Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 1, No. 12, Desember 2017, hlm. 1526-1534 http://j-ptiik.ub.ac.id

Pengelompokan Lagu Berdasarkan Emosi Menggunakan Algoritma Fuzzy

C-Means
Muhja Mufidah Afaf Amirah1, Agus Wahyu Widodo2, Candra Dewi3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1muhjamufidah@gmail.com, 2a_wahyu_w@ub.ac.id, 3dewi_candra@ub.ac.id

Abstrak
Musik digital sudah berkembang secara dramatis dalam beberapa tahun ini. Musik-musik yang
disediakan terdiri dari berbagai jenis dan emosi yang bersifat acak. Karenanya, diperlukan cara untuk
mengorganisasikan lagu-lagu tersebut, untuk mengelompokan lagu-lagu tersebut berdasarkan suatu
karakteristik yang spesifik. Pengorganisasian lagu memungkinkan pengguna untuk menavigasi ke
musik-musik yang mereka tuju, juga untuk memberikan saran dan rekomendasi lagu baik bagi
masyarakat ataupun industri yang berhubungan dengan musik. Penelitian ini akan melakukan
pengelompokan lagu berdasarkan emosi menggunakan algoritma Fuzzy C-Means. Kami menggunakan
atribut audio berupa valensi, energi, loudness, dan tempo sebagai fitur yang mencerminkan emosi dari
lagu. Hasil cluster dari setiap data lagu ditentukan berdasarkan derajat keanggotaan yang dimilikinya.
Pengujian validitas cluster dilakukan untuk menguji ketepatan dari hasil clustering yang dilakukan.
Pengujian dilakukan dengan variasi data 20%, 40%, 60%, 80%, dan 100% dari total keseluruhan data
yang berjumlah 150 lagu. Dari hasil pengujian, didapatkan nilai error minimum sebesar 0.00000001
(1x10-8). Hasil pengujian menunjukkan bahwa jumlah cluster yang optimal untuk digunakan dalam
penelitian ini adalah sebanyak 5 cluster. Sedangkan, nilai pembobot yang optimal untuk digunakan
dalam penelitian ini yaitu 2, dengan nilai validitas cluster mencapai 0.7 atau 70%.
Kata Kunci: pengelompokan, emosi, lagu, fuzzy c-means, atribut audio
Abstract
Digital music has grown dramatically in recent years. They offering musics in various type and emotion
that are random. Therefore, there is a need to organize the songs, they need to somehow clusterize their
files based on a specific characteristic. The purpose of such organization is to enable users to navigate
to pieces of music they like, and also to give them advice and recommendation for people or music-
related industries. This research proposed a clustering of songs based on their emotion using the Fuzzy
c-means algorithm. Audio attributes of valence, energy, loudness, and tempo are used as features that
represent the emotions of the song. The cluster of each data is determined based on their membership
degree. Cluster validity index is used to evaluate the fitness of partitions produced by clustering
algorithms. The algorithm is tested on different amount of data, which is 20%, 40%, 60%, 80%, and
100% data of total 150 songs. The testing result obtained a minimum error value of 0.00000001 (1x10-
8). The results showed that the optimal number of clusters that are best to be used in this research is 5.
While, the optimal fuzzifier value to be used in this research is 2 with the cluster validity value reaches
0.7 or 70%
Keywords: clustering, emotion, song, fuzzy c-means, audio atribut

yang disediakan juga terdiri dari berbagai genre

1. PENDAHULUAN
Musik digital sudah berkembang secara
dramatis dalam beberapa tahun terakhir.
Berbagai website maupun aplikasi menawarkan
konten musik dalam berbagai bentuk, seperti
MP3, waf, dan lain sebagainya. Musik-musik
dan emosi yang bersifat acak (Cilibrasi, et al.,
2004). Karenanya, diperlukan cara untuk
mengorganisasikan lagu-lagu tersebut. Hal ini
tentunya dilihat dari kecenderungan masyarakat
dalam memilih lagu yang ingin didengarkan,
baik berdasarkan genre, emosi, ataupun lain
sebagainya. Selain memungkinkan pengguna

Fakultas Ilmu Komputer

Universitas Brawijaya 1526
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
untuk menavigasi ke musik-musik yang mereka
tuju, pengorganisasian tersebut juga bertujuan
untuk memberikan saran dan rekomendasi lagu
(Cilibrasi, et al., 2004).
Selain genre, pengelompokan musik
berdasarkan emosi yang dimilikinya juga
penting untuk dilakukan. Studi tentang
hubungan antara musik dan emosi telah banyak
diteliti dalam bidang psikologi musik.
Penelitian-penelitian tersebut berusaha untuk
memahami hubungan psikologis antara musik
dan pengaruhnya terhadap manusia. Hal ini
termasuk dengan reaksi emosional manusia
terhadap musik dan komponen apa saja dari
musik yang dapat mencerminkan emosi.
Beberapa penelitian menyebutkan bahwa fitur
suprasegmental dalam musik, seperti tempo,
merupakan komponen dalam musik yang lebih
membawa informasi emosional dari suatu lagu
dibandingkan fitur segmental yang dimilikinya
(Kappas, et al., 1991).
Keragaman struktur yang dimiliki oleh
suatu lagu atau musik membuat banyak peneliti
tertarik untuk mengorganisasikannya. Salah satu
penelitian yang melakukan pengelompokan lagu
yaitu Abhisek Sen yang mengelompokan genre
lagu menggunakan algoritma K-Means (Sen,
2014). Akurasi yang dihasilkan dalam penelitian
ini sebesar 75%. Namun, metode K-Means
memiliki beberapa kelemahan untuk
permasalahan clustering. Kegagalan untuk
mencapai konvergen merupakan salah satu
kelemahan yang memiliki peluang yang cukup
besar pada algoritma K-Means (Agusta, 2007).
Dalam metode K-Means, setiap data di dalam
dataset dialoasikan secara tegas (hard) untuk
menjadi bagian dari suatu kelompok (cluster)
tertentu. Hal ini mengakibatkan data yang telah
dipindah ke cluster baru bisa jadi justru lebih
cocok dalam cluster sebelumnya. Begitu pula
dengan keadaan sebaliknya (Bora & Gupta,
2014).
Untuk mengatasi kelemahan dari
penggunaan algoritma K-Means, penelitian ini
mengusulkan penggunaan algoritma Fuzzy c-
means (FCM). FCM merupakan sebuah
algoritma untuk clustering data, dimana setiap
data akan digolongkan menjadi anggota sebuah
cluster dengan ditentukan oleh derajat
keanggotaannya. Kelebihan dari FCM adalah
sebuah data diukur derajat keanggotaannya
dalam rentang 0 sampai 1. Hal ini membuat
peluang permasalahan konvergensi pada FCM
sangatlah kecil.
Fakultas Ilmu Komputer, Universitas Brawijaya
1527
Algoritma Fuzzy c-means sendiri juga
merupakan perbaikan dari metode
pengelompokan yang sudah ada sebelumnya
(Dunn, 1973). Fitria Febrianti melakukan
penelitian untuk membandingkan algoritma K-
Means dengan FCM, hasil menunjukkan bahwa
nilai RMSE metode FCM lebih kecil
dibandingkan dengan nilai RMSE metode K-
Means (Febrianti, et al., 2016).
Berdasarkan uraian permasalahan yang
telah dijelaskan, maka dibuat sebuah penelitian
tentang pengelompokan lagu berdasarkan emosi
menggunakan algoritma Fuzzy C-Means yang
diharapkan mampu memberikan hasil yang lebih
baik dibandingkan penelitian – penelitian
sebelumnya.
2. LANDASAN TEORI
2.1. Model Emosi Lagu
Emosi lagu menggambarkan makna
emosional yang melekat pada sebuah klip lagu.
Hal ini membantu dalam pemahaman lagu,
pencarian lagu, dan beberapa aplikasi yang
berkaitan dengan lagu (Liu, et al., 2003). Dalam
pengelompokan lagu berdasarkan emosi,
diperlukan pemilihan model untuk memetakan
ruang dalam emosi menjadi nilai matematika
yang terukur sehingga setiap lagu dapat
dipisahkan sesuai emosinya (Singth, et al.,
2010). Pada akhir tahun 1990-an, Thayer
mengusulkan sebuah model emosi dengan dua
dimensi. Pendekatan ini memberikan teori
bahwa emosi membawakan dua faktor, yaitu
stress (senang atau cemas), dan energi (tenang
atau energik). Dalam model ini, emosi lagu
terbagi ke dalam empat kelompok (Liu, et al.,
2003), yaitu kepuasan atau kesenangan
(contentment), depresi (depression), gembira
(exuberance), dan cemas (anxious) yang
digambarkan dalam Gambar 1.
Gambar 1 Model Emosi Thayer
Pada Gambar 1, kepuasan (contentment)
mengacu pada musik yang bahagia dan tenang,
depresi (depression) mengacu pada musik yang
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
menenangkan dan gelisah, gembira
(exuberance) mengacu pada musik yang bahagia
dan energik, sedangkan kecemasan (anxious)
mengacu pada musik yang menggelisahkan dan
energik (Liu, et al., 2003).
2.2. Fuzzy C-Means
Fuzzy c-means (FCM) merupakan teknik
clustering yang pertama kali dikemukakan oleh
Dunn pada tahun 1973 dan kemudian
dikembangkan oleh Bezdek pada tahun 1981
(Pravitasari, 2009). FCM merupakan suatu
teknik clustering dimana keberadaan dari tiap
titik data dalam suatu cluster ditentukan oleh
derajat keanggotaan dengan rentang 0 sampai 1
(Bora & Gupta, 2014). Tujuan dari algoritma
FCM adalah untuk menemukan nilai c atau pusat
cluster optimal dengan minimalisasi fungsi
objektif (Nascimento, et al., 1999). Output dari
Fuzzy c-means bukan berupa fuzzy inference
system, melainkan berupa deretan pusat cluster
dan derajat keanggotaan untuk setiap data
(Kusumadewi & Purnomo, 2010 ). Algoritma
FCM adalah sebagai berikut (Khoiruddin, 2007)
: dipilih (Sandhir, et al., 2012). MPC merupakan
1. Membuat matriks data Xij berukuran n x m
(n=jumlah sampel data, m=jumlah atribut).
2. Tentukan jumlah cluster (c), pangkat
pembobot (w), maksimum iterasi (MaxIter),
error terkecil yang diharapkan (ξ), fungsi
objektif awal (P0=0), dan iterasi awal (t=1).
3. Membangkitkan matriks partisi awal Uik,
dimana i=1,2,…n; k=1,2,…c. Kemudian,
hitung setiap elemen kolom dengan
Persamaan (1).
𝑐
𝑄1 = ∑ 𝜇𝑖𝑘 (1)
𝑘=1
Selanjutnya, hitung derajat keanggotaan awal
dengan Persamaan (2).
𝜇𝑖𝑘
𝜇𝑖𝑘 = (2)
𝑄𝑖
4. Hitung pusat cluster Vkj, dimana k=1,2,...,c
dan j=1,2,...,m.
𝑛 𝑤 (3)
∑𝑖=1(𝜇𝑖𝑘 ) ∗ 𝑋𝑖𝑗
𝑉𝑘𝑗 =
∑𝑛𝑖=1(𝜇𝑖𝑘 )𝑤
5. Hitung fungsi objektif pada iterasi ke-t, Pt :
Fakultas Ilmu Komputer, Universitas Brawijaya
1528
𝑛 𝑐 𝑚
𝑃𝑡 = ∑ ∑ ([∑(𝑋𝑖𝑗 − 𝑉𝑘𝑗 2 )] (𝜇𝑖𝑘 )𝑤 ) (4)
𝑖=1 𝑘=1 𝑗=1
6. Perbaiki derajat keanggotaan setiap data
menggunakan Persamaan 5.
−1
2 𝑤−1
[∑𝑚
𝑗=1(𝑋𝑖𝑗 − 𝑉𝑘𝑗 ) ]
𝜇𝑖𝑘 = −1 (5)
2 𝑤−1
∑𝑐𝑘=1 [∑𝑚
𝑗=1(𝑋𝑖𝑗 − 𝑉𝑘𝑗 ) ]
Cek kondisi berhenti, iterasi akan
dihentikan jika (|Pt - Pt-1|<ε) atau (t > MaxIter).
Jika kondisi belum memenuhi, maka ulangi dari
langkah ke-4.
2.3. Modified Partition Coefficient
Modified Partition Coefficient (MPC)
merupakan salah satu cara untuk mengukur
tingkat validitas cluster yang menggunakan
nilai-nilai derajat keanggotan 𝜇𝑖𝑘 . Tujuan utama
dari validitas cluster yaitu untuk mengevaluasi
kualitas dari cluster tersebut dan menentukan
seberapa baik data diwakili oleh cluster yang
perbaikan dari metode Partition Coefficient
(PC). Metode PC diusulkan oleh Bezdek dalam
(Maimon & Rokach, 2010) yang didefninisikan
dengan Persamaan (6).
1 (6)
𝑃𝐶(𝑐) = 𝑛 ∑𝑐𝑖=1 ∑𝑛𝑗=1(𝜇𝑖𝑗 )2
PC cenderung mengalami perubahan yang
monoton terhadap nilai c (Xie, et al., 2011). Hal
ini diperbaiki oleh metode MPC yang diusulkan
oleh Dave (Wu & Yang, 2005) dan didefinisikan
oleh Persamaan (7).
𝐶 (7)
𝑀𝑃𝐶(𝑐) = 1 − (1 − 𝑃𝐶(𝑐))
𝐶−1
Nilai MPC berkisar antara 0 ≤ 𝑀𝑃𝐶(𝑐) ≤
1. Pada umumnya, jumlah cluster (c) optimal
ditentukan dengan mengambil cluster yang
memiliki nilai MPC yang paling besar (Wu &
Yang, 2005). Semakin dekat nilai MPC ke 0,
berarti semakin kabur keakuratan cluster
tersebut. Begitu pula sebaliknya, semakin dekat
nilai MPC ke 1, maka semakin baik cluster
tersebut.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
3. DATASET
Dalam model emosi Thayer, terdapat dua
sumbu utama yang berperan dalam menentukan
emosi dari lagu yaitu (Han, et al., 2009):
• Stres, emosi positif atau negatif
• Energi, energi tinggi atau rendah
Valensi (valence) merupakan fitur yang
merepresentasi sumbu X atau dimensi stres.
Sementara itu, energi merupakan fitur yang
merepresentasikan sumbu Y (Liu, et al., 2003;
Han, et al., 2009).
Terdapat beberapa fitur lain yang juga
terkait dengan emosi lagu dan mempengaruhi
ekspresi emosional dalam musik. Berbagai
penelitian menunjukkan bahwa tempo dan
loudness merupakan fitur yang sangat terkait
dengan ekspresi dari emosi (Gabrielle &
Stromboli, 2001; Jamdar, et al., 2015)..
Data atribut audio dari lagu yang digunakan
dalam penelitian ini diambil dari Spotify. Spotify
merupakan sebuah penyimpanan informasi
musik online yang mengandung informasi lebih
dari 30 juta lagu dari 1.5 juta artis (Sen, 2014).
Spotify sendiri mempunyai pengembang API
yang ditulis rapi dalam berbagai bahasa
pemrograman, salah satunya python, dan
mengijinkan pengguna untuk mengambil data
atribut audio yang dibutuhkan untuk setiap lagu.
Perhitungan atribut audio dari lagu yang
digunakan telah dihitung langsung oleh Spotify.
Kami menggunakan atribut audio berupa
valensi, energi, loudness, dan tempo.
3.1. Valensi
Valensi merupakan fitur yang digunakan
untuk menggambarkan positif atau negatif suatu
emosi (Jamdar, et al., 2015). Dalam Spotify,
valensi bernilai 0 sampai 1. Lagu dengan valensi
tinggi terdengar lebih positif seperti senang,
ceria, atau gembira. Sebaliknya, lagu dengan
valensi yang rendah akan lebih negatif seperti
sedih, tertekan, atau marah (Watson & Mandryk,
2012).
3.2. Tempo
Jumlah ketukan per menit atau biasa disebut
dengan tempo menggambarkan hubungan antara
kecepatan dan intensitas emosi dalam suatu lagu.
Tempo yang tinggi pada umumnya memiliki
energi yang lebih tinggi dan cepat jika
dibandingkan dengan lagu yang memiliki tempo
rendah (Jamdar, et al., 2015). Tempo yang pelan
cenderung menggambarkan emosi seperti
Fakultas Ilmu Komputer, Universitas Brawijaya
1529
tentram, tenang, sedih, dan lembut. Sedangkan
di sisi sebaliknya, tempo yang cepat lebih
mendeskirpsikan emosi gembira, senang, dan
semangat (Thompson & Quinto, 2011). Pada
model emosi Thayer, lagu yang berada dalam
kelompok gembira (Exuberance) memiliki
tempo yang cepat lebih dibandingkan dengan
lagu yang berada dalam kelompok depresi
(depression) (Liu, et al., 2003).
3.3. Loudness
Loudness atau intensitas kerasnya suara
merupakan pengukuran terhadap intensitas
gelombang audio yang dinyatakan dalam
desibel. Semakin keras lagu cenderung
menggambarkan lagu yang semakin energik dan
agresif. Berbeda dengan lagu yang lembut, lagu
tipe ini cenderung menggunakan instrumen yang
lembut dan menggambarkan emosi yang lebih
tenang (Jamdar, et al., 2015).
3.4. Energi
Energi pada sebuah lagu mengindikasikan
intensitas emosi dalam lagu tersebut. Energi
dihitung dalam skala 0 sampai 1 (Jamdar, et al.,
2015). Energi dalam lagu membuat
pendengarnya merasa energik, ataupun
sebaliknya (Sen, 2014). Lagu dalam kelompok
contentment dan depresion memiliki tingkat
energi yang lebih rendah dibandingkan dengan
lagu yang menggambarkan kegembiraan
(exuberance).
4. METODE PENELITIAN
Dalam penelitian ini, dilakukan beberapa
tahapan yaitu studi literatur, pengumpulan data,
perancangan, implementasi, pengujian dan
analisis, serta pengambilan kesimpulan dari
penelitian. Tahapan dari pengerjaan penelitian
secara umum ditunjukkan pada Gambar 2.
Dalam penelitian ini, terdapat 3 proses
utama yaitu input, proses, dan output. Input dari
proses berupa file lagu yang akan
dikelompokkan. Kemudian, proses pertama
yang dilakukan yaitu melakukan pengambilan
atribut audio dari lagu berupa energi, loudness,
tempo, dan valensi yang diambil dari Spotify.
Atribut audio tersebut berfungsi sebagai fitur
yang merepresentasikan emosi dari lagu. Proses
selanjutnya yaitu melakukan clustering pada
lagu-lagu yang telah berhasil didapatkan atribut
audionya menggunakan algoritma Fuzzy C-
Means. Setelah proses clustering selesai,
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1530

dilakukan proses evaluasi menggunakan MPC
untuk didapatkan nilai validitas cluster. Setelah
keseluruhan proses selesai, maka akan
didapatkan output berupa nilai MPC serta
kelompok-kelompok lagu. Alur proses
pengelompokan lagu berdasarkan emosi
menggunakan algoritma Fuzzy C-Means secara
umum ditunjukkan pada Gambar 3.
didapatkan pada pengujian pertama. Pengujian
validitas cluster dilakukan menggunakan MPC
dan terdiri dari tiga tahap, yaitu pengujian
terhadap banyaknya jumlah cluster, pengujian
terhadap nilai pembobot, dan pengujian terhadap
ciri. Data lagu yang digunakan untuk setiap
pengujian berasal dari genre dan jumlah yang
berbeda.

Studi Literatur 5.1. Hasil Pengujian Nilai Error Minimum

Pengumpulan Data
Perancangan
Implementasi Sistem
Pengujian dan Analisis
Pengambilan Kesimpulan dan Evaluasi
Gambar 2 Diagram Alir Metode Penelitian
Mulai
Pengujian pertama dilakukan untuk
mendapatkan nilai error minimum (ξ).
Pengujian dilakukan pada saat fungsi objektif
telah mencapai kondisi konvergen. Nilai error
diperoleh dengan menghitung selisih dari fungsi
objektif yang didapatkan pada setiap iterasi.
Fungsi objektif dikatakan telah konvergen
apabila nilai yang dihasilkan sudah tidak
mengalami perubahan lagi, sehingga kesalahan
(error) yang dihasilkan bernilai 0. Pada
pengujian ini, parameter jumlah cluster yang
digunakan adalah sebanyak 3 dengan maksimum
iterasi 100. Hasil pengujian nilai error terhadap
fungsi objektif ditunjukkan pada Tabel 1.
Tabel 1 Hasil Pengujian Terhadap Fungsi
Objektif

Iterasi ke- Fungsi objektif Nilai error

Data file lagu yang 1 3542.95959956 3542.95959956
akan dikelompokkan
2 2242.39932182 1300.56027774
3 1673.76980937 568.62951245
Clustering Fuzzy C-Means 4 1355.62225494 318.14755443
5 1183.41374830 172.20850664
Perhitungan Modified Partition 6 1015.92390026 167.48984804
Coefficient (MPC) 7 804.38964465 211.53425561
8 726.78051164 77.60913301
Nilai MPC dan kelompok- 9 721.67982758 5.10068406
kelompok lagu
10 721.39590589 0.28392169
11 721.37135849 0.02454740
Selesai 12 721.36845587 0.00290262
13 721.36803770 0.00041817
Gambar 3 Alur Proses Penelitian 14 721.36797174 0.00006596
15 721.36796097 0.00001077
5. HASIL DAN PEMBAHASAN 16 721.36795919 0.00000178
Pengujian dalam penelitian ini dilakukan 17 721.36795890 0.00000029
dalam dua skenario pengujian. Pengujian 18 721.36795885 0.00000005
pertama dilakukan untuk mendapatkan nilai 19 721.36795884 0.00000001
error minimum (ξ) yang tepat agar didapatkan 20 721.36795884 0
hasil yang optimal. Pengujian kedua yaitu uji
validitas. Pengujian ini dilakukan dengan Berdasarkan Tabel 1, dapat diketahui
memasukkan nilai error minimum yang telah bahwa nilai fungsi objektif menjadi konvergen

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1531

ketika mencapai iterasi ke-20. Nilai error validitas MPC yang semakin menurun ketika
minimum yang diperoleh pada saat fungsi nilai c yang dimasukkan semakin besar.
objektif telah konvergen adalah sebesar Pada Tabel 2 juga terlihat bahwa nilai
0.00000001 (1 x 10-8). Nilai ini kemudian akan indeks validitas MPC tertinggi didapatkan pada
ditetapkan sebagai masukan pada pengujian- nilai c=5. Hal ini berarti pada jumlah c=5,
pengujian berikutnya. masing-masing data sudah berada dalam
kelompok yang memiliki satu emosi lagu yang
5.2. Hasil Pengujian Terhadap Jumlah serupa dengan tingkat ketepatan hasil clustering
Cluster sebesar 0.69472. Dengan demikian, nilai c=5
Pengujian terhadap jumlah cluster (c) merupakan jumlah cluster yang optimal untuk
dilakukan untuk mengetahui pengaruh diterapkan dalam penelitian ini.
banyaknya jumlah cluster terhadap nilai
5.3. Hasil Pengujian Terhadap Pembobot
validitas MPC. Tujuan pengujian ini yaitu untuk
mendapatkan nilai c terbaik yang memiliki nilai Pengujian validitas juga dilakukan terhadap
MPC paling baik untuk digunakan pada nilai w yang merupakan bobot pangkat pada
pengujian selanjutnya. Pengujian terhadap perhitungan nilai keanggotaan metode FCM.
jumlah cluster dilakukan dengan Nilai dari pembobot (w) bernilai w>1. Tujuan
membandingkan hasil nilai MPC dari banyaknya dari pengujian ini untuk mengetahui pengaruh
cluster yang berbeda untuk setiap variasi data nilai pembobot terhadap nilai validitas MPC
uji. Pengujian dilakukan dengan variasi data serta untuk mendapatkan nilai w terbaik yang
sebanyak 20%, 40%, 60%, 80%, dan 100% dari memiliki nilai MPC paling tinggi.
total keseluruhan 150 data. Pada pengujian ini, Pengujian terhadap nilai pembobot
nilai c yang digunakan yaitu c=2 sampai dengan dilakukan dengan membandingkan hasil nilai
c=9 dengan nilai pembobot w=2. Hasil uji MPC dari nilai w yang berbeda untuk setiap
validitas terhadap variasi jumlah cluster variasi data uji. Komposisi data lagu untuk
ditunjukkan pada Tabel 2. pengujian nilai pembobot sama dengan
komposisi data lagu yang digunakan pada
Tabel 2 Hasil Pengujian MPC Terhadap Jumlah pengujian jumlah cluster. Pada pengujian ini,
Cluster
nilai w yang digunakan terdiri dari w=2 sampai
Nilai MPC Setiap Variasi dengan w=9 dengan jumlah cluster 5. Hasil
Nilai Jumlah Data Uji Rata- pengujian terhadap pembobot ditunjukkan
c Rata
20% 40% 60% 80% 100% dalam Tabel 3.
c=2 0.72 0.65 0.64 0.63 0.63 0.659
Tabel 3 menunjukkan bahwa nilai validitas
tertinggi didapatkan pada saat w bernilai 2, yaitu
c=3 0.71 0.69 0.67 0.67 0.68 0.689 sebesar 0.69951. terlihat bahwa semakin besar
c=4 0.73 0.66 0.67 0.68 0.67 0.687 nilai w yang dimasukkan maka hasil validitas
c=5 0.73 0.71 0.69 0.67 0.66 0.695 cluster akan semakin rendah. Hal ini berarti nilai
w yang besar mengakibatkan hasil clustering
c=6 0.72 0.70 0.68 0.67 0.66 0.686
yang semakin tidak optimal. Penyebaran partisi
c=7 0.72 0.67 0.66 0.64 0.65 0.67 data yang cenderung kabur (fuzzy) menyebabkan
c=8 0.76 0.65 0.65 0.65 0.64 0.672 turunnya nilai validitas cluster pada nilai w yang
c=9 0.79 0.67 0.66 0.65 0.64 0.682 besar. Dengan demikian, dalam kasus ini nilai
Rata-
w=2 merupakan nilai pembobot yang baik untuk
0.73 0.68 0.67 0.66 0.66 diterapkan dalam penelitian ini.
Rata
Tabel 3 Hasil Pengujian MPC Terhadap Jumlah
Tabel 2 menunjukkan bahwa semakin besar
Cluster
jumlah cluster atau nilai c yang dimasukkan
maka nilai validitas MPC yang dihasilkan Nilai MPC Setiap Variasi Jumlah
cenderung semakin menurun. Nilai c yang Nilai Data Uji Rata-
w Rata
semakin besar berarti bahwa semakin banyak 20% 40% 60% 80% 100%
variasi pada tingkatan emosi lagu. Persebaran
data dalam kelompok yang tidak merata dan w=2 0.746 0.719 0.699 0.677 0.657 0.6995
jarak data yang semakin jauh menyebabkan nilai w=3 0.743 0.717 0.697 0.669 0.669 0.6991
w=4 0.733 0.716 0.695 0.675 0.673 0.6982

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1532

w=5 0.638 0.713 0.693 0.667 0.675 0.6772 Loudness, Tempo, dan
39 0.6948
Valensi
w=6 0.61 0.711 0.691 0.678 0.676 0.673 Energi, Loudness, Tempo,
45 0.69971
w=7 0.608 0.709 0.689 0.678 0.676 0.6721 dan Valensi

w=8 0.598 0.661 0.688 0.678 0.677 0.6602 Dalam Tabel 4, perpaduan ciri energi dan
w=9 0.498 0.633 0.686 0.658 0.677 0.6303 valensi yang merupakan atribut dalam model
emosi Thayer menghasilkan nilai MPC terendah,
yaitu sebesar 0.49049. Dalam penelitian ini,
5.4. Hasil Pengujian Terhadap Ciri kami memadukan energi dan valensi dengan
Pengujian terhadap ciri dilakukan dengan atribut audio lain, yaitu tempo dan loudness yang
membandingkan hasil nilai MPC terhadap setiap dalam berbagai literatur disebutkan bahwa kedua
variasi ciri yang diujikan. Ciri yang digunakan fitur tersebut juga berpengaruh dalam
dalam penelitian ini berupa atribut audio dari merepresentasikan emosi dari lagu. Nilai MPC
lagu, yaitu valensi, energi, loudness, dan tempo. yang dihasilkan oleh ciri atribut audio tempo
Variasi ciri yang digunakan untuk pengujian ini yaitu sebesar 0.72039 yang merupakan nilai
yaitu dengan menguji setiap ciri secara individu, MPC tertinggi yang didapatkan dalam pengujian
menguji kombinasi ciri dengan jumlah 2 variasi ini. Hal ini membuktikan teori bahwa tempo
dan 3 variasi, serta menguji keempat ciri secara merupakan atribut audio lagu yang sangat
keseluruhan. Hal ini dilakukan untuk merepresentasikan emosi dari lagu. Sementara
mengetahui kombinasi ciri mana yang itu, perpaduan keempat ciri atribut audio yang
menghasilkan nilai MPC terbaik serta untuk dipilih dalam penelitian ini berhasil mencapai
untuk mengetahui efektifitas ciri yang digunakan nilai MPC sebesar 0.6997. Nilai yang didapatkan
terhadap hasil clustering. Data yang digunakan oleh perpaduan keempat ciri ini menunjukkan
dalam pengujian ini berjumlah 75 data lagu. nilai yang lebih tinggi dibandingkan hanya
Pengujian ini menggunakan parameter terbaik menggunakan kedua fitur energi dan valensi.
yang telah didapatkan pada pengujian-pengujian Nilai MPC yang lebih tinggi ini membuktikan
sebelumnya, yaitu dengan memasukkan nilai bahwa penambahan fitur yang kami lakukan
error minimum ξ=1x10-8, pembobot w=2, dan dapat merepresentasikan emosi lagu lebih baik
banyak cluster c=5. Hasil pengujian terhadap ciri dibandingkan dengan hanya menggunakan fitur
yang telah dilakukan dapat ditunjukkan pada energi dan valensi. Namun, nilai MPC yang
Tabel 4. didapatkan pada perpaduan keempat ciri masih
lebih rendah dibandingkan dengan perpaduan
Tabel 4 Hasil Pengujian MPC terhadap Variasi tiga fitur energi, tempo, dan valensi yang
Ciri Atribut Lagu mencapai 0.71984. Hal ini kemungkinan besar
Banyak Nilai dikarenakan penggunaan fitur loudness yang
Atribut Lagu
Iterasi MPC digunakan dalam penelitian ini. Hal ini terbukti
Energi 75 0.68466 dengan rendahnya nilai MPC yang dimiliki oleh
Loudness 78 0.66942 fitur loudness jika dibandingkan dengan hasil
Tempo 42 0.72039 nilai MPC dari ketiga fitur lainnya.
Valensi 33 0.71806
Energi dan Loudness 85 0.65577 6. KESIMPULAN
Energi dan Tempo 37 0.72019 Berdasarkan hasil pengujian dan analisis
Energi dan Valensi 59 0.49049 hasil penelitian terhadap pengelompokan lagu
Loudness dan Tempo 64 0.69513 berdasarkan emosi menggunakan algoritma
Loudness dan Valensi 69 0.63577 Fuzzy C-Means, maka dapat diambil beberapa
kesimpulan, yaitu :
Tempo dan Valensi 43 0.72004
1. Metode Fuzzy C-Means dapat digunakan
Energi, Loudness, dan
34 0.69496 untuk melakukan pengelompokan lagu
Tempo
berdasarkan emosi dengan tingkat validitas
Energi, Loudness, dan
128 0.59649 sebesar 0.6997 atau 70%. Hal ini
Valensi
Energi, Tempo, dan didapatkan dengan menerapkan ciri atribut
42 0.71984 audio lagu berupa valensi, energi, loudness,
Valensi

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
dan tempo untuk merepresentasikan emosi
lagu.
2. Berdasarkan pengujian yang telah
dilakukan, nilai error minimum yang
didapatkan pada saat fungsi objektif telah
konvergen adalah sebesar 0.00000001 (1 x
10-8). Banyaknya cluster yang optimal
untuk digunakan dalam penelitian ini
adalah sebanyak 5 cluster dengan nilai
validitas cluster mencapai 0.69472 atau
69.5%. Sedangkan, nilai pembobot (w)
yang optimal untuk digunakan dalam
penelitian ini yaitu 2 dengan nilai validitas
cluster mencapai 0.69951 atau 69.95%.
DAFTAR PUSTAKA
Agusta, Y., 2007. K-Means – Penerapan,
Permasalahan dan Metode Terkait.
Jurnal Sistem dan Informatika, Februari,
Volume 3, pp. 47-60.
Bezdek, J., 1981. Pattern Recognition with
Fuzzy Objective Function Algorithms.
New York: Plenum Press.
Bora, D. . J. & Gupta, D. A. K., 2014. A
Comparative study Between Fuzzy
Clustering Algorithm and Hard
Clustering Algorithm. International
Journal of Computer Trends and
Technology (IJCTT), April, 10(2), pp.
108 - 113.
Cilibrasi, R., Vit´anyi, P. & Wolf, R. d., 2004.
Algorithmic Clustering of Music.
Amsterdam, EDELMUSIC, pp. 110-
117.
Gabrielle, A. & Stromboli, E., 2001. The
influence of musical structure on
emotional expression. Music and
Emotion: Theory and Research, pp. 223-
243.
Jamdar, A., Abraham, J., Khanna, K. & Dubey,
R., 2015. Emotion Analysis of Songs
Based on Lyrical and Audio Features.
International Journal of Artificial
Intelligence & Applications (IJAIA),
May, 6(03), pp. 35-50.
Kappas, A., Hess, U. & Scherer, K. R., 1991.
Voice and emotion. In: Fundamentals of
nonverbal behavior. Cambridge, UK:
Cambridge University Press, pp. 38-
200.
Khoiruddin, A. A., 2007. Menentukan Nilai
Fakultas Ilmu Komputer, Universitas Brawijaya
1533
Akhir Kuliah Dengan Fuzzy C-Means.
Seminar Nasional Sistem dan
Informatika, pp. 232-238.
Kusumadewi, S. & Purnomo, H., 2010 . Aplikasi
Logika Fuzzy untuk Pendukung
Keputusan. Jakarta: Graha Ilmu.
Liu, D., Liu, L. & Zhang, H.-J., 2003. Automatic
Mood Detection from Acoustic Music
Data. In Proceedings of the 4th
International Symposium on Music
Information Retrieval, pp. 81-87.
Maimon, O. & Rokach, L., 2010. Data Mining
and Knowledge Discovery Handbook.
2nd ed. London: Springer
Science+Business Media.
Nascimento, S., Mirkin, B. & Moura-Pires, F.,
1999. A Fuzzy Clustering Model of Data
and Fuzzy c-Means, s.l.: Department of
Computer Science of FCT-
Universidade Nova de Lisboa and
DIMACS .
Pravitasari, A. A., 2009. Penentuan Banyak
Kelompok dalam Fuzzy C-Means
Cluster Berdasarkan Proporsi Eigen
Value Dari Matriks Similarity dan
Indeks XB (Xie dan Beni).
PROSIDING, 5 Desember.pp. 623-632.
Sandhir, R. P., Muhuri , S. & Nayak, T. K., 2012.
Dynamic Fuzzy c-Means (dFCM)
Clustering and its Application to
Calorimetric Data Reconstruction in
High Energy Physics. Nuclear
Instruments and Methods in Physics
Research Section A: Accelerators,
Spectrometers, Detectors and
Associated Equipment, Volume 681, pp.
34-43.
Sen, A., 2014. Automatic Music Clustering
using Audio Attributes. International
Journal of Computer Science
Engineering (IJCSE), November, 3(06),
pp. 307-312.
Singth, P., Kapoor, A., Kaushik, V. &
Maringanti, H. B., 2010. Architecture
for Automated Tagging and Clustering
of Song Files According to Mood. IJCSI
International Journal of Computer
Science, pp. 11-17.
Thompson , W. F. & Quinto, L., 2011. Music and
Emotion: Psychological Considerations.
In: E. Schellekens & P. Goldie, eds. The
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1534

Aesthetic Mind: Philosophy and

Psychology. Oxford: Oxford University
Press , pp. 357-375.
Watson , D. & Mandryk, R. L., 2012. Modeling
Musical Mood From Audio Features
And Listening Context On An In-Situ
Data Set. International Society for
Music Information Retrieval, pp. 31-36.
Wu, K.-L. & Yang, M.-S., 2005. A Cluter
Validity Index for Fuzzy Clustering.
Pattern Recognition Letters, 1 Juli,
26(9), pp. 1275-1291.
Xie, N., Hu, L., Luktarhan, N. & Zhao, K., 2011.
A Classification of Cluster Validity
Indexes Based on Membership Degree
and Applications. Web Information
System and Mining, Volume 6987, pp.
43-50.

Fakultas Ilmu Komputer, Universitas Brawijaya