PENGKLASIFIKASIAN GENRE MUSIK INDONESIA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Authors

DOI:

https://doi.org/10.46984/sebatik.v25i1.1286

Keywords:

Convolutional Neural network, Deep Learning, Lagu, Musik

Abstract

Pada zaman sekarang sudah terdapat banyak sekali teknologi Artificial Intelligence. Artificial Intelligence sendiri memiliki beberapa sub bab, salah satunya adalah Machine Learning dan Deep Learning merupakan salah sub bab dari Machine Learning itu sendiri. Convolutional Neural network (CNN) adalah salah satu jenis neural network yang biasa digunakan pada data gambar. Pada penelitian ini akan digunakan untuk mengklasifikasikan genre musik dengan cara mengonversi data pada lagu menjadi sebuah gambar yang kita sebut spektogram. Pada penelitian akan mengimplementasikan CNN dalam mengategorikan 3 genre musik di Indonesia yakni; dangdut, Jazz dan Pop. Pada penelitian ini terdapat 100 lagu untuk masing-masing genre sebagai data setnya. Tujuan dari penelitian ini sendiri adalah mengoptimalkan tingkat akurasi dalam pengategorian genre musik menggunakan model CNN. Berdasarkan penelitian yang sudah dilakukan didapatkan bahwa penggunaan 35 epoch memiliki tingkat akurasi yang optimal yakni; tingkat akurasi tes sebesar 81,33% dan tingkat akurasi validasi sebesar 100%. Implementasi ini diharapkan dapat menentukan kategori dalam musik.

References

Abdulbar, H., Adikara, P. P., & Adinugroho, S. 2019. Klasifikasi Genre Lagu dengan Fitur Akustik Menggunakan Metode K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.
Ardipal, A. 2020. Pemanfaatan Perangkat Teknologi dalam Pembelajaran Musik Berbasis Tematik sebagai Peningkatan Keterampilan Abad 21 Bagi Guru Sekolah Dasar. Musikolastika: Jurnal Pertunjukan Dan Pendidikan Musik, 2(2), 77-84.
Astuti, D. 2019. Aplikasi Identifikasi Suara Hewan Menggunakan Metode Mel-Frequency Cepstral Coefficients (MFCC). Journal of Informatics, Information System, Software Engineering and Applications (INISTA), 1(2), 26-34
Azizah, L. M., Umayah, S. F., & Fajar, F. 2018. Deteksi Kecacatan Permukaan Buah Manggis Menggunakan Metode Deep Learning dengan Konvolusi Multilayer. Semesta Teknika, 21(2), 230-236.
Darmanto, H. (2019). Pengenalan Spesies Ikan Berdasarkan Kontur Otolith Menggunakan Convolutional Neural network. Joined Journal (Journal of Informatics Education), 2(1), 41-59.
Gumelar, A. B., Yuniarno, E. M., Anggraeni, W., Sugiarto, I., Kristanto, A. A., & Purnomo, M. H. 2020. Kombinasi Fitur Multispektrum Hilbert dan Cochleagram untuk Identifikasi Emosi Wicara. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 9(2), 180-189.
Haixiang, G., Yijing, L., Shang, J., Mingyun, G., Yuanyue, H., & Bing, G. 2017. Learning from class-imbalanced data: Review of methods and applications. Expert Systems with Applications, 73, 220-239.
Kasih, P. 2018. Voice Recognition untuk Sistem Keamanan PC Menggunakan Metode MFCC dan DTW. Generation Journal, Department Of Informastics Engineering, 2(1), 57-68.
Lina, Qolbiyatul. 2019. Apa itu Convolutional Neural network?. https://medium.com/@16611110/apa-itu-convolutional-neural-network-836f70b193a4 (diakses pada tanggal 6 Januari 2021).
Mahganna, S. 2020. OLIOREANG: Entitas Ritmis dan Melodi Mandar (Vol. 1). Gerbang Visual.
Nurarinda, T. A. P., Sahertian, J., & Mahdiyah, U. 2020. Rancangan Sistem Identifikasi Jenis Burung Kicau Berdasarkan Suara Burung dengan Mel Frequency Cepstrum Coefficiens (MFCC). In Seminar Nasional Inovasi Teknologi e-ISSN (Vol. 2549, No. 7952, p. 7952).
Nurhikmat, T. 2018. Implementasi Deep Learning Untuk Image Classification Menggunakan Algoritma Convolutional Neural network (CNN) Pada Citra Wayang Golek.
Putra PN, C. S. 2020. Deteksi Penyakit Tanaman Padi Dengan Menggunakan Convolutional Neural network (Doctoral dissertation, UPN Veteran Jawa Timur).
Sena, S. 2017. Pengenalan Deep Learning Part 7 Convolutional Neural network CNN. https://medium.com/@ samuelsena/pengenalan-deep-learning-part-7-convolutional-neural-network-cnn-b003b477dc94 (Diakses pada 12 April 2021).
Swedia, E. R., Mutiara, A. B., & Subali, M. 2018. Deep learning long-short term memory (LSTM) for Indonesian speech digit recognition using LPC and MFCC Feature. In 2018 Third International Conference on Informatics and Computing (ICIC) (pp. 1-5). IEEE.
Triwijoyo, B. K. 2019. Model Fast Tansfer Learning pada Jaringan Syaraf Tiruan Konvolusional untuk Klasifikasi Gender Berdasarkan Citra Wajah. MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, 18(2), 211-221.
Tomchuk, K. K. 2018. Spectral Masking in MFCC Calculation for Noisy Speech. In 2018 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF) (pp. 1-4). IEEE.

Downloads

Published

2021-06-01

How to Cite

Wairata, C. R., Swedia, E. R. and Cahyanti, M. (2021) “PENGKLASIFIKASIAN GENRE MUSIK INDONESIA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK”, Sebatik, 25(1), pp. 255–261. doi: 10.46984/sebatik.v25i1.1286.

Issue

Vol. 25 No. 1 (2021): Juni 2021

Section

Articles

License

 

Authors retain all their rights to the published works, such as (but not limited to) the following rights; Copyright and other proprietary rights relating to the article, such as patent rights, The right to use the substance of the article in own future works, including lectures and books, The right to reproduce the article for own purposes, The right to self-archive the article