Klasifikasi Genre Musik Menggunakan Algoritma CRNN

Setiorini, Ela (2024) Klasifikasi Genre Musik Menggunakan Algoritma CRNN. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (218kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Download (364kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (208kB)
	PDF DAFTAR_PUSTAKA.pdf Download (224kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (253kB)

Abstract

Musik adalah karya seni seseorang atau sekelompok orang yang mengekspresikan pikiran dan perasaannya ke dalam bentuk lagu atau komposisi musik. Musik yang dihasilkan seseorang tentu berbeda satu dengan yang lain karena musik merupakan suatu karya seni. Label yang digunakan manusia untuk mengelompokkan dan mendeskripsikan dunia musik yang luas dikenal sebagai genre musik. Terdapat banyak sekali genre musik dan setiap orang memiliki preferensinya masing-masing. Genre lagu tidak dapat ditentukan hanya dengan mendengarkan sepenggalnya saja, tetapi lagu harus didengarkan secara utuh agar genre dapat ditentukan. Oleh karena itu, dibutuhkan sebuah alat bantu yang dapat mengelompokkan genre musik secara otomatis agar pengelompokan dapat dilakukan dengan lebih efektif dan efisien. Penelitian ini menggunakan algoritma Convolutional-Recurrent Neural Network (CRNN), spesifiknya gabungan algoritma CNN-BiLSTM, untuk melakukan klasifikasi genre musik. Dataset pertama akan diolah menjadi bentuk Mel-Frequency Cepstral Coefficient (MFCC), kemudian dijadikan fitur yang akan digunakan oleh model CRNN untuk pelatihan dan pengujian. Parameter yang diuji pada penelitian ini adalah learning rate dari model dan penggunaan dropout sebelum lapisan BiLSTM. Akurasi tertinggi yang didapatkan dari penelitian ini adalah 88,44% dengan model yang menggunakan dropout dan learning rate 0,001.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Convolutional-Recurrent Neural Network (CRNN), deep learning, genre musik, klasifikasi, Mel-Frequency Cepstral Coefficient (MFCC)
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	12 Nov 2024 11:53
Last Modified:	12 Nov 2024 11:53
URI:	https://kc.umn.ac.id/id/eprint/34765

Actions (login required)

View Item