ANALISIS DAN STUDI KOMPARATIF ALGORITMA KLASIFIKASI GENRE MUSIK

Eka Angga Laksana, Feri Sulianta

Abstract


Data mining memiliki beragam algoritma klasifikasi yang terus berkembang. Berbagai bidang baik industry maupun akademis telah memanfaatkan teknik klasifikasi dengan berbagai tujuan. Teknik klasifikasi membuat data menjadi berkelompok berdasarkan kategori atau atribut tertentu. Multimedia pun tak luput dari area yang disentuh oleh klasifikasi. Multimedia sangat berkaitan dengan hiburan dan telah menjadi salah satu kebutuhan manusia, salah satunya adalah musik. Dewasa ini penikmat musik semakin dimanjakan oleh perkembangan musik. Ditambah lagi dengan tren teknologi internet yang memungkinkan berbagai perangkat tersambung dengan internet, seseorang dapat mendengarkan musik dari berbagai perangkat kapanpun dan dimanapun. Menikmati musik tentunya tak lepas dari genre yang bersangkutan. Biasanya seseorang dapat dengan mudah mengenali genre berdasarkan pengetahuan yang dimilikinya. Namun dengan teknik data mining, hal tersebut dapat dilakukan dengan beragam teknik klasifikasi. Klasifikasi genre music sebenarnya bukanlah hal yang baru lagi, beberapa peneliti telah mengangkat topik tersebut dengan teknik yang bervariasi. Namun demikian yang membuat penelitian ini berbeda adalah menemukan algoritma dengan performa terbaik melalui proses evaluasi yang sesuai dengan standar data mining. Algoritma yng diujikan adalah: SVM, KNN, Random Forest, Extra Trees, dan Gradient Boosting

Full Text:

PDF

References


I. H. Witten, Data mining : practical machine learning tools and techniques, 3rd ed. Burlington: Morgan Kaufmann, 2011.

Florin Gorunescu, Data Mining: Concepts, Models and Techniques. Springer, 2011.

N. J. Hunt, N. Lennig, P. Mermeletein, and B. N. Reeeerch, “Stllable—based recognition,” no. 3, pp. 880–883, 1980.

T. Giannakopoulos, “PyAudioAnalysis: An open-source python library for audio signal analysis,” PLoS One, vol. 10, no. 12, pp. 1–17, 2015.

G. Tzanetakis, S. Member, and P. Cook, “Musical Genre Classification of Audio Signals,” vol. 10, no. 5, pp. 293–302, 2002.

F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” J. Mach. Learn. Res., vol. 12, pp. 2825–2830, 2012.

B. K. Baniya, D. Ghimire, and J. Lee, “Automatic music genre classification using timbral texture and rhythmic content features,” Int. Conf. Adv. Commun. Technol. ICACT, vol. 2015–August, no. 3, pp. 434–443, 2015.

R. Ajoodha, R. Klein, and B. Rosman, “Single-labelled Music Genre Classification Using Content-Based Features,” 2015.

M. M. Panchwagh, “Music Genre Classification Using Data Mining Algorithm,” pp. 49–53, 2016.

C. N. Silla, A. L. Koerich, and C. A. A. Kaestner, “A Machine Learning Approach to Automatic Music Genre Classification,” J. Brazilian Comput. Soc., vol. 14, no. 3, pp. 7–18, 2008.

C. A. A. Jr, Carlos N Silla;Koerich, Alessandro L., Kaestner, “A Feature Selection Approach for Automatic Music Genre Classification,” Int. J. Semant. Comput., vol. 3, no. 2, pp. 183–208, 2009.

C. Cortes and V. Vapnik, “Support-Vector Networks,” Mach. Learn., vol. 20, no. 3, pp. 273–297, 1995.

L. Breiman, “RANDOM FORESTS,” pp. 1–35, 1999.

P. Geurts, D. Ernst, and L. Wehenkel, “Extremely randomized trees,” no. October 2005, 2006.

J. H. Friedman, “Greedy Function Approximation: A Gradient Boosting Machine,” Ann. Stat., vol. 29, p. 5, 2001


Refbacks

  • There are currently no refbacks.