Exploration of Feature Extraction and Selection for the Classification of Javanese-Influenced Music Genres Using Traditional Machine Learning Methods

Nadine Maharani Nur Sabila, Aina Musdholifah, S.Kom., M.Kom., Ph.D

2026 | Skripsi | ILMU KOMPUTER

Manusia mengklasifikasikan musik ke dalam genre berdasarkan perspektif individu, tingkat kenyamanan, dan interpretasi subjektif terhadap genre yang ambigu. Seiring pesatnya perkembangan platform musik global, volume musik yang hampir tanpa batas telah menyebabkan tumpang tindih genre yang signifikan. Meskipun Music Information Retrieval (MIR) menggunakan klasifikasi genre musik untuk mengatasi tantangan ini, penelitian yang ada masih didominasi oleh genre musik Barat dan berfokus pada akurasi model, sehingga genre etnomusikologi non-Barat kurang dieksplorasi. Penelitian ini mengembangkan kerangka klasifikasi genre untuk Gamelan, Campursari, dan Pop Jawa menggunakan dataset yang dikurasi secara mandiri berisi 300 lagu (100 lagu per genre). Sebanyak 75 fitur audio (timbral, harmonik, dan temporal) diekstraksi dengan LibROSA, lalu dievaluasi pada empat skenario seleksi fitur: Information Gain (IG), Recursive Feature Elimination (RFE), irisan metode (IG?RFE), dan Baseline (semua 75 fitur). Tiga skema pembagian data diterapkan, termasuk pemisahan berbasis artis untuk mengatasi masalah (artist leakage), di mana model berpotensi mempelajari pola khas penyanyi/grup musik daripada pola genre. Klasifikasi dilakukan menggunakan Support Vector Machine (SVM), Random Forest (RF), dan K-Nearest Neighbor (KNN). SVM secara konsisten mengungguli classifier lainnya di semua skema, mencapai F1 tertinggi sebesar 1.0000 pada Skema 3 dengan fitur Baseline. Analisis Permutation Feature Importance mengidentifikasi koefisien MFCC dan energi RMS sebagai diskriminator utama, dengan fitur Chroma memberikan informasi tonal tambahan yang terkait dengan tangga nada Slendro dan Pelog. Campursari merupakan genre yang paling sulit diklasifikasikan disebabkan oleh kemiripan akustiknya dengan Pop Jawa. Penelitian ini menunjukkan bahwa kombinasi pembagian data, seleksi fitur sistematis, dan interpretabilitas post-hoc menghasilkan performa klasifikasi yang andal, memberikan wawasan akustik dan budaya yang bermakna tentang musik berpengaruh Jawa.

Humans classify music into genres based on their perspective, comfort level, and subjective interpretations of ambiguous genres. With the rapid growth of on-demand global music platforms, the virtually limitless volume of accessible music has led to significant genre overlap. Although Music Information Retrieval (MIR) employs music genre classification to address this challenge, existing studies largely focus on Western genres and model accuracy, leaving non-Western ethnomusicological genres underexplored. This study develops a genre classification framework for Gamelan, Campursari, and Pop Jawa using a self-curated dataset of 300 songs (100 per genre). A total of 75 acoustic features spanning timbral, harmonic, and temporal descriptors were extracted using LibROSA and evaluated across four feature scenarios: Information Gain (IG), Recursive Feature Elimination (RFE), their intersection (IG?RFE), and a Baseline of all 75 features. Three data partitioning schemes were implemented, including artist-separated splits to address the artist leakage problem, in which models may otherwise learn performer-specific cues rather than genre-level patterns. Classification was performed using Support Vector Machine (SVM), Random Forest (RF), and K-Nearest Neighbor (k-NN). SVM consistently outperformed the other classifiers across all schemes, achieving a peak F1-score of 1.0000 in Scheme 3 with the Baseline feature set. Permutation Feature Importance analysis identified MFCC coefficients and RMS energy as the primary discriminators, with chroma features contributing supplementary tonal information linked to the Slendro and Pelog scales. Campursari was the most challenging genre to classify due to its acoustic overlap with Pop Jawa. This study demonstrates that combining rigorous data partitioning, systematic feature selection, and post-hoc interpretability produces reliable classification performance while yielding meaningful acoustic and cultural insights into Javanese-influenced music.

Kata Kunci : Music Genre Classification, Javanese-Influenced Music, Feature Selection, Machine Learning, Feature Extraction