PERBANDINGAN DISTANCE MEASURE PADA K-MEANS CLUSTERING UNTUK PENGELOMPOKKAN MUSIK TERHADAP SUASANA HATI

Abstract

Dalam bidang information retrieval, MIR (Music Information Retrieval) merupakan bagian bidang keilmuan yang berhubungan dengan pencarian informasi dalam media berupa musik dengan penerapan algoritma data mining untuk pengelompokan/clustering data musik.

Penelitian ini diawali dengan tahap pra-pengolahan data yaitu mendapatkan nilai fitur pada musik dengan feature extraction. Tahapan feature extraction terdiri dari tiga proses, yaitu pengambilan sampel lagu (bagian refrain), penerapan fast fourier transform, dan penerapan spectral analysis untuk mendapatkan nilai spectral feature yang menjadi atribut dasar untuk dilakukannya pengelompokan musik terhadap suasana hati.

Proses clustering/pengelompokan K-Means ini menggunakan 200 file musik ke dalam 4 jenis suasana hati model Thayer. Dalam proses pengelompokan ini dilakukan perhitungan jarak setiap cluster menggunakan distance measure yang terdiri dari euclidean distance, city block distance, dan cosine distance. Selanjutnya dihitung nilai silhouette coefficient pada K-Means yang menunjukkan seberapa baik dan optimal suatu objek ditempatkan dalam suatu cluster. Akhirnya dari ketiga nilai distance measure ini diperoleh nilai silhouette coefficient tertinggi yaitu 0,64018 dengan waktu pemrosesan tercepat yaitu 0,0789935 pada euclidean distance.

Kata kunci : MIR, K-Means, Data Mining, Music Mood