PENERAPAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) RESNET101 DAN MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) UNTUK KLASIFIKASI GENRE MUSIK

Pratama, Akhmal Dimas (2024) PENERAPAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) RESNET101 DAN MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) UNTUK KLASIFIKASI GENRE MUSIK. Other thesis, UPN "Veteran" Yogyakarta.

	Text SKRIPSI_AKHMAL DIMAS PRATAMA_123200047.pdf Restricted to Repository staff only Download (4MB)
	Text COVER.pdf Download (289kB)
	Text ABSTRAK.pdf Download (240kB)
	Text LEMBAR PENGESAHAN PENGUJI_AKHMAL DIMAS PRATAMA_123200047.pdf Download (648kB)
	Text LEMBAR PENGESAHAN PEMBIMBING_AKHMAL DIMAS PRATAMA_123200047.pdf Download (493kB)
	Text DAFTAR ISI.pdf Download (175kB)
	Text DAFTAR PUSTAKA.pdf Download (198kB)

Abstract

Musik memiliki peran penting dalam kehidupan manusia sebagai bentuk ekspresi
budaya, emosi, dan kreativitas. Genre musik menjadi salah satu aspek penting dalam
membedakan karakteristik musik berdasarkan gaya, ritme, instrumen, dan latar belakang
budayanya. Meskipun pendengar sering dapat mengenali genre musik secara umum,
perbedaan antar-genre sering kali sulit dijelaskan secara rinci oleh masyarakat awam tanpa
pengalaman mendalam. Dengan meningkatnya jumlah musik digital yang tersedia,
pendengar menghadapi tantangan dalam menemukan musik sesuai preferensi secara manual.
Oleh karena itu, diperlukan solusi berbasis teknologi untuk mengklasifikasikan genre musik
secara otomatis.
Penelitian ini menggunakan metode Convolutional Neural Network (CNN) dengan
arsitektur ResNet101 untuk mengklasifikasikan 10 genre musik dari GTZAN Dataset, yang
mencakup genre blues, classical, country, disco, hiphop, jazz, metal, pop, reggae, dan rock.
Data preprocessing dilakukan untuk meningkatkan kualitas data melalui cleaning, splitting
data, augmentasi, dan ekstraksi fitur menggunakan Mel Frequency Cepstral Coefficient
(MFCC. Augmentasi melibatkan teknik seperti time stretching, pitch negative, pitch positive,
noise injection, dan time shifting yang bertujuan meningkatkan keragaman data sehingga
performa model menjadi lebih optimal.
ResNet101 dipilih karena arsitektur ini mampu meningkatkan akurasi melalui
mekanisme residual learning dan skip connections, yang memfasilitasi pelatihan jaringan
dalam tanpa mengurangi stabilitas gradien. Selain itu, penerapan dropout memberikan
regularisasi tambahan untuk mengurangi risiko overfitting. Penelitian terdahulu
menunjukkan efektivitas ResNet101 dalam berbagai aplikasi klasifikasi, termasuk
pengenalan pola pada data citra maupun sinyal audio.
Hasil pengujian menunjukkan bahwa penerapan metode Convolutional Neural
Network (CNN) ResNet101 dengan ekstraksi fitur Mel Frequency Cepstral Coefficient
(MFCC) untuk klasifikasi genre musik berhasil menghasilkan akurasi terbaik sebesar 58%
pada 10 kelas genre musik menggunakan parameter optimal seperti optimizer SGDprop,
dropout 0,125-0,25, batch size 32, dan learning rate 0,001. Dengan adanya hasil penelitian
ini diharapkan dapat menjadi acuan untuk mengembangkan sistem yang dapat mendukung
pencinta musik dalam mengeksplorasi genre secara lebih efisien.
Kata kunci: Klasifikasi, GTZAN, Genre Musik, Augmentasi, Mel Frequency Cepstral
Coefficient, Convolutional Neural Network, ResNet101, Confusion Matrix

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Klasifikasi, GTZAN, Genre Musik, Augmentasi, Mel Frequency Cepstral Coefficient, Convolutional Neural Network, ResNet101, Confusion Matrix
Subjects:	H Social Sciences > H Social Sciences (General) T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	24 Dec 2024 01:02
Last Modified:	24 Dec 2024 01:02
URI:	http://eprints.upnyk.ac.id/id/eprint/41897

Actions (login required)

View Item