromagram, Cochleogram, Convolutional Recurrent Neural Network (CRNN), Klasifikasi Emosi Musik, Sistem Rekomendasi Musik, Music Emotion Classification, Music Recommendation System
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) Q Science > QA Mathematics > QA76.9.I58 Recommender systems (Information filtering) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 59101-(S2) Master Thesis
Depositing User:	Mochammad Rizqul Fatichin
Date Deposited:	03 Feb 2025 09:36
Last Modified:	03 Feb 2025 09:36
URI:	http://repository.its.ac.id/id/eprint/117916

Actions (login required)

View Item