Sistem Rekomendasi Musik Menenangkan untuk Ibu Berisiko Postpartum Depression berdasarkan Fitur Musik dan Klasifikasi Genre menggunakan SVM

Fatichin, Mochammad Rizqul (2023) Sistem Rekomendasi Musik Menenangkan untuk Ibu Berisiko Postpartum Depression berdasarkan Fitur Musik dan Klasifikasi Genre menggunakan SVM. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05211940000027-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (3MB) | Request a copy

Abstract

Postpartum Depression (PPD) adalah suatu gangguan kesehatan mental yang biasanya terjadi 2-6 minggu pada ibu pasca persalinan. Gangguan ini ditandai dengan perasaan depresi, kecemasan berlebih, rasa bersalah, insomnia, hingga perubahan berat badan. PPD merupakan kondisi serius yang jarang diperhatikan, dimana penelitian melaporkan bahwa 20% ibu baru pertama melahirkan mengalami depresi. Sementara di Indonesia, 50-70% ibu mengalami depresi pasca melahirkan anak pertama. Dukungan sosial yang baik serta beberapa treatment, seperti perubahan gaya hidup, psikoterapi, hingga penggunaan obat dan suplemen dapat dilakukan untuk mengurangi keparahan gejala. Terapi musik merupakan salah satu treatment perubahan gaya hidup yang dapat memberikan ketenangan dan mudah untuk diaplikasikan. Dalam pemberian terapi, pemilihan musik yang dapat memberikan ketenangan dan sesuai dengan keinginan menjadi hal yang diperhatikan. Oleh karena itu, diperlukan sistem yang dapat memberikan rekomendasi musik menenangkan bagi ibu berisiko PPD. Penelitian bertujuan untuk menghasilkan sistem rekomendasi musik menenangkan untuk ibu berisiko PPD. Sistem rekomendasi dibuat berdasarkan kemiripan antar musik, dengan mempertimbangkan hasil klasifikasi genre yang telah terbukti memberikan hasil rekomendasi yang baik. Data yang digunakan adalah data audio musik dari GTZAN Dataset, Free Music Archive, dan Audio Library dengan tempo kurang dari 80 bpm. Klasifikasi genre memanfaatkan fitur-fitur pada audio musik serta menggunakan algoritma Support Vector Machine (SVM) dalam pembuatan model klasifikasi. Musik diklasifikasi menjadi lima genre yaitu Ambient, Classical, Country-Folk, Jazz-Blues, dan RnB-Soul. Selanjutnya lima rekomendasi musik dihasilkan berdasarkan kemiripan antar fitur musik serta dengan mempertimbangkan hasil dari klasifikasi genre. Hasil yang didapatkan dari penelitian ini adalah sistem yang dapat merekomendasikan musik menenangkan untuk ibu berisiko PPD. Model klasifikasi genre yang menjadi bagian dari sistem rekomendasi memiliki nilai akurasi sebesar 80% dengan presisi 82% dan recall 80%. Hasil penelitian menunjukkan bahwa model yang dibangun menggunakan pendekatan One-vs- Rest (SVM - OVR) memiliki performa klasifikasi yang lebih baik daripada menggunakan pendekantan One-vs-One (SVM - OVO). Model klasifikasi genre terbaik dibangun menggunakan kernel poly dengan nilai hyperparameter C sebesar 0.1, Coef0 sebesar 1.0, dan Gamma sebesar 0.1
==================================================================================================================================
Postpartum Depression (PPD) is a mental health disorder that usually occurs 2-6 weeks in postpartum mothers. It is characterized by feelings of depression, excessive anxiety, guilt, insomnia, and weight changes. PPD is a serious condition that is rarely considered, where studies report that 20% of first-time mothers experience depression. Meanwhile in Indonesia, 50-70% of mothers experience depression after giving birth to their first child. Good social support and several treatments, such as lifestyle changes, psychotherapy, and the use of drugs and supplements can be done to reduce the severity of symptoms. Music therapy is one of lifestyle change treatment that can provide soothness and is easy to apply. In providing therapy, the selection of music that can provide soothness and in accordance with the wishes is a matter of concern. Therefore, a system that can provide soothing music recommendations for mothers at risk of PPD is needed. This study aims to produce a soothing music recommendation system for mothers at risk of PPD. The recommendation system is made based on similarities between music and the results of genre classifications, that have been proven to give good recommendation results. The data used is audio music data from GTZAN Dataset, Free Music Archive, and Audio Library with a tempo of less than 80 bpm. Genre classification utilizes features in audio music and uses the Support Vector Machine (SVM) algorithm in creating a classification model. Music is classified into five genres namely Ambient, Classical, Country-Folk, Jazz-Blues, and RnB-Soul. Furthermore, five music recommendations are generated based on similarities between musical features and by considering the results of genre classification. The results obtained from this study are a system that can recommend soothing music for mothers at risk of PPD. The genre classification model that is part of the recommendation system has an accuracy value of 80% with 82% precision and 80% recall. The results showed that the model built using the One-vs-Rest approach (SVM - OVR) has better classification performance than using the One-vs-One (SVM - OVO) approach. The best genre classification model was built using a poly kernel with hyperparameter C values of 0.1, Coef0 of 1.0, and Gamma of 0.1.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Fitur Audio, Postpartum Depression, Sistem Rekomendasi Musik, Support Vector Machine, Audio Features, Music Recommendation System, Postpartum Depression, Support Vector Machine
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA76.9.I58 Recommender systems (Information filtering) T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Mochammad Rizqul Fatichin
Date Deposited:	18 Jul 2023 07:11
Last Modified:	18 Jul 2023 07:11
URI:	http://repository.its.ac.id/id/eprint/98550

Actions (login required)

View Item