KLASIFIKASI MOOD MUSIK BERBASIS SUARA MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN)Siwan YesarelaHarefaauthorMusik 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 × 130 × 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.000 Ilmu komputer, informasi dan pekerjaan umum2026-05-22Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis