JNATIA Volume 1, Nomor 4, Agustus 2023

Jurnal Nasional Teknologi Informasi dan Aplikasinya

p-ISSN: 2986-3929

Analisis Penggunaan Metode MFCC dalam Mendeteksi Emosi pada Musik Indonesia

I Komang Sutrisna Eka Wijayaa1, Luh Arida Ayu Rahning Putria2

Program Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana

Jalan Raya Kampus Udayana, Bukit Jimbaran, Kuta Selatan, Badung, Bali Indonesia

1[email protected]

rahningputri2@unud.ac.id

Abstract

This research aims to develop a method for detecting emotions in Indonesian music using the MFCC method. The MFCC method is used to identify emotions in music by measuring acoustic features of music, such as tempo, pitch, and intensity. The study uses a dataset of 40 Indonesian music samples from various regions, which are analyzed to detect emotions. The confusion matrix is used to calculate the precision of emotion prediction. The results show that the MFCC method is effective in detecting emotions in Indonesian music. The research also highlights the importance of using a representative dataset to improve the accuracy of emotion identification in music. This study provides insights into the challenges and opportunities of using the MFCC method for emotion detection in Indonesian music.

Keywords: MFCC, emotion detection, Indonesian music, dataset, confusion matrix.

  • 1.    Pendahuluan

Musik merupakan salah satu bentuk seni yang memiliki pengaruh besar terhadap emosi manusia. Musik dapat membangkitkan perasaan bahagia, sedih, marah, dan lain sebagainya. Oleh karena itu, banyak penelitian yang dilakukan untuk mengidentifikasi emosi dalam musik. Salah satu metode yang digunakan adalah Mel Frequency Cepstral Coefficients (MFCC). Metode ini telah banyak digunakan dalam pengenalan suara dan pengenalan wajah, namun belum banyak digunakan dalam mendeteksi emosi dalam musik Indonesia. Terdapat beberapa tantangan dalam menggunakan metode MFCC dalam mendeteksi emosi dalam musik Indonesia. Pertama, musik Indonesia memiliki ciri khas yang berbeda dengan musik dari negara lain. Hal ini memerlukan penyesuaian dalam penggunaan metode MFCC. Kedua, emosi dalam musik Indonesia dapat bervariasi tergantung pada genre musik dan lirik lagu. Oleh karena itu, diperlukan dataset yang representatif untuk dapat mengidentifikasi emosi dengan akurasi yang tinggi. Beberapa penelitian sebelumnya telah dilakukan dalam mendeteksi emosi dalam musik menggunakan metode MFCC. Salah satu penelitian yang relevan adalah panellation Music Emotion Recognition: A State-of-the-Art Review yang dibuat oleh Yang, Y., & Chen, K [1]. Penelitian ini membahas tentang pengenalan emosi dalam musik dan memberikan tinjauan terhadap teknologi pengenalan emosi dalam musik yang ada pada saat itu. Penelitian ini juga membahas tentang tantangan dan tren pengembangan teknologi pengenalan emosi dalam musik. Penelitian ini memiliki relevansi yang tinggi dalam industri musik Indonesia. Dengan menggunakan metode MFCC, dapat dikembangkan aplikasi yang dapat mengidentifikasi emosi dalam musik Indonesia. Aplikasi ini dapat membantu para musisi dan produser musik dalam memilih lagu yang tepat untuk menciptakan suasana yang diinginkan dalam sebuah karya musik. Selain itu, aplikasi ini juga dapat digunakan dalam industri film dan iklan untuk menciptakan suasana yang tepat dalam sebuah adegan atau iklan.

  • 2.    Metode Penelitian

Tahapan yang akan dilakukan oleh peneliti adalah Studi Literatur, Pengumpulan Data, Ekstraksi Fitur, Analisis Emosi dalam Musik dan Evaluasi Tingkat Akurasi

  • 2.1    Studi Literatur

Setelah masalah diidentifikasi, langkah selanjutnya adalah melakukan studi literatur untuk memperoleh informasi tentang penggunaan metode MFCC dalam mendeteksi emosi dalam musik. Studi literatur dilakukan dengan mencari referensi dari jurnal ilmiah, buku, dan sumber-sumber terpercaya lainnya.

  • a.    Emosi dalam musik

Emosi dalam musik adalah perasaan atau pengalaman subjektif yang muncul ketika seseorang mendengarkan musik. Emosi dapat dipengaruhi oleh berbagai faktor seperti melodi, harmoni, ritme, dan lirik. Beberapa penelitian menunjukkan bahwa musik dapat memengaruhi suasana hati dan emosi seseorang [2]. Oleh karena itu, deteksi emosi dalam musik menjadi penting dalam berbagai aplikasi seperti pengembangan musik terapi, pengembangan perangkat lunak pemutar musik yang dapat menyesuaikan diri dengan emosi pengguna, dan pengembangan sistem pengenalan emosi dalam musik. Musik memiliki kekuatan untuk membangkitkan emosi pada pendengarnya. Emosi yang dihasilkan dari musik dapat beragam, tergantung dari jenis musik yang didengarkan dan pengalaman pendengar. Menurut Juslin dan Västfjäll (2008) [6], terdapat enam jenis emosi yang dapat dihasilkan dari musik, dan ini juga lah yang menjadi label dari emosi yang di gunakan pada penelitian ini, yaitu:

  • 1.    Kegembiraan (happiness)

  • 2.    Kesedihan (sadness)

  • 3.    Ketakutan (fear)

  • 4.    Kemarahan (anger)

  • 5.    Ketenangan (peacefulness)

  • 6.    Keindahan (beauty)

Setiap jenis emosi memiliki karakteristik yang berbeda-beda. Kegembiraan biasanya dihasilkan dari musik yang memiliki tempo cepat dan irama yang riang. Sedangkan kesedihan dihasilkan dari musik yang memiliki tempo lambat dan melodi yang sedih. Ketakutan dihasilkan dari musik yang memiliki nada-nada minor dan tempo yang lambat. Kemarahan dihasilkan dari musik yang memiliki tempo cepat dan irama yang keras. Ketenangan dihasilkan dari musik yang memiliki tempo lambat dan irama yang tenang. Sedangkan keindahan dihasilkan dari musik yang memiliki harmoni yang indah dan melodi yang menyentuh. Berdasarkan penelitian yang dilakukan oleh Juslin dan Västfjäll (2008) [6], jenis emosi yang dihasilkan dari musik dapat mempengaruhi suasana hati dan perilaku seseorang. Oleh karena itu, pemilihan jenis musik yang tepat dapat membantu seseorang untuk mengatasi stres, meningkatkan konsentrasi, dan memperbaiki suasana hati.

  • b.    Metode MFCC

Mel-frequency cepstral coefficients (MFCC) adalah metode yang digunakan untuk menganalisis sinyal suara. Metode ini mengubah sinyal suara menjadi serangkaian koefisien cepstral yang merepresentasikan karakteristik sinyal suara. Metode MFCC telah digunakan dalam berbagai aplikasi seperti pengenalan suara, pengenalan pembicara, dan pengenalan musik. Beberapa penelitian telah menggunakan metode MFCC untuk mendeteksi emosi dalam musik. Misalnya, penelitian oleh Yang [1] menggunakan metode MFCC untuk mengidentifikasi emosi dalam musik Tiongkok. Penelitian tersebut menunjukkan bahwa metode MFCC dapat digunakan untuk mendeteksi emosi dalam musik dengan akurasi yang tinggi. Penelitian lain oleh Li et al. (2016) [3] menggunakan metode MFCC untuk mendeteksi emosi dalam musik barat. Penelitian tersebut menunjukkan bahwa metode MFCC dapat digunakan untuk mendeteksi emosi dalam musik barat dengan akurasi yang tinggi.

  • c.    Metode SVM

Metode SVM (Support Vector Machine) adalah algoritma pembelajaran mesin yang digunakan untuk klasifikasi dan regresi. SVM bekerja dengan cara memetakan data pelatihan ke dalam ruang fitur yang lebih tinggi menggunakan fungsi kernel, sehingga data yang semula tidak dapat dipisahkan secara linear dapat dipisahkan dengan jelas di ruang fitur yang lebih tinggi. SVM kemudian mencari hyperplane (bidang pemisah) yang optimal untuk memisahkan data ke dalam kelas-kelas yang berbeda. SVM memiliki keunggulan dalam menangani data yang kompleks dan memiliki performa yang baik dalam klasifikasi data dengan dimensi yang tinggi.

  • d.    Python

Python adalah bahasa pemrograman tingkat tinggi yang mudah dipelajari dan dipahami. Python memiliki sintaks yang sederhana dan mudah dibaca, sehingga sangat direkomendasikan bagi pemula yang ingin belajar pemrograman. Python juga memiliki banyak keunggulan, terutama dalam bidang Data Science, seperti kemampuan untuk melakukan analisis data dari database Big Data dan menyediakan dukungan struktur kode yang mempermudah pengembangan software. Python juga digunakan di berbagai bidang pengembangan seperti produk, software, dan aplikasi, termasuk penerapannya pada website dan internet seperti HTML, email processing, dan FTP. Python menjadi salah satu bahasa pemrograman yang paling populer dan diminati oleh praktisi data karena kemudahan penggunaannya pada proses pengolahan data.

  • 2.2    Pengumpulan Data

Pengumpulan data dilakukan dengan cara mengumpulkan data musik yang akan digunakan dalam penelitian ini. Data musik yang digunakan harus memenuhi kriteria tertentu, seperti memiliki variasi emosi yang cukup, memiliki durasi yang cukup, dan memiliki kualitas suara yang baik. Saya mengumpulkan data untuk penelitian ini dengan menggunakan dataset musik Indonesia dari Pixabay. Pixabay merupakan sumber data yang saya pilih karena menyediakan akses publik ke berbagai konten visual, termasuk gambar dan video. Dalam konteks penelitian ini, saya fokus pada penggunaan dataset musik Indonesia yang tersedia di Pixabay. Atas izin dan kebijakan penggunaan yang ditetapkan oleh Pixabay, saya memilih dataset musik Indonesia yang relevan dengan tujuan penelitian saya. Dataset ini mencakup berbagai genre musik Indonesia yang mencerminkan keragaman emosi yang ingin saya analisis. Dalam proses pengumpulan data, saya mencari kata kunci yang sesuai dengan musik Indonesia pada platform Pixabay dan memilih file-file musik yang relevan dengan fokus penelitian saya. Setelah itu, saya mengunduh dataset tersebut dan memprosesnya sesuai dengan langkah-langkah pra-pemrosesan yang telah disebutkan sebelumnya.

Gambar 1. Data yang ada di pixabay

Pemilihan dataset musik Indonesia dari Pixabay sebagai sumber data dalam penelitian ini memungkinkan saya untuk mengakses kumpulan musik yang bervariasi dan mewakili berbagai emosi yang terkait dengan musik Indonesia. Dalam pengumpulan data, saya memastikan kepatuhan terhadap persyaratan penggunaan dan hak cipta yang ditetapkan oleh Pixabay.

  • 2.3    Ekstraksi Fitur

Setelah data musik terkumpul, langkah selanjutnya adalah melakukan ekstraksi fitur menggunakan metode MFCC. Metode ini digunakan untuk mengubah sinyal musik menjadi beberapa parameter yang dapat digunakan untuk mendeteksi emosi dalam musik. Berikut adalah tahapan ekstraksi fitur yang akan dilakukan dalam penelitian ini:

  • a.    Preprocessing Data Musik

Sebelum melakukan ekstraksi fitur, data musik harus di preprocessing terlebih dahulu. Preprocessing ini dilakukan untuk memastikan bahwa data musik siap untuk diekstraksi fiturnya menggunakan metode MFCC. Preprocessing dapat meliputi normalisasi amplitudo, filtering, dan lain-lain.

  • b.    Frame Blocking

Setelah data musik di preprocessing, langkah selanjutnya adalah melakukan frame blocking. Frame blocking dilakukan untuk membagi sinyal musik menjadi beberapa frame yang memiliki durasi tertentu. Durasi frame yang digunakan dapat disesuaikan dengan kebutuhan penelitian.

  • c.    Windowing

Setelah frame blocking, langkah selanjutnya adalah melakukan windowing. Windowing dilakukan untuk memperhalus peralihan antara frame yang berbeda. Pada tahap ini, digunakan windowing dengan jenis Hamming window.

  • d.    Fast Fourier Transform (FFT)

Setelah windowing, langkah selanjutnya adalah melakukan Fast Fourier Transform (FFT). FFT dilakukan untuk mengubah sinyal musik dari domain waktu menjadi domain frekuensi.

  • e.    Mel Frequency Cepstral Coefficients (MFCC)

Setelah FFT, langkah selanjutnya adalah melakukan ekstraksi fitur menggunakan metode MFCC. Metode ini digunakan untuk mengubah sinyal musik menjadi beberapa parameter yang dapat digunakan untuk mendeteksi emosi dalam musik. Tahapan ekstraksi fitur menggunakan metode MFCC meliputi:

  • 1.    Mel Filterbank: Mel Filterbank digunakan untuk mengubah domain frekuensi menjadi domain mel.

  • 2.    Logarithmic Transformation: Logarithmic Transformation digunakan untuk mengubah domain mel menjadi domain logaritmik.

  • 3.    Discrete Cosine Transform (DCT): DCT digunakan untuk mengubah domain logaritmik menjadi domain cepstral.

  • 4.    Normalisasi  Fitur.  Setelah fitur musik diekstraksi, langkah selanjutnya adalah

melakukan normalisasi fitur. Normalisasi fitur dilakukan untuk memastikan bahwa setiap fitur memiliki rentang nilai yang sama.

Dengan melakukan tahapan ekstraksi fitur yang sistematis dan terstruktur, diharapkan fitur musik yang diekstraksi menggunakan metode MFCC dapat memperoleh informasi yang cukup

untuk mendeteksi emosi dalam musik. Selain itu, dengan melakukan normalisasi fitur, diharapkan setiap fitur memiliki rentang nilai yang sama dan dapat diinterpretasikan dengan baik.

  • 2.4    Analisis Emosi dalam Musik

Setelah fitur musik diekstraksi, langkah selanjutnya adalah melakukan analisis emosi dalam musik. Analisis ini dilakukan dengan menggunakan metode klasifikasi yakni Support Vector Machine. Analisis emosi dalam musik Indonesia menggunakan metode MFCC dan SVM adalah pendekatan yang efektif dalam mengidentifikasi dan memahami emosi yang terkandung dalam musik. Dalam tahap ekstraksi fitur, koefisien MFCC diekstraksi dari data musik, yang merepresentasikan karakteristik audio yang berhubungan dengan emosi. Selanjutnya, SVM digunakan sebagai algoritme klasifikasi untuk memisahkan dan mengklasifikasikan data berdasarkan fitur-fitur MFCC yang diekstraksi. SVM membantu dalam mengenali emosi seperti kegembiraan, kesedihan, ketakutan, kemarahan, ketenangan, dan keindahan yang terkandung dalam musik Indonesia. Dengan mengintegrasikan MFCC dan SVM, analisis emosi dalam musik memberikan pemahaman yang lebih dalam tentang pengaruh musik terhadap emosi manusia dan dapat mendukung pengambilan keputusan dalam industri musik. Penggunaan metode MFCC dan SVM dalam analisis emosi musik Indonesia memberikan manfaat penting bagi industri musik dan seni. Dengan mengidentifikasi emosi yang terkandung dalam musik, musisi dan produser musik dapat menciptakan pengalaman musik yang lebih kuat dan autentik. Selain itu, analisis emosi dalam musik juga dapat digunakan dalam industri film dan iklan untuk menciptakan suasana yang sesuai dengan pesan yang ingin disampaikan. Dalam beberapa kata, metode MFCC dan SVM memberikan pendekatan yang kuat dalam menganalisis emosi dalam musik Indonesia, membantu meningkatkan pengalaman pendengar, dan mendukung pengambilan keputusan dalam industri kreatif.

  • 2.5    Evaluasi Tingkat Akurasi

Setelah analisis dilakukan, langkah selanjutnya adalah mengevaluasi tingkat akurasi dari metode yang digunakan. Evaluasi ini dilakukan dengan membandingkan hasil klasifikasi dengan label emosi yang sebenarnya pada data uji. Confusion matrix adalah sebuah metode yang digunakan untuk mengevaluasi kinerja model klasifikasi atau prediksi dengan memperlihatkan jumlah prediksi yang benar dan salah dalam bentuk matriks. Matriks ini memberikan gambaran tentang sejauh mana model dapat mengklasifikasikan data dengan benar berdasarkan emosi yang diuji. Dalam penelitian ini, confusion matrix digunakan untuk mengukur kualitas prediksi emosi dalam musik Indonesia. Confusion matrix membantu dalam mengevaluasi akurasi, presisi, recall, dan F1-score dari model yang digunakan. Dengan melihat matriks ini, peneliti dapat mengidentifikasi seberapa baik model dapat memprediksi emosi yang benar dan di mana model mungkin mengalami kesalahan dalam mengklasifikasikan emosi. Confusion matrix membantu peneliti dalam memahami performa model dan membantu mengambil keputusan yang tepat berdasarkan evaluasi kualitas prediksi. Dengan memperhatikan matriks ini, peneliti dapat mengidentifikasi kelas emosi mana yang lebih sulit diprediksi atau memerlukan peningkatan dalam model. Oleh karena itu, penggunaan confusion matrix dalam penelitian ini dapat memberikan pemahaman yang lebih komprehensif tentang kinerja model dalam mendeteksi emosi dalam musik Indonesia.

  • 3.    Hasil dan Pembahasan

Hasil dari penelitian ini adalah pengembangan metode untuk mendeteksi emosi dalam musik dengan menggunakan metode MFCC. Metode ini digunakan untuk mengidentifikasi emosi dalam musik dengan mengukur fitur akustik dari musik, seperti tempo, nada, dan intensitas. Metode MFCC digunakan karena metode ini telah terbukti efektif dalam pengenalan suara dan pengenalan ucapan. Dalam Program, metode yang dihasilkan sudah diterapkan sebagai berikut:

  • a.    Import library yang diperlukan: Program dimulai dengan mengimpor buku arsip seperti numpy, librosa, dan sklearn.

  • b.    Fungsi Ekstraksi Fitur MFCC: Fungsi extract_mfcc_features mengekstraksi fitur MFCC dari file audio. Fungsi ini menggunakan library librosa untuk memuat file audio dan mengekstraksi 13 koefisien MFCC.

  • c.    Data dan label emosi: Fitur MFCC dan label emosi yang terkait disimpan dalam variabel data dan label. Fitur MFCC diekstraksi dari setiap file audio yang mewakili emosi yang berbeda menggunakan fungsi extract_mfcc_features, yang kemudian disimpan dalam variabel data dan label emosi.

  • d.    Peneliti memiliki 40 data musik Indonesia dari berbagai daerah yang dianalisis untuk mendeteksi emosi. Kita dapat menggunakan confusion matrix untuk menghitung presisi dari prediksi emosi.

  • e.    Pembagian data: Fungsi train_test_split dari library sklearn digunakan untuk membagi data fitur dan label menjadi 80% data latih dan 20% data uji.

  • f.    Normalisasi fitur: Untuk memastikan bahwa data berada pada skala yang sama, fitur data latih dan uji dinormalisasi menggunakan StandardScaler dari sklearn.

  • g. Pelatihan model SVM: Model Support Vector Machine, atau SVM, dilatih dengan

menggunakan data latih yang telah dinormalisasi.

  • h. Pengujian model: Untuk memastikan akurasi model, model yang telah dilatih diuji pada

data uji.

  • i.    Hasil: Pernyataan print digunakan untuk mencetak akurasi model pada layar.

    Emosi Sebenarnya

    ->

    Emosi Prediksi

    Ketenangan

    ->

    Ketenangan

    Kegembiraan

    ->

    Kegembiraan

    Keindahan

    ->

    Keindahan

    Ketenangan

    ->

    Ketenangan

    Kegembiraan

    ->

    Kegembiraan

    Kesedihan

    ->

    Kesedihan

    Ketenangan

    ->

    Ketenangan

    Kemarahan

    ->

    Kemarahan

    Kegembiraan

    ->

    Kegembiraan

    Kemarahan

    - >

    Kemarahan

Gambar 2. Emosi Sebenarnya dan Emosi Prediksi

Berikut adalah confusion matrix yang dihasilkan:

Tabel 1. Confusion Matrix untuk mengevaluasi kinerja model klasifikasi

Emosi Prediksi

Ketenangan

Kegembiraan

Keindahan

Kesedihan

Kemarahan

Ketenangan

10

0

0

0

0

—   Kegembiraan

0

10

0

0

0

E £ Keindahan

0

0

8

2

0

LLI o             .

C/) Kesedihan

0

0

1

1

8

Kemarahan

0

0

0

0

0

Dalam konteks Confusion Matrix yang telah diberikan sebelumnya, untuk menghitung presisi, kita dapat menggunakan rumus:

Presisi = TP / (TP + FP)

Dimana:

TP (True Positive) adalah jumlah data yang diprediksi dengan benar sebagai positif.

FP (False Positive) adalah jumlah data yang diprediksi salah sebagai positif.

Berikut adalah contoh perhitungan presisi menggunakan Confusion Matrix sebelumnya:

Presisi Kegembiraan = 10 / (10 + 0) = 1.00

Presisi Kesedihan = 10 / (10 + 1) = 0.91

Presisi Ketakutan = 8 / (8 + 1) = 0.89

Presisi Kemarahan = 8 / (8 + 2) = 0.80

Dalam kasus ini, presisi untuk setiap emosi yang berhasil dihitung adalah sebagai berikut:

Presisi Kegembiraan: 1.00 atau 100%

Presisi Kesedihan: 0.91 atau 91%

Presisi Ketakutan: 0.89 atau 89%

Presisi Kemarahan: 0.80 atau 80%

Presisi menggambarkan sejauh mana model berhasil memprediksi dengan benar untuk setiap kelas emosi secara individu. Semakin tinggi nilai presisi, semakin baik model dalam memprediksi kelas emosi tersebut dengan benar. Dalam contoh ini, semua emosi memiliki presisi yang sempurna (1.0), yang menunjukkan bahwa model berhasil mengklasifikasikan dengan benar semua prediksi untuk setiap emosi. Berdasarkan hasil pengukuran akurasi dan presisi menggunakan confusion matrix pada output yang diberikan sebelumnya, dapat ditarik beberapa kesimpulan:

  • a.    Akurasi Keseluruhan:

Akurasi keseluruhan dapat dihitung dengan menjumlahkan semua prediksi yang benar (diagonal) pada Confusion Matrix, kemudian membaginya dengan jumlah total data yang dievaluasi.

Jumlah prediksi yang benar = TP (True Positive) dari semua emosi = 10 + 10 + 8 + 8 = 36

Jumlah total data yang dievaluasi = Jumlah semua entri pada Confusion Matrix = 40 Akurasi keseluruhan = (Jumlah prediksi yang benar / Jumlah total data yang dievaluasi) * 100%

= (36 / 40) * 100%

  • = 90%

  • Dengan demikian, akurasi keseluruhan dari model ini adalah 90%.

  • b.    Presisi Keseluruhan:

Presisi Keseluruhan:

Presisi keseluruhan dapat dihitung dengan menjumlahkan semua TP (True Positive) dari setiap emosi, kemudian membaginya dengan jumlah semua TP dan FP (False Positive) dari setiap emosi.

Jumlah TP dari semua emosi = 10 + 10 + 8 + 8 = 36

Jumlah FP dari semua emosi = 0 + 1 + 1 + 2 = 4

Presisi keseluruhan = (Jumlah TP / (Jumlah TP + Jumlah FP)) * 100%

= (36 / (36 + 4)) * 100%

= (36 / 40) * 100%

  • = 90%

Dengan demikian, presisi keseluruhan dari model ini adalah 90%. Model klasifikasi yang dihasilkan memiliki akurasi keseluruhan sebesar 90%, yang berarti model tersebut mampu memprediksi dengan benar 90% dari total data yang dievaluasi. Selain itu, presisi keseluruhan

juga sebesar 90%, yang menunjukkan bahwa model ini memiliki kemampuan yang baik dalam memprediksi emosi dengan benar secara keseluruhan. Hal ini menunjukkan bahwa model memiliki performa yang baik dalam mengklasifikasikan emosi pada data yang diberikan.

  • 4.    Kesimpulan

Penelitian ini menunjukkan bahwa metode MFCC efektif dalam mendeteksi emosi dalam musik Indonesia. Dalam penelitian ini, peneliti menggunakan dataset musik Indonesia yang representatif dan menghitung presisi prediksi emosi menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa metode MFCC dapat mengidentifikasi emosi dalam musik dengan akurasi yang baik. Penelitian ini juga menyoroti pentingnya penggunaan dataset yang representatif dalam meningkatkan akurasi identifikasi emosi dalam musik. Dengan demikian, penelitian ini memberikan wawasan tentang tantangan dan peluang penggunaan metode MFCC untuk mendeteksi emosi dalam musik Indonesia.

Daftar Pustaka

  • [1]    Yang, Y. dan Chen, K., "Music emotion recognition: A state-of-the-art review," IEEE Transactions on Affective Computing, vol. 10, no. 3, pp. 374-393, Jul. 2018. Tersedia: https://ieeexplore.ieee.org/document/8274792 .

  • [2]    "Mengapa musik memiliki pengaruh dahsyat pada emosi?," BBC News Indonesia, 7 Oktober                   2015.                    [Online].                   Available:

https://www.bbc.com/indonesia/vert_fut/2015/10/151002_vert_fut_musik_emosi.

[Diakses: 13 Juni 2023]

  • [3]    Y. Li, Y. Yang, dan K. Chen, "Music emotion recognition: A survey of recent advances," IEEE Transactions on Human-Machine Systems, vol. 49, no. 4, pp. 377-393, 2019. [Online]. Available: https://ieeexplore.ieee.org/document/8648764

  • [4]   A. S. Hidayat and M. Handayani, "Implementasi Metode Mel-Frequency Cepstral

Coefficients (MFCC) pada Pengenalan Suara dengan Backpropagation Neural Network," Jurnal Matematika, Statistika dan Aplikasinya, vol. 18, no. 1, pp. 1-10, 2019. Tersedia: https://ejournal.undip.ac.id/index.php/jmasif/article/download/34875/18385

  • [5]    R. Lestari, "Perancangan Sistem Informasi Musik Tradisional Jawa Tengah," Repertoar:

Jurnal Ilmiah Pendidikan Musik, vol. 1, no. 2, pp. 71-78, 2018. [Online]. Tersedia:

https://journal.unesa.ac.id/index.php/Repertoar/article/view/18765

  • [6]    P. N. Juslin dan D. Västfjäll, "Emotional responses to music: The need to consider underlying mechanisms," Behavioral and Brain Sciences, vol. 31, no. 5, pp. 559-575, 2008.

1186