Klasifikasi Genre Musik Dengan Mel Frequency Cepstral Coefficient Dan Spektogram Menggunakan Convolutional Neural Network

Sifa Marcella Fardhani, Yaya Wihardi, Erna Piantari

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 jumlah 500 data lagu GTZAN berbahasa Inggris dan 500 data lagu berbahasa Indonesia yang mencakup 5 genre. Teknik ekstraksi fitur digunakan pada praproses data untuk mendapatkan hasil ekstraksi Mel-Frequency Cepstral Coefficient (MFCC) dan spektogram. Kemudian arsitektur CNN akan dibandingkan dengan dua jenis data masukan yang berbeda, yaitu data berbentuk vektor sebagai representasi dari hasil ekstraksi MFCC dan data berbentuk citra spektogram. 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%.


Full Text:

PDF

References


Djohan. (2006). Terapi musik: Teori dan

aplikasi. Yogyakarta: Galangpress

Ridoean, J. A., Sarno, R., & Sunaryono, D. (2017). Rancang Bangun Aplikasi MusicMoo Dengan Metode MIR (Music Information Retrieval) Pada Modul Mood, Genre Recognition, dan Tempo Estimation. Jurnal Teknik ITS, 6(1), 202-206.

Tzanetakis, G., & Cook, P. (2002). Musical genre classification of audio signals. IEEE Transactions on speech and audio processing, 10(5), 293-302.

Nakashika, T., Garcia, C., & Takiguchi, T. (2012). Local-feature-map integration using convolutional neural networks for music genre classification. In Thirteenth Annual Conference of the International Speech Communication Association.

Sigtia, S., & Dixon, S. (2014, May). Improved music feature learning with deep neural networks. In 2014 IEEE international conference on acoustics, speech and signal processing (ICASSP) (pp. 6959-6963). IEEE.

Peggy, A.T., Hidayat, B. & Atmaja, R.D., " Deteksi Lagu Pada Piano Berdasarkan Ekstraksi Ciri MFCC Dengan Metode Learning Vector Quantization dan Euclidean Distance". Teknik Telekomunikasi, Universitas Telkom, 2012.

Dillak, R. Y., Pangestuty, D. M., & Bintiri, M. G. (2015, July). Klasifikasi Jenis Musik Berdasarkan File Audio Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization. In Seminar Nasional Informatika (SEMNASIF) (Vol. 1, No. 3).

Agustine, T.R., Tritoasmoro, I.I. & Haryatno, J., " Analisis Pengenalan Klasifikasi Musik Berdasarkan Genre Dengan Menggunakan Jaringan Syaraf Tiruan Self-Organizing Maps (SOMS)". Teknik Telekomunikasi, Universitas Telkom, 2009.

Li, T. L., Chan, A. B., & Chun, A. H. (2010). Automatic musical pattern feature extraction using convolutional neural network. Genre, 10, 1x1.




DOI: https://doi.org/10.17509/jatikom.v4i1.41465

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Jurnal Aplikasi dan Teori Ilmu Komputer