Analisis Perbandingan Metode-Metode Machine Learning Untuk Klasifikasi Tema Lirik Lagu

FAJAR MERAH DIWANGKARA, Aina Musdholifah, S.Kom., M.Kom. Ph.D

2026 | Skripsi | ILMU KOMPUTER

Pemilihan algoritma yang tepat merupakan salah satu tantangan dalam tugas klasifikasi tema musik menggunakan lirik. Maka dari itu, dalam makalah ini saya melakukan penelitian untuk membandingkan performa algoritma Naive Bayes, k-Nearest Neighbor (KNN), Random Forest, dan Support Vector Machine (SVM) dalam tugas klasifikasi tema musik hanya dengan menggunakan lirik. Di penelitian ini saya membuat dataset secara manual, lalu memproses dataset tersebut dan menggunakan dataset tersebut untuk melatih keempat algoritma yang disebutkan tadi dalam tugas yang disebutkan tadi. Untuk hasil penelitian, algoritma Random Forest memiliki nilai tertinggi untuk semua kategori metrik kecuali Weighted Average Precision, sementara algoritma KNN memiliki nilai tertinggi untuk kategori metrik tersebut. Selain itu, algoritma KNN dan SVM memiliki nilai terendah di banyak kategori metrik, dan algoritma Naive Bayes tidak memiliki nilai terendah di semua kategori metrik dan tidak memiliki nilai tertinggi di semua kategori metrik. Untuk tugas klasifikasi tema musik, di hasil penelitian dapat dilihat bahwa algoritma SVM dan Naive Bayes memiliki performa yang mirip dengan penelitian sebelumnya yang dilakukan oleh Bischoff et al. (2009).

Choosing the right algorithm is one of the challenge in the task of classification of music theme using lyric. For that reason, in this paper i conduct research to compare the performance of Naive Bayes, k-Nearest Neighbor (KNN), Random Forest, and Support Vector Machine (SVM) algorithms in the task of classification of music theme using only lyric. In this research, i create the dataset manually, then process the dataset and use the dataset to train these four algorithm in the task mentioned earlier. In the research result, Random Forest algorithm have the highest performance in all metric category except Weighted Average Precision, while KNN have the highest performance in that metric. Besides that, KNN and SVM algorithm have the lowest performance in many metric category, while Naive Bayes algorithm have neither the highest nor lowest performance in any metric category. For the task of classification of music theme, in the research result it can be seen that the performance of SVM and Naive Bayes algorithm is similar with previous research conducted by Bischoff et al. (2009).

Kata Kunci : klasifikasi, pembelajaran mesin, naive bayes, support vector machine, k nearest neighbor, random forest