Detail Cantuman

Musik telah menjadi bagian penting dalam kehidupan banyak orang karena manfaatnya dalam memberikan relaksasi dan hiburan. Informasi mengenai genre musik yang sedang didengarkan sering kali dibutuhkan, terutama untuk memahami karakteristik musik yang dikonsumsi. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan genre musik dengan menerapkan metode pembelajaran mesin yang dapat mengenali pola dari setiap genre. Dalam penelitian ini, digunakan metode VGGish dengan pendekatan data augmentasi untuk meningkatkan akurasi dan mengurangi overfitting dalam klasifikasi genre musik. Proses ekstraksi fitur dilakukan untuk mendapatkan representasi musik yang optimal sebelum data diolah menggunakan model berbasis Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari berbagai genre musik yang kemudian diproses melalui tahapan pembersihan data, normalisasi, tokenisasi, dan penghapusan noise. Model dilatih menggunakan optimizer Adam dengan learning rate 2e-5 dan dievaluasi berdasarkan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penggunaan augmentasi data secara signifikan meningkatkan akurasi validasi model dari 10,4% menjadi 91,42%, sekaligus mengurangi overfitting dari 0.893330 menjadi 0.078211. Dengan demikian, metode VGGish dengan augmentasi data terbukti efektif dalam meningkatkan performa klasifikasi genre musik dan memiliki potensi implementasi dalam sistem rekomendasi musik serta analisis tren industri musik.