Klasifikasi Genre Musik Berdasarkan Fitur Mel Frequency Spectral Coefficient Menggunakan Random Forest
DOI:
https://doi.org/10.30812/corisindo.v1.5560Keywords:
genre musik, klasifikasi, MFCC, random forest, spektralAbstract
Klasifikasi genre musik merupakan proses pengelompokan lagu berdasarkan kemiripan elemen-elemen seperti frekuensi, harmoni, dan pola ritme. Proses klasifikasi secara manual menjadi tidak efisien ketika berhadapan dengan volume data yang besar. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis genre musik menggunakan algoritma Random forest dengan menggabungkan fitur ekstraksi Mel frequency cepstral coefficient (MFCC) dan fitur spektral seperti Chroma, Spectral contrast, dan Tonnetz. Data yang digunakan berasal dari dataset GTZAN yang berisi 1000 file audio berdurasi 30 detik dan mewakili 10 genre musik berbeda. Tahapan penelitian meliputi ekstraksi fitur audio, preprocessing, pembagian data latih dan data uji, pelatihan model menggunakan Random forest dengan Grid Search, serta evaluasi performa menggunakan Confusion Matrix dan metrik akurasi. Hasil terbaik diperoleh dari kombinasi fitur MFCC, delta, delta-delta dengan perhitungan rata-rata dan standar deviasi, serta fitur spektral dengan perhitungan rata-rata, yang menghasilkan akurasi sebesar 76%. Temuan ini menunjukkan bahwa kombinasi fitur tersebut efektif dalam meningkatkan performa klasifikasi genre musik.
References
[1] D. R. Nugraa, “Aplikasi Klasifikasi Genre Musik Menggunakan Metode Naive Bayes Berbasis Desktop,” J. Inform. dan Teknol. Komput. (J …, vol. 01, no. 02, pp. 106–110, 2020.
[2] M. L. Radhitya, P. S. Informatika, P. Studi, T. Informatika, and U. Udayana, “Klasifikasi Genre Musik Menggunakan Teknik Pembelajaran Mesin,” J. Tek. Inf. dan Komput., vol. 9, no. 1, pp. 1–9, 2023.
[3] Y. Vita Via, I. Yuniar Purbasari, and A. Putra Pratama, “Analisa Algoritma Convolution Neural Network (Cnn) Pada Klasifikasi Genre Musik Berdasar Durasi Waktu,” SCAN J. Teknol. dan Inf., vol. 17, no. 1, pp. 35–41, 2022.
[4] P. Anggeli, Suroso, and M. Z. Agung, “Klasifikasi alat musik tradisional dengan metode machine learning menggunakan Librosa dan TensorFlow pada Python,” J. Sains Komput. Inform., vol. 5, no. 2, pp. 949–956, 2021.
[5] N. Amini, T. H. Saragih, M. R. Faisal, A. Farmadi, and F. Abadi, “Implementasi Algoritma Genetika Untuk Seleksi Fitur Pada Klasifikasi Genre Musik Menggunakan Metode Random Forest,” J. Inform. Polinema, vol. 9, no. 1, pp. 75–82, 2022, doi: 10.33795/jip.v9i1.1028.
[6] F. Diba, “Analisis Random Forest Menggunakan Principal Component Analysis Pada Data Berdimensi Tinggi,” Indones. J. Comput. Sci., vol. 12, no. 4, pp. 2152–2160, 2023, doi: 10.33022/ijcs.v12i4.3329.
[7] C. Gopi, H. Kishan, and V. Kumari, “Information Processing in Agriculture Deep learning for rice leaf disease detection : A systematic literature review on emerging trends , methodologies and techniques,” Inf. Process. Agric., no. April, 2024, doi: 10.1016/j.inpa.2024.04.006.
[8] M. H. Saleem, J. Potgieter, and K. M. Arif, “A weight optimization-based transfer learning approach for plant disease detection of New Zealand vegetables,” no. October, pp. 1–22, 2022, doi: 10.3389/fpls.2022.1008079.
[9] Murinto, “Klasifikasi Penyakit Kulit Wajah Menggunakan Metode Convolutional Neural Network Classification,” vol. 18, no. 2, pp. 183–190, 2021, [Online]. Available: https://eprints.umm.ac.id/79440/%0Ahttps://eprints.umm.ac.id/79440/1/Pendahuluan.pdf
[10] M. Fahmy Amin, “Confusion Matrix in Three-class Classification Problems: A Step-by-Step Tutorial,” J. Eng. Res., vol. 7, no. 1, pp. 0–0, 2023, doi: 10.21608/erjeng.2023.296718.
