ABSTRAK Cornelia Riasdita Valentina
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
COVER Cornelia Riasdita Valentina
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 1 Cornelia Riasdita Valentina
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 2 Cornelia Riasdita Valentina
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 3 Cornelia Riasdita Valentina
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 4 Cornelia Riasdita Valentina
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 5 Cornelia Riasdita Valentina
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
PUSTAKA Cornelia Riasdita Valentina
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Dalam penelitian tugas akhir ini, akan dibahas klasifikasi melodi musik populer
berdasarkan tingkat kenikmatannya dengan menggunakan ANN backpropagation. Melodi
yang diklasifikasi dibatasi hanya berasal dari bagian vokal pada musik populer. Bagian dari
melodi yang dimasukkan ke dalam dataset hanya bagian yang berhubungan dengan pitch dan
durasi. Klasifikasi dilakukan berdasarkan tiga kategori kenikmatan lagu, yaitu enak, biasa saja,
dan tidak enak. Melodi yang digunakan sebagai data training beserta penilaian kenikmatannya
diperoleh melalui kuesioner daring. Setelah pengumpulan data, data melodi ditranskripsi ke
dalam bentuk partitur dan ditransposisi agar seluruhnya berada pada tangga nada C. Kemudian,
Setiap data melodi di-encode menjadi bentuk yang bisa diolah ANN. Format encoding setiap
melodi dibagi menjadi informasi umum lagu dan informasi per not. Informasi umum lagu berisi
parameter tempo, time signature, dan anakrus. Informasi per not terdiri dari pitch not,
accidental not, letak oktaf not, dan durasi not. Dalam penelitian ini, digunakan Toolkit Deep
Learning dari aplikasi MATLAB sebagai ANN backpropagation yang akan dilatih. Loss
function yang digunakan adalah mean squared error (MSE). Algoritma backpropagation yang
digunakan adalah traingdx, yaitu gradient descent dengan momentum dan learning rate adaptif.
Arsitektur dari network yang dilatih memiliki neuron input sebanyak 280, sebuah hidden layer
dengan jumlah neuron 7, dan sebuah neuron output. Setelah proses training network selesai,
dilakukan pengujian kecocokan penilaian. Melodi yang digunakan dalam pengujian adalah
melodi baru yang belum pernah didengar responden dan network. Hasil penilaian dari melodi
uji tersebut diperoleh melalui kuesioner kedua dan setiap melodi uji hanya dinilai oleh seorang
responden. Dari hasil training, diperoleh tingkat kecocokan tertinggi sebanyak 48%. Hasil
yang cukup rendah tersebut menandakan ketidakcocokan format encoding per not dalam
klasifikasi melodi dan kurangnya jumlah dataset.