Klasifikasi Mood Musik Menggunakan Support Vector Machine Berdasarkan Fitur Spektral

Abstract

Klasifikasi musik merupakan salah satu topik MIR (Music Information Retrieval) yang berkembang pesat. Berbagai aspek musik telah menjadi topik penelitian seputar klasifikasi musik mulai dari genre, instrumen, hingga mood. Salah satu teori taksonomi mood musik yang cukup terkenal adalah circumplex model yang memetekan mood musik berdasarkan tingkat arousal dan valence .Arousal untuk tingkat intensitas dari mood tersebut. Sedangkan valence untuk kondisi emosional positif atau negatifnya suatu musik. Penelitian mengklasifikasikan 4 kelas kuadran mood musik berdasarkan circumplex model menggunakan model pembelajaran mesin SVM (Support Vector Machine). Penelitian menggunakan jenis fitur spektral yang merupakan distribusi fitur musik pada domain frekuensi untuk mengklasifikasikan 4 kelas kuadran musik. Klasifikasi dilakukan dengan beberapa pendekatan berbeda seperti mengklasifiksikan 4 kelas secara langsung serta kombinasi model arousal dan valence terpisah. Hal ini dilakukan untuk menilai performa fitur spektral dalam klasifikasi mood musik berdasarkan 4 kelas kuadran dan melihat apakah ada kecenderungan fitur spektral lebih cocok dalam klasifikasi arousal atau valence. Penelitian juga mengujicobakan beberapa tahap lain seperti tuning parameter SVM dan mengaplikasikan seleksi fitur hingga reduksi dimensi fitur. Hasil penelitian diperoleh model SVM dengan akurasi terbaik untuk pendekatan klasifiksai 4 kelas yang memperoleh akurasi sebesar 66,67%. Hasil terbaik diperoleh setelah mengaplikasikan seleksi fitur dan reduksi dimensi fitur. Selain itu hasil menunjukkan bahwa fitur spektral cenderung mampu mengklasifikasikan arousal lebih baik dibandingkan valence dalam konteks circumplex model untuk mood musik.