DISUSUN OLEH:
Muhammad Jovan Ramadhan NRP: 02311740000117
Genre musik pada dasarnya bersifat subyektif karena sulit dijelaskan secara sistematis dan
konsisten. Klasifikasi genre, sampai sekarang, telah dilakukan secara manual dengan
menggabungkannya ke repositori file audio metadata. Namun makalah ini bertujuan klasifikasi
berbasis konten, dengan fokus pada informasi dalam audio. Kami menggunakan pendekatan
pembelajaran mesin tradisional untuk klasifikasi dengan menemukan fitur yang sesuai dari
sinyal audio, pelatihan classifier pada data fitur dan membuat prediksi genre terkait.
METODOLOGI
Pada percobaan klasifikasi genre music ini, hal yang pertama dilakukan adalah
pengumpulan lagu-lagu yang bergenrekan pop, jazz, klasikal dan rock. Lagu yang telah
dikumpulkan adalah sebagai berikut.
Metode klasifikasi genre yang akan dirancang dimulai dengan input data lagu. Apabila data
lagu masih stereo, maka data lagu diubah menjadi data mono, selanjutnya dilakukan proses
ekstraksi ciri lewat metode MFCC. Hasil ekstraksi ciri adalah vektor ciri yang selanjutnya akan
diproses pada klasifikasi K-NN dan klasifikasi K-NN akan menghasilkan hasil kelas terdekat
dari vektor ciri data lagu yang menjadi input. Kelas tersebut diterjemahkan menjadi genre
sesuai awal pembentukan model klasifikasi K-NN. Alur kerja dalam penelitian ini dapat dilihat
dari gambar berikut.
Gambar 1. Alur kerja klasifikasi genre musik
Percobaan ini menggunakan dataset GTZAN Genre Collection yang dapat diakses secara
gratis di website MARSYAS, GTZAN Genre Collection sendiri merupakan sebuah dataset
yang berisi 1000 klip 16-bit mono audio yang masing-masing berdurasi 30 detik. Klip ini
menjangkau 10 genre dengan genre masing-masing memiliki total 100 lagu.
PEMBAHASAN
Percobaan ini yang telah dijelaskan sebelumnya, menggunakan 20 sample lagu yang
terdiri dari 4 genre yaitu jazz, pop, klasik dan metal yang selanjutnya dimasukkan pada
program MATLAB yang di dalamnya telah dimasukan algoritma-algoritma MFCC dan K-NN
(dimana script code nya telah terlampir pada LAMPIRAN 1) untuk mengidentifikasi genre
musik serta mengukur tingkat akurasinya. Berikut merupakan data hasil output klasifikasi
genre musik pada MATLAB.
Tabel 2. Hasil perbandingan genre lagu sebenarnya dan genre yang diklasifikasikan
Musik Genre sebenarnya Genre Klasifikasi
Bobby Caldwell-What You Wont Do for Love Jazz Pop
Pada hasil percobaan tersebut didapatkan grafik akurasi per genre yaitu sebagai berikut.
PENUTUP
A. Kesimpulan
Berdasarkan data di atas, dapat dinyatakan bahwa hasil pembacaan genre musik dengan
metode tersebut baik karena hasil pembacaan genre musik yang telah dilakukan dengan
menggunakan metode ekstraksi ciri MFCC dan klasifikasi K-NN didapatkan akurasi
sebesar 80%.
B. Saran
Sebaiknya perlu dilakukan pengujian lebih banyak sampel dan genre lagu agar
mendapatkan klasifikasi yang lebih lengkap dalam pengujian metode MFCC dan K-NN ini.
DAFTAR PUSTAKA
[1] Logan, Mel . 2000. Fequency Cepstral Coefficients for Music Modeling.
http://ismir2000.ismir.net/papers/
[2] Umar, Rusydi.2018. Analisis Bentuk Pola Suara Menggunakan Ekstraksi Ciri Mel-
Frequency Cepstral Coefficients (MFCC). Cogito Smart Journal. Vol 4 No 2. 294-304.
[3] Patil, Nilesh M. 2017. Music Genre Classification Using MFCC, K-NN and SVM
Classifier. International Journal of Computer Engineering In Research Trends. Vol 4 No 2. 43-
47.
[4] José Anibal Arias, Julien Pinquier and Régine André-Obrecht. 2005. “Evaluation Of
Classification Techniques For Audio Indexing,” Proceedings of 13th European Signal
Processing Conference. EUSIPCO'2005, Antalya, Turkey.
[5] Tzanetakis, G., Cook, P. 2002. Musical genre classification of audio signals. IEEE
Transactions on Speech and Audio Processing 10, 293–302.