Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Penerapan Metode K-Nearest Neighbor Untuk Klasifikasi Musik Berdasarkan Mood
Nurwin Hermansyah (2018) | Skripsi | Teknik Informatika , Teknik Komputer
Bagikan
Ringkasan
Saat ini masyarakat memutar musik lebih sering dari biasanya. Namun, pemutar musik hanya dapat melakukan pencarian berdasarkan artis, judul, dan genre. Penelitian yang dilakukan mengenai musik diantaranya adalah pengklasifikasian musik. Beberapa tahun terakhir penelitian klasifikasi musik lebih terfokus pada klasifikasi musik berdasarkan mood. Hal ini didasarkan pada penelitian Music Information Behavior yang menyebutkan bahwa masyarakat mencari dan mengatur musik berdasarkan mood yang mereka miliki. Tugas Akhir yang dibuat melingkupi pembuatan sistem yang dapat melakukan klasifikasi musik berdasarkan mood dengan menerapkan metode K-Nearest Neighbor. Kategori mood yang digunakan ada dua jenis, yaitu model IMIRSEL dan model folksonomy. Fitur musik yang digunakan ada enam yaitu tempo, mode, rhythm, loudness, pitch, dan timbre. Sistem klasifikasi musik yang telah dibangun dievaluasi dengan menggunakan 10-folds cross validation untuk mengetahui tingkat akurasi yang dicapai. Hasil eksperimen menunjukkan bahwa tingkat akurasi yang dicapai adalah 58.17% untuk kategori mood folksonomy. Kata Kunci: Musik, Mood, K-Nearest Neighbor, 10-folds cross validation, IMIRSEL, Folksonomy.
Ringkasan Alternatif
Nowadays people play music more often than usual. However, the current music player only able to search by artist, title, and genre. There are a lot of research has been conducted regarding music, including classification. Lately the study of music classification is more focused on classification based on mood. Music Information Behavior research said that people search and organize their music based on their mood. This final projectâÃâ¬Ãâ¢s objective is to create systems that can perform music classification based on mood by applying the K-Nearest Neighbor method. This final project used two models, namely IMIRSEL model and folksonomy model. This system used six music features they are tempo, mode, rhythm, loudness, pitch, and timbre. Music classification system that has been constructed evaluated using 10-folds cross validation to know the level of accuracy achived. The experiments showed that the level of accuracy was 58.17% for folksonomy model. Keywords: Music, Mood, K-Nearest Neighbor, 10-folds cross validation, IMIRSEL, folksonomy.