YUNINDAR, Galih Arditiya (2025) Implementasi Text Mining pada Lirik Lagu Untuk Klasifikasi Lagu Berdasarkan Emosi Menggunakan Logistic Regression Berbasis Website. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Galih Arditiya Yunindar-H1D020091-Skripsi-2025.pdf Download (40kB)
	PDF (Legalitas) LEGALITAS-Galih Arditiya Yunindar-H1D020091-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB)
	PDF (Abstrak) ABSTRAK-Galih Arditiya Yunindar-H1D020091-Skripsi-2025.pdf Download (80kB)
	PDF (BabI) BAB-I-Galih Arditiya Yunindar-H1D020091-Skripsi-2025.pdf Restricted to Repository staff only until 17 March 2026. Download (166kB)
	PDF (BabII) BAB-II-Galih Arditiya Yunindar-H1D020091-Skripsi-2025.pdf Restricted to Repository staff only until 17 March 2026. Download (277kB)
	PDF (BabIII) BAB-III-Galih Arditiya Yunindar-H1D020091-Skripsi-2025.pdf Restricted to Repository staff only until 17 March 2026. Download (136kB)
	PDF (BabIV) BAB-IV-Galih Arditiya Yunindar-H1D020091-Skripsi-2025.pdf Restricted to Repository staff only Download (867kB)
	PDF (BabV) BAB-V-Galih Arditiya Yunindar-H1D020091-Skripsi-2025.pdf Download (42kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Galih Arditiya Yunindar-H1D020091-Skripsi-2025.pdf Download (182kB)
	PDF (Lampiran) LAMPIRAN-Galih Arditiya Yunindar-H1D020091-Skripsi-2025.pdf Restricted to Repository staff only Download (85kB)

Abstract

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. 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.

Actions (login required)

View Item