Implementasi Algoritma K-Nearest Neighbor pada Perangkat Lunak Pengelompokan Musik untuk Menentukan Suasana Hati
Abstract
Musik erat kaitannya dengan psikologi manusia, kenyataan ini mengindikasikan bahwa musik dapat terkait dengan emosi dan mood/ suasana hati tertentu pada manusia. Setiap musik yang telah tercipta memiliki mood tersendiri yang terpancar, maka dari itu telah banyak penelitian dalam bidang Music Information Retrieval (MIR) yang telah dilakukan untuk pengenalan mood terhadap musik. Penelitian ini menghasilkan sebuah perangkat lunak untuk mengelompokan musik terhadap suasana hati dengan menggunakan algoritma K-Nearest Neighbor. Sistem menerima masukan data berupa file musik format mono *.wav, yang selanjutnya melakukan proses pengelompokan terhadap musik dengan mengggunakan klasifikasi K-NN. Sistem menghasilkan keluaran berupa label jenis mood yaitu, contentment/ kepuasan, exuberance/ gembira, depression/ depresi dan anxious/ cemas; kalut. Secara umum hasil akurasi sistem dengan menggunakan algoritma klasifikasi K-NN cukup baik yaitu 86,55% pada nilai k = 3, serta waktu pemrosesan klasifikasi rata-rata 0,01021 detik per-file musik.
Downloads
References
[2] Song, Y.et al. 2012. Evaluation of Musical Features for Emotion Classification. Proceedings of the 13th International Society for Music Information Retrieval Conference. Porto, Portugal.
[3] Thayer. 1989. The biopsychology of mood and arousal. Oxford University Press.
[4] Vallabha Hampiholi. 2012. A method for Music Classification based on Perceived Mood Detection for Indian Bollywood Music. World Academy of Science, Engineering And Technology Vol : 6.
[5] Braja Gopal Patra, Dipankar Das. 2013. Automatic Music Mood Classification of Hindi Songs. Proceedings of the 3rd Workshop on Sentiment Analysis where AI meets Psychology (SAAIP) IJCNLP pages 24–28, Nagoya, Japan.
[6] Mudiana Binti Mokhsim, et al. 2014. Automatic Music Emotion Classification Using Artificial Neural Network Based on Vocal and Instrumental Sound Timbre. Journal of Computer Science 10(12) : 2584-2592.
[7] Kadek Cahya Dewi, Luh Arida Ayu Rahning Putri. 2011. Music Mood Player Implementation Applied In Daycare Using Self Organizing Map Method. Jurnal Buana Informatika, Vol 2, Nomor 2, pages : 63-72.
[8] Setiawan, Arif. 2009. Analisis Klasifikasi Suara Berdasarkan Gender dengan Format WAV Menggunakan Algoritma K-Means. Lembaga Penelitian Universitas Muria Kudus.
[9] Vyas, Garima, dan Kishore Dutta, Malay. 2014. Automatic Mood Detection of Indian Music Using MFCCs and K-Means Algorithm. Seventh International Conference Contemporary Computing (IC3).
[10] Fu, Z., Lu, G., Ting, K.M., and Zhang, D. 2011. A Survey of Audio-Based Music Classification and Annotation. IEEE Transactions on Multimedia. Vol 13 No. 2 Pages 303-318.
[11] Chai, W. 2005. Automated Analysis of Musical Structure. Master of Science in Media Arts and Sciences. Massachusetts Institute of Technology.
[12] Kleinginna, P. R., & Kleinginna, A. M. 1981. A categorized list of emotion definitions, with a suggestion for a consensual definition Motivation and Emotion.
[13] Audio Network - Quality Production Music for TV, Film, Video & Advertising. (n.d.). Diakses pada 10 Juni 2015, dari http://www.audionetwork.com/
[14] Reonaldo Y. S. 2014. Simulasi Sistem Pengacak Sinyal dengan Metode FFT (Fast Fourier Transform). E-Journal Teknok Elektro dan Komputer, ISSN 2301-8402.
[15] Ricky Aurelius N.D., IKG Darma Putra, NMAE Dewi W. 2014. Majalah Ilmiah Teknologi Elektro. Vol. 13 No. 2, pages : 36-39.
[16] Lerch, Alexander. 2012. An introduction to Audio Content Analysis – Applications in Signal Processing and Music Informatics. IEEE Press.
[17] Prasetyo, Eko. 2012. Data Mining : Konsep dan APlikasi Menggunakan Matlab. Yogyakarta : ANDI.
Keywords
This work is licensed under a Creative Commons Attribution 4.0 International License
