rancang bangun aplikasi musicmoo dengan metode mir (music information retrieval) pada modul mood, genre recognition, dan tempo estimation

Clicks: 239
ID: 213752
2017
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Emerging

Ranked #41 of 239 articles by views in Oncogene

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 239 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Saat ini,metode pemanggilan kembali informasi suatu musik atau yang sering disebut Music Information Retrieval (MIR) telah banyak diterapkan. Contohnya adalah pada suatu aplikasi Shazam ataupun Soundhound. Tetapi kedua aplikasi ini hanya menangani sebatas lagu apakah yang terkait ketika diperdengarkan. Untuk itu, tujuan penelitian ini adalah pengembangan lebih lanjut MIR yang lebih spesifik lagi, yaitu melakukan pemanggilan informasi lagu yang terkait kembali beserta detail lagu di antaranya adalah mood, genre, dan tempo lagu. Penelitian ini memakai ekstraksi fitur berbasis MPEG-7 yang oleh library Java bernama MPEG7AudioEnc. Hasil ekstraksi fiur ini berupa metadata yang terkandung fitur-fitur dalam bentuk angka digital yang merepresentasikan karakteristik suatu sinyal. Lalu melakukan pengambilan suatu fitur sesuai dengan masing-masing dengan metode Xquery yang diimplementasikan oleh library Java bernama BaseX. Fitur yang diambil akan diproses dengan melakukan Discrete Wavelet Transform (DWT) beserta level dekomposisi terbaik oleh library Python bernama Pywt. Setelah fitur-fitur dilakukan DWT, maka dilakukan penggabungan fitur pada suatu list beserta penyamaan panjang fitur untuk proses klasifikasi. Tahap terakhir adalah melakukan klasifikasi dengan menggunakan Support Vector Machine (SVM). Terdiri dari 2 tahap yaitu tahap training dan prediksi. Hasil akurasi keberhasilan pada penelitian ini untuk modul mood 75%, genre 87,5% dan tempo 80%.
Reference Key
ridoean2017jurnalrancang Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors ;Johanes Andre Ridoean;Riyanarto Sarno;Dwi Sunaryono
Journal Oncogene
Year 2017
DOI
DOI not found
URL
http://ejurnal.its.ac.id/index.php/teknik/article/view/22260
Keywords
civil engineering (general)

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.