5 BAB II LANDASAN TEORI
2.1 Emosi Musik 2.1.1 Emosi
Emosi merupakan suatu keadaan organisme merasakan senang atau cemas, yang ditandai dengan adanya perasaan yang kuat, dan biasanya dorongan menuju bentuk nyata dari suatu tingkah laku [6]. Emosi dibagi menjadi dua macam, yaitu emosi positif dan negatif. Pengelompokan emosi kedalam dua macam tersebut menghasilkan keadaan suasana hati [7]. Emosi positif terdiri dari senang, cinta, lucu dan nyaman. Sedangkan emosi negatif terdiri dari sedih, marah, cemas dan tidak nyaman. Berdasarkan pengertian tersebut, disimpulkan bahwa emosi salah satu hal yang digunakan saat berinteraksi dengan meliputi unsur suasana hati.
2.1.2 Model Emosi
Musik dapat mengekspresikan emosi, pengekspresian emosi dalam musik berdasarkan dari lirik lagu dan komponen suara dari musik tersebut. Musik merupakan ekspresi seseorang terhadap kondisi atau pengalaman yang dituliskan dalam bentuk kata-kata dan melodi untuk menciptakan ketertarikan dari syair yang dibuat oleh penciptanya. Pembentukan kata-kata pada lirik lagu ini dapat berupa permainan vokal, gaya bahasa yang diperkuat dengan menggunakan melodi [8]. Untuk mengelompokan lagu berdasarkan emosi dibutuhkan model yang digunakan dalam memetakan ruang emosi menjadi nilai matematika yang dapat diukur ,sehingga setiap lagu dapat dikelompokan berdasarkan emosinya. Terdapat banyak macam model emosi lagu yang dikembangkan, salah satunya ialah model Thayer . Model ini mengusulkan sebuah model emosi dengan dua dimensi. Model ini menggunakan teori bahwa emosi disebabkan dua faktor, yaitu berdasarkan tekanan atau stres dan Energi [9], [10]. Pemodelan emosi ini dapat dilihat pada gambar dibawah ini.
6
Gambar 2. 1 Model Emosi Thayer
. Di mana tekanan yang dimaksud adalah perasaan senang atau cemas dan energi yang dimaksud tenang atau energik. Dalam model ini terdapat empat kelompok emosi lagu yaitu Kepuasan (contentment), depresi (depression), gembira (exuberance), dan cemas (anxious). Pada gambar model emosi thayer, musik yang lebih energik dan lebih relaks dikelompokan ke dalam emosi senang atau gembira (exuberance), musik yang lebih energik dan lebih stres dikelompokan ke dalam emosi cemas (anxious), musik yang kurang energik dan lebih stres dikelompokan ke dalam emosi depresi (depression), sedangkan musik yang kurang energik dan lebih rileks dikelompokan ke dalam emosi kepuasan (contentment).
2.2 Emosi pada Audio Feature
Lagu dibentuk berdasarkan fitur struktural. fitur struktural pada lagu dibagi menjadi dua, yaitu fitur segmental dan fitur suprasegmental. Fitur segmental terdiri dari karakteristik akustik yang membangun struktur musik seperti suara individu atau suara yang dihasilkan dari suara nyanyian atau juga berasal dari alat musik tertentu. Sedangkan, fitur suprasegmental terdiri dari perubahan konfigurasi sistematis di dalam urutan suara selama durasi lagu, seperti intonasi, tempo, melodi, ritme, harmoni dan aspek lain dari struktur musik [11]. Dari dua fitur struktural struktural tersebut, suprasegmental merupakan fitur yang lebih berperan sebagai informasi emosional .
Penentuan fitur suprasegmental dalam lagu ditentukan berdasarkan pemodelan emosi Thayer. Di mana dalam model tersebut, emosi dibentuk
7
berdasarkan sumbu X yaitu dimensi stress dan sumb Y dimensi energi [12], [13], [14]. Fitur pada lagu yang berhubungan dengan dimensi stress adalah valence, sedangkan untuk dimensi energi fitur lagu yang berkaitan adalah fitur tempo,
loudness, energy, danceability [15],[10],[16],[17]. Dengan informasi tersebut,
penelitian ini menggunakan data yang tersedia dari Spotify, yaitu sebuah repositori
online yang menyediakan informasi seputar musik yang memiliki fitur lagu untuk
pentuan emosi pada lagu yang sudah disebutkan sebelumnya. 2.2.1 Valence
Valensi menjelaskan bagaimana sebuah lagu terdengar lebih positif yang
dikaitkan dengan emosi senang, santai dan ceria, atau lagu terdengar lebih negatif yang dikaitkan dengan emosi sedih, marah dan takut bedasarkan lirik [10], [17]. Nilai yang terdapat pada fitur valensi memiliki rentang nilai dari 0 sampai dengan 1. Semakin tinggi nilai valensi pada sebuah lagu maka lagu tersebut terdengar lebih positif sebaliknya jika nilai valensi pada sebuah lagu semakin rendah makan lagu tersebut terdengar lebih negatif.
2.2.2 Loudness
Loudness atau kerasnya suatu lagu berasal dari menghitung nilai intensitas
bunyi dari gelombang suara sepanjang durasi lagu yang diukur dalam satuan desibel. Loudness pada sebuah lagu berkaitan dengan emosi pada lagu bergantung dengan keras atau lembutnya tingkat loudness pada sebuah lagu [15], [12], [16]. Lagu yang lebih keras dikaitkan dengan emosi yang cenderung lebih agresif maupun energik, sebaliknya lagu yang lebih lembut dikaitkan dengan emosi yang cenderung lebih tenang [10]. Dalam pemodelan emosi Thayer, loudness dikaitkan pada dimensi energy. Di mana loudness merepresentasikan tingkat energi dari emosi.
2.2.3 Energy
Energi merupakan nilai yang mengindikasi intensitasi dari emosi dan tekanan dalam sebuah lagu. Semakin tinggi nilai energi makan lagu tersebut semakin terdengar berenergik dan semakin rendah nilai energi maka lagu tersebut terdengar semakin tenang [12], [16]. Dalam pemodelan emosi Thayer, energy dikaitkan pada dimensi energy. Di mana energy merepresentasikan tingkat energi dari emosi.
8 2.2.4 Tempo
Tempo merupakan jumlah ketukan per menit. Tempo memiliki hubungan
antara kecepatan dengan intensitas emosi dalam suatu lagu [10]. Semakin tinggi nilai tempo maka lagu tersebut semakin cepat. Sebaliknya semakin rendah nilai tempo maka lagu tersebut semakin lambat. Lagu yang memiliki tempo cepat cenderung menggambarkan lagu yang memiliki emosi positif seperti gembira, senang dan sebagainya [18]. Lagu yang memilki tempo rendah cenderung menggambarkan lagu yang memilki emosi negatif seperti sedih, marah dan kecewa [8]. Tempo merupakans salah satu fitur terpenting dalam merepresentasikan emosi pada sebuah lagu. Dalam pemodelan emosi Thayer, tempo dikaitkan pada dimensi
energy. Di mana tempo merepresentasikan tingkat energi dari emosi.
2.2.5 Mode
Mode mengacu pada jenis tangga nada yang ditambahkan dengan serangkaian
bentuk melodi yang khas [10]. Mode mengacu pada penempatan tujuh nada diatonik satu oktaf dan secara luas diklasifikasikan menjadi dua jenis yaitu mayor dan minor. mode memiliki kaitan dengan emosi, di mana mode minor dikaitkan dengan emosi negatif seperti sedih dan melankolis [17], . Sedangkan mode mayor dikaitkan dengan perasaan gembira dan bahagia [18], [19]. Karena melambangkan positif atau negatifnya emosi pada suatu lagu maka mode dikaitkan pada dimensi
stress.
2.3 Clustering
Clustering merupakan suatu metode untuk mengelompokan data menjadi
beberapa kelompok berdasarkan ukuran kedekatan atau kemiripan atribut yang dimiliki data-data tersebut. Clustering merupakan pembelajaran tanpa supervisi dikarenakan label pengelompokan dalam suatu data belum diketahui kelompoknya sehingga clustering digunakan untuk memberikan label tersebut. Clustering yang baik merupakan clustering yang memiliki nilai jarak dari data dengan clusternya lebih dekat dengan cluster lainnya. Terdapat dua cara dalam metode clustering berdasarkan hasil yang diinginkan, yaitu partitional dan hierarchical. Pada penelitian ini metode clustering yang digunakan adalah partitional, di mana
9
algoritma ini setiap data di kelompokan berdasarkan pusat cluster pada setiap cluster. Algoritma ini bertujuan mengelompokan data berdasarkan jarak terdekat data pada suatu pusat cluster. Contoh algoritma partitional clustering adalah
K-means, Fuzzy c-means dan Mixture modeling. Pada penelitian ini algoritma partitional clustering yang digunakan pada penelitian ini adalah K-Means Clustering.
2.3.1 K-Means Clustering
K-Means merupakan salah satu algoritma Clustering yang melakukan pemodelan data tanpa supervisi (unsupervised learning) [21]. Algoritma ini bertujuan untuk mengelompokan kumpulan data menjadi beberapa kelompok (cluster). Jumlah kelompok (cluster) pada algoritma ini jumlah kelompok dinyatakan dalam K. Algoritma K-Means bertujuan untuk memilih centroid atau nilai tengah yang meminimalkan inersia. Pengelompokan dilakukan dengan mengelompokan data ke centroid terdekat [22]. Berikut tahapan pada algoritma
K-Means clustering :
1. Tentukan jumlah cluster atau nilai K.
2. Tentukan nilai centroid awal sebanyak jumlah cluster yang ditentukan secara random dari data yang tersedia.
3. Hitung jarak setiap data ke masing-masing centroid dengan menggunakan persamaan euclidean distance pada persamaan 2.1.
𝑑(𝑝, 𝑞) = √∑( 𝑞
𝑖− 𝑝
𝑖)
2 𝑛𝑖=1
( 2. 1 )
Keterangan :
d (p,q) = Jarak data p ke data q 𝑝𝑖 = data p ke-i pada atribut ke-n 𝑞𝑖 = data q ke-i pada atribut ke-n
10
4. Kelompokan data berdasarkan jarak minimum data ke tiap centroid. Data yang dianggap menjadi bagian dari suatu cluster adalah data yang jaraknya ke suatu centroid lebih kecil dari jarak data tersebut dengan
centroid lainnya.
5. Tentukan centroid baru dengan menghitung rata-rata dari anggota dari masing-masing cluster dengan menggunakan persamaan 2.2.
𝐶
𝑖=
∑
𝑥
𝑖𝑗 𝑛 𝑗=1𝑛
( 2. 2 ) Keterangan :𝑥𝑖𝑗 = data ke-j pada cluster ke-i n = jumlah data pada cluster ke-i
𝐶
𝑖=
Centroid pada kluster ke-i6. Mulai kembali dari tahap ke-3, lalu berhenti ketika nilai centroid tidak berubah.
Algoritma K-means clustering merupakan metode pengelompokan data yang tidak berlabel, data tersebut akan dikelompokan dengan menganalisa jarak rata-rata dari data tersebut. Kemudian hasil akhir proses clustering yang telah dilakukan akan menghasilkan jumlah cluster dan data yang berlabel pada anggota cluster tertentu yang telah dimiliki sesuai jarak cluster terdekat.
2.4 Sistem Rekomendasi
Sistem rekomendasi merupakan sebuah alat maupun teknik perangkat lunak yang dapat memberikan saran atau sebuah rekomendasi item yang berkemungkinan akan berguna bagi pengguna yang direkomendasikan. Rekomendasi yang diberikan bertujuan untuk mendukung penggunanya dalam berbagai proses pengambilan keputusan, seperti barang apa yang akan dibeli, berita apa yang akan dibaca, film apa yang akan ditonton atau musik apa yang akan didengarkan.
11
Sistem rekomendasi telah terbukti menjadi alat bantu yang berharga bagi pengguna online untuk mengatasi kelebihan informasi. Berbagai teknik rekomendasi telah dilakukan diantaranya adalah content-based filtering dan
collaborative filtering [23]. Content based filtering bertujuan untuk
merekomendasikan item yang mirip dengan yang disukai pengguna sebelumnya. Kesamaan item dihitung berdasarkan fitur yang berhubungan dengan item yang disukai dan dibandingkan dengan item yang akan direkomendasikan. Collaborative
filtering merupakan rekomendasi sistem yang merekomendasikan item yang
disukai pengguna lain yang memiliki selera yang sama dengan pengguna. Kesamaan selera antar dua pengguna dihitung berdasarkan kesamaan dalam riwayat rating pengguna. Pada penelitian ini teknik rekomendasi yang digunakan adalah
content-based filtering.
2.4.1 Content-Based Filtering
Content-Based Filtering menganalisis sekumpulan dokumen atau dekripsi
dari sebuah item yang sebelumnya dinilai oleh pengguna seperti disukai atau tidak. Sistem ini akan membangun model atau profil minat pengguna tersebut berdasarkan item yang sudah dinilai oleh pengguna [3]. Rekomendasi dilakukan dengan mencocokan kesamaan atribut dari profil pengguna dengan atribut dari item yang disukai pengguna sebelumnya. Hasil dari pencocokan tersebut merupakan nilai minat pengguna terhadap item yang direkomendasikan [23]. Pada penelitian ini algoritma yang digunakan adalah K-means clustering untuk membuat profil pengguna yang bertujuan mengelompokan item yang disukai pengguna [24]. algoritma yang digunakan untuk pencocokan kesamaan item yang akan direkomendasikan menggunakan euclidean distance untuk menentukan jarak antar profil minat pengguna dengan item yang akan direkomendasikan. Di mana profil minat pengguna merupakan centroid dari cluster profil minat pengguna.
2.4.1 Music Recomendation
Sistem rekomendasi musik bertujuan untuk memberikan rekomendasi musik yang menarik. Dalam rekomendasi musik terdapat beberpa macam rekomendasi, yaitu artist recomendation, playlist generation, dan neighbour recomendation.
12
kesamaan artis dari lagu yang disukai oleh pengguna sebelumnya. Playlist
generation bertujuan untuk membuat daftar lagu yang direkomendasikan
berdasarkan lagu yang disukai oleh pengguna sebelumnya [25]. Neighbour
recomendation bertujuan merekomendasikan lagu dari pengguna lainnya yang
memiliki kesamaan dengan pengguna. pada penelitian ini menggunakan platlist
generation untuk membuat daftar lagu yang direkomendasikan berdasarkan
kesamaan lagu yang disukai oleh pengguna dan menggunakan acoustic metadata dalam merekomendasikan lagu. Di mana acoustic metada merupakan aspek musik seperti rhythm, valence, harmony, melody, timbre, loudness, tempo, danceability,
energy dan sebagainya.
2.5 Min-Max Scaller
Min-max scaller merupkan salah satu perhitungan normalisasi data yang
terdapat pada tahapan preprocessing data. Normalisasi data dilakukan agar data yang digunakan bertipe sama untuk dilakukan perhitungan matematis [26]. Perhitungan ini dilakukan agar rentang nilai dari dataset sama, dengan mengubah rentang nilai dari dataset menjadi rentang nilai yang baru dengan skala rentang nilai yang digunakan pada penelitian ini adalah 0 sampai 1. Pada persamaan 2.3. merupakan perhitungan dalam menormalisasi data.
𝑋
𝑎=
𝑋
𝑏− 𝑋
𝑚𝑖𝑛𝑋
𝑚𝑎𝑥− 𝑋
𝑚𝑖𝑛 ( 2. 3 )Keterangan :
𝑋𝑎 : Nilai hasil normalisasi
𝑋𝑏 : Nilai yang akan dinormalisasi
𝑋𝑚𝑖𝑛 : Nilai terkecil dari data per kolom 𝑋𝑚𝑎𝑥 : Nilai tersbesar daari data per kolom
13 2.6 Silhouette Coeffisien
Silhouette coeffisien merupakan metode pengujian yang menekankan validasi dan penafsiran set data yang bertujuan untuk mengukur kualitas dari sebuah cluster. Silhouette coeffisien juga bertujuan menghitung seberapa dekat suatu data dengan sebuah cluster dan seberapa jauh sebuah data terpisah dengan cluster lainnya.
Pengujian Silhouette coefficient merupakan gabungan dari dua metode yaitu cohesion untuk mengetahui seberapa dekat suatu data antar cluster kemudian metode separation untuk mengukur seberapa jauh data antar cluster terpisah. merupakan perhitungan Silhouette Coefficient [27]. Perhitungan Silhouette
Coeffisient menggunakan persamaan 2.4 yang dapat dilihat di bawah ini.
𝑆
(𝑖)=
𝑏
(𝑖)− 𝑎
(𝑖)𝑚𝑎𝑥
(𝑎(𝑖),𝑏(𝑖) )( 2. 4 )
Keterangan :
𝑠(𝑖) = nilai silhouette coefficient
𝑎(𝑖) = 1 |𝐴|−1 ∑ 𝑗 ∈𝐴,𝑗≠𝑖 𝑑(𝑖,𝑗) (rata-rata jarak suatu data i)
𝑑(𝑖, 𝐶) = 1 |𝐴| ∑ 𝑗 ∈ 𝐶 𝑑(𝑖,𝑗) (rata rata jarak suatu data i dengan semua objek) Pada hasil perhitungan yang didapatkan memiliki rentang nilai -1 hingga 1. Jika pada hasil akhir bernilai positif yakni (𝑎𝑖 < 𝑏𝑖 ) dan 𝑎𝑖 mendekati 0 maka nilai clustering baik. Pada nilai SC objek dianggap overlapping jika SI = -1. Pada hasil akhir nilai silhouette coeffisien memiliki interval nilai kategori validitas cluster diantaranya :
0,7 < SC < = 1 Strong Structure 0,5 < SC < = 0,7 Medium Structure 0,25 < SC < =0,5 Weak Structure
14 SC < = 0,25 No Structure
2.7 Tinjauan Studi
Penelitian terkait dengan k-means clustering dan content-based filtering dikaji dan dipelajari untuk dijadikan acuan dan perbandingan dalam melakukan penelitian ini. Penelitian yang dilakukan oleh Dong Moon Kim [24], menggunakan metode Dynamic Kmeans Clustering untuk mengklasterkan preferensi lagu yang disukai oleh pengguna lalu merekomendasikan lagu berdasarkan hasil cluster yang sudah dibuat. Objek yang diteliti yaitu rekomendasi lagu dengan menggunakan audiot fitur berupa ZCR (Zero Crossing Rate), Spectral Rolloff dan Spectrl Flux. Hasil dari penelitian ini yaitu rekomendasi 74% mendekati preferensi pengguna dengan membandingkan lagu yang direkomendasikan dengan preferensi pengguna.
Pada penelitian yang dilakukan Aldy Istana Putra dengan judul “Implementasi Machine Learning dalam Penentuan Rekomendasi Musik dengan Metode Content-Based Filtering”, menggunakan metode cosine similiarity content
based filtering dalam memberikan rekomendasi suatu item yang sesuai untuk user
tertentu dengan memprediksi kesukaan user pada item berdasarkan atribut terkait informasi tentang item, user dan hubungan antara item dan user [28]. Hasil dari penelitian ini adalah tingkat rata-rata kemiripan lagu hingga 0,6684. Serta nilai precision mencapai 0,125 dan 0,2 pada recall. . Hasil Performance Testing dan System Testing yang diperoleh menyatakan bahwa sistem rekomendasi dapat berjalan baik dengan rata-rata response time mencapai 3,5 detik.
Pada penelitian yang dilakukan I Gede Harsemadi dengan judul “Perbandingan distance measure pada K-Means Clustering untuk mengelompokan musik terhadap suasana hati” menggunakan metode K-means Clustering untuk mengelompokan lagu berdasarkan suasana hati dengan menggunakan audio fitur berupa spectral centroid, rolloff, slope, spread, decrease, dan flux [27]. Hasil dari penelitian ini adalah Nilai coefficient tertinggi yang itu 0,64018 dengan waktu pemrosesan tercepat yaitu 0,0789935 pada euclidean distance.
Berdasarkan dari beberapa penelitian terkait clustering dan rekomendasi musik berdasarkan content based filtering yang telah dijabarkan sebelumnya, maka penggunaan k-means clustering dapat diterapkan dengan tepat untuk
15
mengelompokan emosi pada lagu dan content based filtering juga tepat digunakan sebagai rekomendasi musik berdasarkan acoustic metadata. Penggunaan K-Means clustering juga dapat digunakan dalam merekomendasikan musik dengan mengelompokan preferensi pengguna menjadi beberapa kelompok [24]. Pemilihan metode perhitungan jarak dengan menggunakan euclidean distance merupakan hal yang tepat karena memiliki nilai dan waktu pemrosesan yang paling baik [27]. Lalu menggunakan distance measure dalam merekomendasikan lagu dengan metode
content based filtering dapat diterapkan [28]. Perbandingan penelitian terkait
dengan penelitian yang akan dilakukan dapat dilihat pada Tabel berikut.
Tabel 2.1. Tinjauan Studi No Model Masalah
Penelitian
Metode Objek Hasil
1 Dong Moon Kim A Music Recommendation System with a Dynamic K-means Clustering Algorithm Dynamic K-Means Rekomen dasi Musik dengan mengguna kan fitur ZCR (Zero Crossing Rate), Spectral Rolloff dan Spectrl Flux. Hasil dari evaluasi, rekomendasi 74% mendekati preferensi pengguna.
16 No Model Masalah
Penelitian
Metode Objek Hasil
2 Aldy Istna Putra Implementasi Machine Learning dalam Penentuan Rekomendasi Musik dengan Metode Content-Based Filtering Content-Based Filtering dengan Cosine similiarity Rekomen dasi Musik Precision = 0,125 Recall = 0,2. Rata – rata kemiripan lagu = 0.6684 3. Dong-Moon Kim Automatic Music Clustering Using Audio Atributes K-Means Clustering Time signature, energy, danceabili ty, tempo, duration dan key. Accuracy = 75 – 85% dalam menentukan klasifikasi genre. Hasil genre = classical, rap, metal dan akustik. 4. I Gede Harsem adi Perbandingan distance measure pada K-Means Clustering untuk mengelompokan musik terhadap suasana hati K-Means Clustering Clustering suasana hati lagu berdasark an fitur spectral centroid, rolloff, slope, spread, decrease, dan flux. Nilai coefficient tertinggi yang itu 0,64018 dengan waktu pemrosesan tercepat yaitu 0,0789935 pada euclidean distance.
17
