ELECTRONIC DANCE MUSIC GENRE CLASSIFICATIONS BASED ON SUPPORT VECTOR MACHINE AND MEL-FREQUENCY CEPSTRAL COEFFICIENTS

Maisa Imanulya Suryaman, Dr. Yohanes Suyanto, M.I.Kom.

2025 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Musik adalah bentuk ekspresi seni yang bersifat universal, dipegang erat

dalam interaksi kombinasi manusia dan budaya. Berbagai jenis musik, salah

satunya Electronic Dance Music (EDM) terkenal sebagai suatu kategori yang

relatif modern, bercirikan oleh ketergantungannya pada instrumen elektronik dan

teknik produksi digital. Musik EDM, dengan lapisan suara yang rumit serta

struktur ketukan yang dinamis, menimbulkan tantangan dalam klasifikasi genre

kategori music terssebut, karena perbedaan halus dalam ritme, energi, dan

karakteristik nada sering kali sulit dibedakan.

Penelitian tugas akhir ini fokus pada klasifikasi empat genre EDM (House,

Techno, Drum and Bass (DnB), dan Trance) menggunakan Support Vector

Machines (SVM) dengan Mel-Frequency Cepstral Coefficients (MFCC) sebagai

metode ekstraksi fitur. Dataset yang digunakan terdiri dari 100 lagu EDM (masing-

masing 25 lagu per genre), di mana setiap lagu dipotong menjadi segmen berdurasi

30 detik yang menampilkan bagian setelah beat drop untuk menunjukkan

karakteristik utama dari masing-masing genre. Semua file audio distandarisasi ke

dalam format WAV guna memastikan konsistensi kualitas data.

Model klasifikasi akan dievaluasi dengan membandingkan tiga jenis kernel

SVM yaitu Linear, Radial Basis Function (RBF), dan Polinomial. Hasil penelitian

menunjukkan bahwa meskipun fitur ekstraksi MFCC dan model SVM dapat

digunakan dalam menangkap distribusi frekuensi dan variasi temporal dalam

EDM, permasalahan overfitting masih menjadi kendala utama. Penelitian di masa

depan dapat meningkatkan kinerja klasifikasi genre serta

mengurangi overfitting dengan memperluas dataset dan mengeksplorasi teknik

ekstraksi fitur alternatif.

Music is a universal form of artistic expression, it deeply embedded in human

interaction and culture. Among the diverse categories, Electronic Dance Music

(EDM) stands out as a relatively modern musical discovery, characterized by its

reliance on electronic instruments and digital production techniques. The

complexity of EDM, rely on its distinct characteristics of sounds and dynamic beat

structures, which occurred challenges in automatic genre classification, as subtle

differences in rhythm, energy, and tonal characteristics can be difficult to

distinguish.

This study focuses on classifying four EDM genres (House, Techno, Drum

and Bass (DnB), and Trance) using Support Vector Machines (SVM) with Mel-

Frequency Cepstral Coefficients (MFCC) as the feature extraction method. The

dataset utilized in this study consist of100 EDM tracks (25 per genre) and it was

curated, with each track clipped to a 30-second segment featuring the beat drop to

emphasize each genres characteristics. All audio files were standardized to WAV

format to ensure consistency in data quality.

The classification models were evaluated comparing three SVM kernels:

Linear, Radial Basis Function (RBF), and Polynomial. The results indicate that

while SVM models were effective in capturing frequency distribution and temporal

variations in EDM. However, overfitting were found as remaining significant

trouble, in future research expanding the dataset and experimenting with

alternative feature extraction techniques could further enhance genre classification

performance and reduce overfitting.

Kata Kunci : Audio Signal Processing, Music Information Retrieval, Electronic Dance Music, Machine Learning, Support Vector Machine, Ekstraksi Fitur