KLASIFIKASI GENRE MUSIK MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Fahmi, Yufriza Ihsa (2019) KLASIFIKASI GENRE MUSIK MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK. Other thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

[img]
Preview
Text
ABSTRAK_123150052_YUFRIZA IHSA FAHMI.pdf

Download (134kB) | Preview
[img]
Preview
Text
COVER_123150052_YUFRIZA IHSA FAHMI.pdf

Download (177kB) | Preview
[img]
Preview
Text
DAFTAR ISI_123150052_YUFRIZA IHSA FAHMI.pdf

Download (232kB) | Preview
[img]
Preview
Text
PENGESAHAN PEMBIMBING_123150052_YUFRIZA IHSA FAHMI.pdf

Download (75kB) | Preview
[img] Text
SKRIPSI_123150052_YUFRIZA IHSA FAHMI.pdf
Restricted to Repository staff only

Download (2MB)

Abstract

Seiring berkembangnya teknologi, cara orang menikmati musik juga berubah, dari sebelumnya menggunakan media fisik kini beralih ke format digital. Pendengar musik juga umumnya memiliki kecenderungan untuk mendengarkan musik yang disukai berdasar kemiripan maupun kesamaan genre dibanding dengan kesamaan artis. Setiap orang tentu memiliki preferensi genre musik kesukaannya, dan orang tersebut membuat playlist musik berdasarkan genre yang disenangi. Melalui klasifikasi genre musik dapat memudahkan dalam pengorganisasian dan penyusunan playlist musik berdasarkan genre. Penelitian ini mengklasifikasi genre musik dari file audio menggunakan Convolutional Neural Network dan memanfaat feature extraction spectrogram. Spectrogram yang merupakan representasi visual dari audio dalam domain frekuensi dari waktu ke waktu dapat dijadikan sebagai input dalam model Convolutional Neural Network. Setelah dilakukan proses pengujian pada sepuluh genre musik, penggunaan Convolutional Neural Network untuk klasifikasi genre musik mendapatkan akurasi sebesar 76%. Dari kesepuluh genre musik ada tiga genre yang mendapatkan hasil klasifikasi mendekati sempurna yaitu classical, country dan disco. Kata kunci : Convolutional Neural Network, spectrogram, klasifikasi genre musik

Item Type: Thesis (Other)
Subjects: Z Bibliography. Library Science. Information Resources > ZA Information resources
Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4450 Databases
Divisions: Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User: Eny Suparny
Date Deposited: 08 Nov 2019 03:02
Last Modified: 08 Nov 2019 03:02
URI: http://eprints.upnyk.ac.id/id/eprint/21694

Actions (login required)

View Item View Item