Pengenalan Emosi yang Terkandung dalam Konten Audio Musik Berdasarkan Spectral Audio Features dengan Machine Learning

Wijaya, Michael Fredy (2024) Pengenalan Emosi yang Terkandung dalam Konten Audio Musik Berdasarkan Spectral Audio Features dengan Machine Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211940000024-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Musik menjadi salah satu hal yang penting dalam kehidupan sehari-hari manusia karena teknologi yang ada saat ini telah memungkinkan seseorang untuk dapat mendengarkan musik dari mana saja, misalnya: tempat makan, pusat perbelanjaan, tempat berolahraga, transportasi umum, dan lain sebagainya. Musik juga dipercaya dapat mengantar atau mempengaruhi emosi dari seseorang. Adanya hubungan antara musik dan emosi disertai dengan perkembangan jenis-jenis musik yang ada mendorong para peneliti untuk melakukan penelitian di bidang musik dan emosi. Salah satunya adalah Music Emotion Recognition (MER) atau pengenalan emosi musik. MER dapat dilakukan dengan menggunakan berbagai metode dan memanfaatkan variasi fitur yang beragam dari audio. Oleh karena itu, diperlukan metode dan penggunaan fitur yang efektif dan akurat dalam mengenali emosi dari konten audio musik. Penelitian ini dilakukan dengan menggunakan Spectral Audio Features dan Machine Learning (ML) dengan tujuan untuk mengetahui tingkat akurasi model machine learning (ML) yang menggunakan spectral audio features dalam mengenali emosi yang terkandung pada konten audio musik. Penelitian dimulai dari pengumpulan data, ekstraksi fitur audio, kemudian dilakukan klasifikasi, dan evaluasi untuk mendapatkan tingkat akurasi dalam pengenalan emosi. Hasil dari penelitian ini menunjukkan model Machine Learning (ML) Convolutional Neural Network (CNN) yang menggunakan Spectral Audio Features yaitu Mel-Spectrogram memiliki tingkat akurasi tertinggi 62,5% dan nilai F1-Score rata-rata 60,5%.
=============================================
Music is one of the important things in human’s everyday life because technology that exists today has made it possible for someone to be able for listening music from anywhere, like: cafeteria, shopping center, gym, public transportation, and so on. Music is also believed can deliver or influence emotions from someone. The relation between music and emotion accompanied by the development of the types of music that exist encourage researchers to conduct research in the field of music and emotion. One of them is Music Emotion Recognition (MER). MER can be performed using a variety of methods and utilizing a variety of audio features. Therefore, an effective and accurate method, use of features are needed in recognizing emotion from music audio content. This research was conducted using Spectral Audio Features and Machine Learning (ML) with the aim of knowing the accuracy level of the machine learning (ML) model that uses spectral audio features for recognizing the emotion contained in music
audio content. Research begins with conducting data collection, audio features extraction, then performs classification, and evaluation to get the accuracy level in emotion recognition. The results of this research show the Convolutional Neural Network (CNN) (Machine Learning (ML)) model that uses Spectral Audio Features, namely Mel-Spectrogram has 62,5% highest accuracy level and 60,5% average F1-Score.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network (CNN), Emosi, Machine Learning (ML), Mel-Spectrogram, Pengenalan Emosi Musik, Emotion, Music Emotion Recognition (MER)
Subjects:	M Music and Books on Music > M Music T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Michael Fredy Wijaya
Date Deposited:	05 Aug 2024 01:27
Last Modified:	05 Aug 2024 01:27
URI:	http://repository.its.ac.id/id/eprint/110381

Actions (login required)

View Item