KLASIFIKASI GENRE MUSIK DENGAN MEL FREQUENCY CEPSTRAL COEFFICIENT DAN SPEKTOGRAM MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Sifa Marcella Fardhani, - (2019) KLASIFIKASI GENRE MUSIK DENGAN MEL FREQUENCY CEPSTRAL COEFFICIENT DAN SPEKTOGRAM MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK. S1 thesis, Universitas Pendidikan Indonesia.

[img] Text
S_KOM_1506479_Title.pdf

Download (294kB)
[img] Text
S_KOM_1506479_Chapter1.pdf

Download (110kB)
[img] Text
S_KOM_1506479_Chapter2.pdf
Restricted to Staf Perpustakaan

Download (811kB)
[img] Text
S_KOM_1506479_Chapter3.pdf

Download (195kB)
[img] Text
S_KOM_1506479_Chapter4.pdf
Restricted to Staf Perpustakaan

Download (1MB)
[img] Text
S_KOM_1506479_Chapter5.pdf

Download (46kB)
[img] Text
S_KOM_1506479_Appendix.pdf
Restricted to Staf Perpustakaan

Download (366kB)
Official URL: http://repository.upi.edu

Abstract

Musik sudah menjadi suatu kebutuhan bagi sebagian besar orang karena manfaatnya yang dapat menimbulkan relaksasi dan dapat menjadi hiburan bagi sebagian orang. Kebutuhan akan informasi yang terkandung dalam musik yang didengarkan seringkali dibutuhkan, salah satunya adalah informasi dari jenis genre musik yang sedang didengarkan. Untuk mengetahui jenis genre musik tersebut maka pada penelitian ini dilakukan klasifikasi genre musik yang diharapkan akan memenuhi kebutuhan tersebut dengan melalui proses pengenalan pola dari masing-masing genre. Metode Convolutional Neural Network (CNN) digunakan untuk melatih pola dari 500 data lagu GTZAN berbahasa Inggris dan 500 data lagu berbahasa Indonesia yang mencakup 5 genre. Sebelumnya data akan melalui praproses terlebih dahulu untuk mendapatkan vektor hasil ekstraksi Mel-Frequency Cepstral Coefficient (MFCC) dan spektogram yang disimpan sebagai citra. Kemudian arsitektur CNN akan dibandingkan dengan dua jenis data masukan hasil ekstraksi untuk menganalisis genre berdasarkan kedua ekstraksi fitur tersebut. Setelah itu, data akan melalui proses validasi untuk mengetahui nilai evaluasi dari kinerja model yang dihasilkan masing-masing arsitektur dengan data masukan berbeda. Hasil validasi terbaik ditunjukkan oleh eksperimen dengan data masukan spektogram menggunakan dataset GTZAN yang memiliki nilai akurasi sebesar 76%. Music has become a necessity for most people because of its benefits that can cause relaxation and can be entertainment for some people. The need for information contained in music that is listened to is often needed, one of which is information from the type of music genre that is being listened to. To find out the type of music genre, this research was carried out classification of music genres that are expected to meet these needs through the process of pattern recognition from each genre. The Convolutional Neural Network (CNN) method is used to train patterns of 500 English GTZAN song data and 500 Indonesian song data covering 5 genres. Previously the data will be preprocessed to get the Mel-Frequency Cepstral Coefficient (MFCC) extraction result and the spectogram stored as an image. Then the CNN architecture will be compared with two types of extracted input data to analyze the genre based on the two feature extractions. After that, the data will go through a validation process to find out the evaluation values of the performance models generated by each architecture with different input data. The best validation results are shown by experiments with spectogram input data using the GTZAN dataset which has an accuracy value of 76%.

Item Type: Thesis (S1)
Uncontrolled Keywords: Music Genre Classification, Convolutional Neural Network, MFCC, Spektogram, Deep Learning.
Subjects: M Music and Books on Music > M Music
Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User: Sifa Marcella Fardhani
Date Deposited: 29 Apr 2020 08:24
Last Modified: 29 Apr 2020 08:24
URI: http://repository.upi.edu/id/eprint/42922

Actions (login required)

View Item View Item