IBRAHIM, Hasan Maulana (2025) Klasifikasi Genre Musik Menggunakan Random Forest Berdasarkan Citra Audio dari Spektogram. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Cover.pdf Download (65kB)
	Text 3. HALAMAN PENGESAHAN I.pdf Download (309kB)
	Text 4. HALAMAN PENGESAHAN II.pdf Download (210kB)
	Text 5. KATA PENGANTAR.pdf Restricted to Repository staff only Download (109kB) | Request a copy
	Text 6. ABSTRAK.pdf Download (138kB)
	Text 7. ABSTRACT.pdf Download (105kB)
	Text 8. DAFTAR ISI.pdf Download (38kB)
	Text 12. BAB I.pdf Download (156kB)

Abstract

ABSTRAK
Musik sudah menjadi hal yang lumrah bagi semua kalangan dan senantiasa
hadir dalam berbagai macam kesempatan, seperti acara kenegaraan, berbagai jenis
pesta perayaan, dan ritual keagamaan yang sarat akan kesakralannya. Musik dapat
dikelompokkan dalam berbagai bentuk, salah satunya diklasifikasi ke dalam genre.
Klasifikasi genre musik berperan penting dalam industri musik, terkhusus dalam
peningkatan pengalaman pengguna aplikasi layanan musik daring. Dalam
penelitian ini, klasifikasi genre musik ini menggunakan random forest sebab relatif
mudah disesuaikan dengan kebutuhan klasifikasi, efektif digunakan untuk data
besar yang melibatkan fitur berdimensi tinggi, dan mudah dalam interpretasi
komponen-komponen penting dalam klasifikasi. Adapun data yang dipakai, yakni
GTZAN dan FMA small. Klasifikasi dimulai dari tahap praproses, dilanjutkan
dengan ekstraksi fitur audio dari kedua data, lalu model random forest dibuat, dan
diakhiri dengan evaluasi model klasifikasi. Klasifikasi genre musik ini
menggunakan dua model random forest, yaitu model random forest tanpa
hyperparameter tuning dan model random forest dengan hyperparameter tuning.
elah kedua model terbentuk dan dievaluasi, diketahui bahwa kedua jenis model dari
kedua data mampu mengklasifikasi setiap genre dengan baik. Namun, akurasi untuk
model random forest dengan hyperparameter tuning lebih tinggi daripada model
random forest tanpa hyperparameter tuning, yakni sebesar 87,95% dari data
GTZAN dan 47,6% dari data FMA small untuk model dengan hyperparameter
tuning; 81,68% dari data GTZAN dan 44,3% dari data FMA small.
Kata Kunci: random forest, GTZAN, FMA small, ekstraksi fitur, hyperparameter
tuning.

Actions (login required)

View Item