| NIM | H1D020091 |
|---|
| Namamhs | GALIH ARDITIYA YUNINDAR |
|---|
| Judul Artikel | IMPLEMENTASI TEXT MINING PADA LIRIK LAGU UNTUK KLASIFIKASI LAGU BERDASARKAN EMOSI MENGGUNAKAN LOGISTIC REGRESSION BERBASIS WEBSITE |
|---|
| Abstrak (Bhs. Indonesia) | Musik telah menjadi media penting dalam mengekspresikan emosi dan memperkaya pengalaman sosial manusia. Namun, proses interpretasi emosi pada lirik lagu secara manual sering kali tidak akurat dan membutuhkan waktu, terutama pada lirik yang kompleks atau ambigu. Hal ini menimbulkan kebutuhan akan sistem otomatis yang dapat meningkatkan akurasi dan efisiensi dalam klasifikasi emosi lirik lagu. Berbagai algoritma, seperti K-Nearest Neighbor (K-NN), Naive Bayes Classifier, dan Support Vector Machine (SVM), telah diterapkan untuk klasifikasi emosi pada lirik lagu. Penelitian sebelumnya menunjukkan bahwa SVM yang dikombinasikan dengan Particle Swarm Optimization (PSO) mencapai akurasi hingga 90%, sementara K-NN dengan seleksi fitur menghasilkan f-measure tertinggi sebesar 66,93%, dan Naive Bayes mencapai akurasi hingga 45%. Dalam penelitian ini, algoritma Logistic Regression yang didukung oleh metode Term Frequency-Inverse Document Frequency (TF-IDF) Hasil evaluasi menunjukkan bahwa model dengan transformasi majas memiliki akurasi yang lebih tinggi (93.52%) dibandingkan dengan model tanpa transformasi majas (92.31%), menunjukkan bahwa majas memberikan kontribusi terhadap kekayaan ekspresi emosional yang dapat dikenali oleh model. Model ini menunjukkan hasil yang kompetitif dan dapat dibandingkan dengan SVM yang menggunakan PSO, sekaligus memberikan kinerja yang lebih baik dibandingkan K-NN dan Naive Bayes. Implementasi sistem ini berbasis website menggunakan framework Streamlit, memungkinkan pengguna memasukkan lirik dan mendapatkan prediksi emosi secara interaktif. Penelitian ini memberikan kontribusi dalam analisis emosi musik, serta menawarkan alternatif yang efisien dan aksesibilitas yang lebih luas untuk klasifikasi emosi dalam lirik lagu. |
|---|
| Abtrak (Bhs. Inggris) | Music has become an essential medium for expressing emotions and enriching human social experiences. However, the manual interpretation of emotions in song lyrics is often inaccurate and time-consuming, especially for complex or ambiguous lyrics. This creates a need for an automated system that can improve the accuracy and efficiency of emotion classification in song lyrics. Various algorithms, such as K-Nearest Neighbor (K-NN), Naive Bayes Classifier, and Support Vector Machine (SVM), have been applied for emotion classification in song lyrics. Previous research has shown that SVM combined with Particle Swarm Optimization (PSO) achieves an accuracy of up to 90%, while K-NN with feature selection produces the highest f-measure of 66.93%, and Naive Bayes achieves an accuracy of up to 45%. In this study, the Logistic Regression algorithm, supported by the Term Frequency-Inverse Document Frequency (TF-IDF) method, is applied to enhance the accuracy of emotion classification. Evaluation results indicate that the model with figurative language transformation achieves a higher accuracy (93.52%) compared to the model without figurative language transformation (92.31%), demonstrating that figurative language contributes to the richness of emotional expression recognized by the model. This model shows competitive results and can be compared to SVM using PSO while providing better performance than K-NN and Naive Bayes. The system implementation is web-based using the Streamlit framework, allowing users to input lyrics and obtain interactive emotion predictions. This research contributes to the analysis of music emotions and offers an efficient and more accessible alternative for emotion classification in song lyrics. |
|---|
| Kata kunci | Emosi, Logistic Regression, Text Mining, TF-IDF |
|---|
| Pembimbing 1 | Dr. Ir. Lasmedi Afuan, ST, M.Cs. |
|---|
| Pembimbing 2 | Ir. Swahesti Puspita Rahayu, S.Kom., M.T. |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2025 |
|---|
| Jumlah Halaman | 10 |
|---|
| Tgl. Entri | 2025-03-06 09:42:59.136424 |
|---|