@phdthesis{universitasamikomyogyakarta33053,
          author = {Siwan Yesarela Harefa},
            year = {2026},
           title = {KLASIFIKASI MOOD MUSIK BERBASIS SUARA
MENGGUNAKAN ALGORITMA CONVOLUTIONAL
NEURAL NETWORK (CNN)},
           month = {May},
          school = {Universitas AMIKOM Yogyakarta},
        abstract = {Musik merupakan media ekspresi yang memiliki kemampuan luar biasa
dalam menyampaikan emosi dan memengaruhi suasana hati pendengarnya. Namun,
klasifikasi mood musik secara otomatis menghadapi tantangan yang signifikan
karena sifat audio yang kompleks, multidimensional, dan subjektif. Sistem
klasifikasi manual yang mengandalkan penilaian manusia dinilai tidak efisien dan
tidak skalabel untuk mengelola koleksi musik dalam jumlah besar, seperti pada
platform streaming modern. Ketidakmampuan sistem otomatis untuk mengenali
nuansa emosional dalam musik berdampak pada pengalaman pengguna yang
kurang personal, rekomendasi lagu yang tidak akurat, serta keterbatasan dalam
pengembangan aplikasi berbasis konteks emosional seperti terapi musik, kurasi
playlist adaptif, dan sistem rekomendasi cerdas.
Penelitian ini mengembangkan sistem klasifikasi mood musik berbasis
sinyal suara menggunakan algoritma Convolutional Neural Network (CNN) untuk
lima kelas mood, yaitu aggressive, dramatic, romantic, sad, dan happy. Dataset
yang digunakan adalah "Music Classification" dari Kaggle, terdiri dari 10.133
sampel audio berformat WAV dengan durasi 10 detik dan sampling rate 22.050 Hz.
Fitur audio diekstraksi melalui empat channel, yakni MFCC, Delta MFCC, DeltaDelta
MFCC,
dan
Mel-Spectrogram,
yang
kemudian
digabungkan
menjadi
tensor

berukuran
(40

{$\times$} 130 {$\times$} 4) sebagai input model. Arsitektur CNN yang dirancang
terdiri dari empat blok konvolusi, Batch Normalization, GlobalAveragePooling2D,
serta dua lapisan fully connected yang dilengkapi regularisasi dropout dan L2. Guna
menangani ketidakseimbangan kelas dalam dataset, diterapkan balanced class
weight selama proses pelatihan model.
Model terbaik yang dihasilkan mencapai akurasi sebesar 79,93\% dan
precision 80,88\% pada data uji, menunjukkan kemampuan generalisasi yang baik
terhadap data yang belum pernah dilihat sebelumnya. Penerapan balanced class
weight terbukti berkontribusi signifikan dalam meningkatkan performa model
secara keseluruhan. Sistem kemudian di-deploy menggunakan framework Flask
sebagai REST API dengan antarmuka web interaktif, sehingga memungkinkan
prediksi mood musik secara langsung dan mudah diakses. Hasil penelitian ini dapat
dimanfaatkan oleh pengembang aplikasi musik, platform streaming, peneliti di
bidang Music Information Retrieval (MIR), serta praktisi terapi musik berbasis
teknologi. Untuk penelitian lebih lanjut, disarankan eksplorasi arsitektur yang lebih
dalam seperti ResNet atau penggunaan model transformer berbasis audio seperti
AST (Audio Spectrogram Transformer), perluasan kelas mood, serta pemanfaatan
teknik augmentasi data audio guna meningkatkan akurasi dan ketahanan model
pada kondisi audio dunia nyata yang lebih beragam.},
        keywords = {Klasifikasi Mood Musik, MFCC, Mel-Spectrogram, Convolutional
Neural Network, Class Weight, Music Mood Classification.},
             url = {https://eprints.amikom.ac.id/id/eprint/33053/}
}