Analisis Prediksi Emosi Musik Menggunakan Ekstraksi Fitur Mel-Spectrogram dan Chroma dengan Perbandingan CNN dan CRNN.

Gamalion Lingga Tapani, Andre (2026) Analisis Prediksi Emosi Musik Menggunakan Ekstraksi Fitur Mel-Spectrogram dan Chroma dengan Perbandingan CNN dan CRNN. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (654kB)
	PDF BAB_I.pdf Download (217kB)
	PDF BAB_II.pdf Download (2MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (790kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (224kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (225kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (889kB)
	Archive (ZIP) 00000076974_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Music Emotion Recognition (MER) dengan pendekatan dimensional (Valensi dan Arousal) mampu memetakan emosi musik secara kontinu, namun dihadapkan pada tantangan teknis yang kompleks dalam menangkap konteks spasial dan temporal dari sinyal audio secara bersamaan. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan kinerja arsitektur Convolutional Neural Network (CNN) statis dengan Convolutional Recurrent Neural Network (CRNN) varian Bi-Directional Gated Recurrent Unit (Bi-GRU) dalam memprediksi dinamika emosi musik secara kontinu. Fitur audio diekstraksi dari dataset DEAM menggunakan kombinasi Mel-Spectrogram untuk memodelkan energi dan ritme, serta Chromagram untuk memodelkan harmoni dan progresi nada. Kedua arsitektur diuji menggunakan dua strategi input: Merged (penggabungan fitur) dan Separated (pemisahan fitur ke dalam cabang CNN yang independen). Evaluasi kinerja model diukur menggunakan metrik regresi. Hasil penelitian menunjukkan bahwa arsitektur CRNN Bi-GRU dengan strategi Separated memberikan performa prediksi terbaik. Model ini berhasil mencapai nilai CCC sebesar 0,8189 (R² = 0,5917) pada dimensi arousal dan 0,7390 (R² = 0,4562) pada dimensi valence. Pemisahan fitur (Separated) terbukti secara signifikan meningkatkan kemampuan model dalam memprediksi valence (+0,0662 CCC) karena menjaga integritas struktural dari 12 representasi nada dasar pada chromagram. Secara keseluruhan, CRNN Bi- GRU terbukti jauh lebih efektif dibandingkan CNN dalam memodelkan dependensi temporal dan memetakan prediksi emosi yang lebih luas di seluruh kuadran bidang emosi 2D.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Gamalion Lingga Tapani, Andre (00000076974)
Contributors:	Suryana, Yaya
Keywords:	chroma, convolutional neural network (cnn), convolutional recurrent neural network (crnn), mel-spectrogram, music emotion recognition
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	16 Jul 2026 07:59
URI:	https://kc.umn.ac.id/id/eprint/47605

Actions (login required)

View Item