Klasifikasi Genre Musik Dengan Fitur Audio Menggunakan Metode K-Nearest Neighbour (KNN) dan eXtreme Gradient Boost (XGBoost)

Arkanardi, Maududi (2023) Klasifikasi Genre Musik Dengan Fitur Audio Menggunakan Metode K-Nearest Neighbour (KNN) dan eXtreme Gradient Boost (XGBoost). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06211940000130_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (3MB) | Request a copy

Abstract

Musik menjadi salah satu kultur budaya yang selalu ada dalam kehidupan manusia, dapat menjadi sebuah hiburan atau menjadi suatu ciri khas daerah tertentu. Dengan seiring berkembangnya zaman, musik kini memiliki beragam kegunaan dari berbagai bidang. Musik pada saat ini dapat dikelompokkan menjadi beberapa genre. Seiring bertambah banyaknya musik, genre musik pun bergeser dari standar yang telah ada ataupun membentuk sebuah gaya baru pada genre. Identifikasi genre musik memiliki sebuah kendala yaitu kurang efisien dalam mengidentifikasi genre musik secara manual karena membutuhkan seorang ahli untuk menghindari kesalahan dalam identifikasi. Penelitian ini bertujuan untuk membuat sebuah klasifikasi yang dapat membantu para ahli dan masyarakat umum mengklasifikasikan genre musik. Data audio yang digunakan dilakukan sebuah pre-processing untuk mendapakan nilai Mel Frequency Cepstral Coefficients (MFCC). Penelitan ini menggunakan dua metode klasifikasi yaitu K-Nearest Neighbour (KNN) dan eXtreme Gradient Boost (XGBoost) dengan menggunakan K-Fold Cross Validation. Metode klasifikasi KNN memiliki rata-rata nilai kinerja klasifikasi Accuracy, Precision, Sensitivity dan F-score pada data training secara berurutan adalah 0,9412, 0,9417, 0,9412, dan 0,9414 sedangkan pada data testing secara berurutan sebesar 0,8577, 0,8590, 0,8577 dan 0,8576. Metode klasifikasi XGBoost memiliki rata-rata nilai kinerja klasifikasi Accuracy, Precision, Sensitivity dan F-score pada data training secara berurutan adalah 0,9787, 0,9789, 0,9787 dan 0,9787 sedangkan pada data testing secara berurutan sebesar 0,7534, 0,7522, 0,7534, dan 0,7517. Kedua metode klasifikasi mengalami overfitting, berdasarkan nilai kinerja klasifikasi metode KNN dapat memprediksi data baru lebih baik dari XGBoost. Namun metode klasfikasi KNN membutuhkan waktu lebih lama dibandingkan dengan XGBoost pada data yang digunakan.
===============================================================================================================================
Music is one of the cultures that always exist in human life, it can be an entertainment or become a characteristic of a particular area. Along with the development of the times, music now has a variety of uses in various fields. Music at this time can be grouped into several genres. As the number of music increases, music genres also shift from existing standards or form a new style in the genre. Identification of music genres has a problem, namely it is less efficient to identify the genre of a music manually because it requires an expert to avoid mistakes in identification. This study aims to create a classification that can help experts and the general public to classify musical genres. The audio data used is pre-processed to obtain Mel Frequency Cepstral Coefficients (MFCC) values. This research uses two classification methods, K-Nearest Neighbour (KNN) and eXtreme Gradient Boost (XGBoost) with K-Fold Cross Validation. The KNN classification method has an average performance value of Accuracy, Precision, Sensitivity and F-score classification on the training data sequentially which are 0.9412, 0.9417, 0.9412, and 0.9414 while on data testing sequentially are 0.8577, 0.8590, 0.8577 and 0.8576. The XGBoost classification method has an average performance value of the Accuracy, Precision, Sensitivity and F-score classifications on training data sequentially which are 0.9787, 0.9789, 0.9787 and 0.9787 while on data testing sequentially are 0.7534, 0.7522, 0.7534, and 0.7517. Both methods experience overfitting, based on the classification performance value the KNN method can predict new data better than XGBoost. However, the KNN classification method takes longer than XGBoost on the data used.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Fitur Audio, Genre Musik, K-Nearest Neighbour, XGBoost, Audio Features, Music Genre
Subjects:	Q Science > QA Mathematics > QA278.55 Cluster analysis
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Maududi Arkanardi
Date Deposited:	30 Aug 2023 05:19
Last Modified:	30 Aug 2023 05:19
URI:	http://repository.its.ac.id/id/eprint/104596

Actions (login required)

View Item