Hasil Pencarian  ::  Simpan CSV :: Kembali

"Industri musik independen di Indonesia berkembang pesat dengan membuka peluang bagi musisi untuk mendirikan label sendiri dan meraih kebebasan artistik, meski masih menghadapi tantangan legitimasi dan persaingan dengan label besar. Penelitian ini bertujuan untuk menganalisis bagaimana Isyana Sarasvati, melalui perannya sebagai Key Opinion Leader (KOL), membangun citra REDROSE RECORDS sebagai label musik independen menggunakan media sosial. Penelitian ini menggunakan pendekatan kualitatif dengan tinjauan pustaka pada penelitian terdahulu serta analisis tematik terhadap wawancara Isyana di berbagai kanal YouTube. Temuan penelitian menunjukkan bahwa Isyana berhasil membangun citra REDROSE RECORDS melalui strategi otentisitas, narasi personal, eksplorasi genre progresif, dan pemanfaatan teknologi digital. Media sosial tidak hanya digunakan sebagai alat distribusi tetapi juga sebagai sarana membangun koneksi emosional dengan audiens. Implikasi penelitian ini menekankan pentingnya KOL yang memanfaatkan teknologi untuk menciptakan narasi autentik yang dapat menjadi strategi efektif dalam memperkuat eksistensi label musik independen.

---

Indonesia's independent music industry has grown rapidly, providing opportunities for musicians to establish their own labels and achieve artistic freedom, although they still face challenges in gaining legitimacy and competing with major labels. This study aims to analyze how Isyana Sarasvati, through her role as an opinion leader, builds the image of REDROSE RECORDS as an independent music label using social media. The research employs a qualitative approach, combining a literature review of previous studies and thematic analysis of interviews with Isyana across various YouTube channels. The findings reveal that Isyana successfully built the image of REDROSE RECORDS through strategies of authenticity, personal narratives, progressive genre exploration, and the utilization of digital technology. Social media served not only as a distribution tool but also as a means to foster emotional connections with the audience. The implications of this study highlight the importance of opinion leaders leveraging technology to create authentic narratives, which can serve as an effective strategy to strengthen the presence of independent music labels."

"Klasifikasi genre musik merupakan salah satu bidang dari Music Information Retrieval (MIR) yang menggunakan pola-pola spektral dalam rekaman audio digital sebagai fitur untuk membentuk sebuah sistem yang dapat menentukan genre dari sebuah musik secara otomatis. Beberapa model deep learning telah dikembangkan untuk memperoleh performa terbaik dalam melakukan klasifikasi genre musik. Tiga di antaranya adalah Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan model hybrid CNN-LSTM. Walaupun model- model tersebut mampu memberikan hasil yang cukup memuaskan, model-model tersebut memiliki kekurangan masing-masing. Model CNN kurang dapat memperhitungkan urutan-urutan fitur pada data berurutan dan model LSTM tidak dapat melakukan komputasi secara paralel. Ketiga model tersebut juga membutuhkan pengulangan dan konvolusi yang kompleks, serta waktu yang cukup panjang untuk perhitungan berurutan. Transformers merupakan arsitektur model yang tidak lagi mengandalkan recurrence/pengulangan, melainkan mekanisme attention yang dapat memperhitungkan urutan-urutan data pada data berurutan dan melakukan perhitungan paralel sehingga jangka waktu yang dibutuhkan dalam perhitungan lebih singkat. Melihat keberhasilan dan kepopuleran dari Transformer pada berbagai bidang seperti Bidirectional Encoder Representations from Transformers (BERT) pada bidang Natural Language Processing dan Vision Transformers pada bidang Computer Vision, pada skripsi ini dilakukan analisis mengenai kinerja model Transformers dalam permasalahan klasifikasi genre musik dibandingkan dengan model CNN, LSTM, dan CNN-LSTM.

---

Music genre classification is one of the fields of Music Information Retrieval (MIR) that uses spectral patterns in digital audio recording as features to build a system that can automatically classify a music’s genre. Several deep learning models have been developed to get the best performance in classifying music genres. Three of them are Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and hybrid CNN-LSTM model. Although those models can give satisfactory results, each model has their own weakness. CNN is less able to consider the sequences in sequential data and LSTM is not able to do parallel computation. All these models also require complex recurrences and convolutions, as well as quite a long time for sequential calculations. Transformers is a model architecture that no longer relies on recurrences, but rather on an attention mechanism that can consider the sequences in data and perform parallel calculations so that the time required for calculation is shorter. Looking into the success and popularity of Transformers in various fields such as BERT in the field of NLP and Vision Transformers in the field of Computer Vision, this thesis analyzes the performance of Transformers on music genre classification compared to CNN, LSTM, and CNN-LSTM."

"Music is often our companion when dealing with the incomprehensibility of loss. This edited collection speaks to the multifarious and complex ways in which music accompanies, supplements, and complements aspects of death and dying, whether this is the death of a loved one, or a celebrity from popular culture."

"Music in Islam many times instigates a hot debate among Muslims. Is it sunnah, makruh or mubah to name a few of the Islamic jurisdictions on music...."