KLASIFIKASI GENRE MUSIK MENGGUNAKAN MACHINE LEARNING

Dhamara, Garda Zidane (2025) KLASIFIKASI GENRE MUSIK MENGGUNAKAN MACHINE LEARNING. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_57201_2113030020.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (Similarity) RAMA_57201_2113030020_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Cover sd BAB 1 + References) RAMA_57201_2113030020_0721029101_0712108103_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (851kB)
	Text (BAB 2) RAMA_57201_2113030020_0721029101_0712108103_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (311kB) | Request a copy
	Text (BAB 3) RAMA_57201_2113030020_0721029101_0712108103_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (159kB) | Request a copy
	Text (BAB 4) RAMA_57201_2113030020_0721029101_0712108103_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (513kB) | Request a copy
	Text (BAB 5) RAMA_57201_2113030020_0721029101_0712108103_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (14kB) | Request a copy
	Text (References) RAMA_57201_2113030020_0721029101_0712108103_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (145kB)
	Text (Lampiran) RAMA_57201_2113030020_0721029101_0712108103_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (4MB) | Request a copy

Abstract

Musik merupakan salah satu media yang digunakan manusia untuk mengekspresikan emosi, budaya, dan pesan secara universal. Seiring dengan perkembangan teknologi digital, jumlah lagu yang tersedia secara daring semakin meningkat pesat, sehingga memunculkan tantangan baru dalam pengelolaan dan pencarian musik sesuai preferensi pengguna. Klasifikasi genre musik menjadi salah satu solusi untuk mempermudah proses pencarian dan penyusunan katalog musik digital. Namun, klasifikasi secara manual dianggap tidak efisien karena jumlah lagu yang sangat besar dan adanya kemiripan karakteristik antar genre. Penelitian ini bertujuan untuk membangun dan membandingkan model klasifikasi genre musik menggunakan empat algoritma Machine Learning, yaitu Naive Bayes, K-Nearest Neighbors (K-NN), Random Forest, dan Support Vector Machine (SVM). Dataset yang digunakan adalah GTZAN yang berisi 1000 file audio dari sepuluh genre berbeda namun yang digunakan pada penelitian ini hanya 700 file dari tujuh genre yang berbeda. Fitur audio yang digunakan pada penelitian ini adalah fungsi extract_features() yang diimplementasikan dengan pustaka Librosa pada Google Colab. Fitur-fitur yang diekstraksi melalui fungsi tersebut adalah Mel-Frequency Cepstral Coefficientz (MFCC), Chroma, Spectral Contrast, dan Tonnetz. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score untuk mengetahui keunggulan masing-masing algoritma. Hasil pengujian menunjukkan bahwa setiap algoritma memiliki performa yang berbeda dalam melakukan klasifikasi genre musik. Support Vector Machine memberikan hasil akurasi yang cukup tinggi dan stabil dibandingkan algoritma lainnya. Algoritma Random Forest juga menunjukkan performa yang kompetitif, sedangkan Naive Bayes dan K-NN memiliki keunggulan dalam hal kecepatan dan efektivitas pada kondisi data tertentu. Fitur MFCC terbukti efektif dalam membantu proses klasifikasi karena mampu merepresentasikan ciri khas suara dari masing-masing genre. Secara keseluruhan, penelitian ini membuktikan bahwa teknologi Machine Learning dapat diterapkan untuk mengklasifikasikan genre musik secara otomatis dengan tingkat akurasi yang baik. Pendekatan ini dapat mendukung pengembangan sistem rekomendasi musik yang lebih relevan dan personalisasi layanan streaming musik digital. Dengan demikian, hasil penelitian ini diharapkan dapat menjadi referensi dalam pengembangan teknologi di bidang industri kreatif musik. Penelitian lanjutan dapat dilakukan dengan memperluas dataset dan mengkombinasikan metode lain agar memperoleh performa klasifikasi yang lebih optimal.

Actions (login required)

View Item