PENENTUAN KELAS GENRE LAGU PADA FORM AT WAV

NURMIYATI TAMATJITA, Drs. Agus Harjoko, M.Sc, Ph.D

2013 | Tesis | S2 Ilmu Komputer

Dalam dunia yang berkembang pesat, media audio semakin komplek. Karena itulah diperlukan sebuah mekanisme penentuan jenis lagu (genre) yang tepat secara efektif dan efisien. Pencarian secara manual sudah tidak efektif dan efisien lagi karena banyaknya data yang tersimpan. Zero Crossing Rate (ZCR), Average Energy (E) dan Silent Ratio (SR) adalah 3 Feature Extraction yang digunakan untuk klasifikasi pencarian 12 genre. Tiga dimensi adalah bentuk visualisasi pengukuran tingkat kemiripan sebuah data berdasarkan hasil klasifikasi yang diinput oleh user. Dalam penelitian ini pengujian klasifikasi untuk 12, 9, 6 dan 3 genre melalui jarak terdekat (Euclidean Distance). Untuk mengetahui tingkat akurasi, dilakukan pengujian terhadap 120 lagu pada uji 12, 9, 6 dan 3 genre. Dari hasil pengujian 3 genre yaitu Balada, Blues dan Classic akurasi mencapai 96,67%, 6 genre yaitu Balada, Blues, Classic, Harmony, Hip Jop dan Jazz akurasi mencapai 70% dan 9 genre yaitu Balada, Blues, Classic, Harmony, Hip Hop, Jazz, Keroncong, Latin dan Pop akurasi mencapai 53,33% serta 12 genre dengan akurasi 33,33%. Hasil pengujian dengan Algoritma k-Nearest Neighbors terhadap 120 lagu untuk k=3 akurasi mencapai 22,5%, k=5 akurasi mencapai 22,5%, k=7 akurasi mencapai 26,7% dan k=9 akurasi mencapai 26,7%. Sehingga hasil penentuan jenis lagu (genre) dengan pencocokkan pada pusat kelas melalui jarak terdekat, lebih baik hasilnya daripada menggunakan Algoritma k-NN.

Music genre is getting complex from time to time. As the size of digital media grows along with amount of data, manual search of digital audio files according to its genre is considered impractical and inefficient; therefore a classification mechanism is needed to improve searching. Zero Crossing Rate (ZCR), Average Energy (E) and Silent Ratio (SR) are a few of features that can be extracted from digital audio files to classify its genre. This research conducted to classify digital audio (songs) into 12 genres: Ballad, Blues, Classic, Harmony, Hip Hop, Jazz, Keroncong, Latin, Pop, Electronic, Reggae and Rock using above mentioned features, extracted from WAV audio files. Classification is performed several times using selected 3, 6, 9 and 12 genres respectively. The result shows that classification of 3 music genres (Ballad, Blues, Classic) has the highest accuracy (96.67%), followed by 6 genres (Ballad, Blues, Classic, Harmony, Hip Hop, Jazz) with 70%, and 9 genres (Ballad, Blues, Classic, Harmony, Hip Hop, Jazz, Keroncong, Latin, Pop) with 53.33% accuracy. Classification of all 12 music genres yields the lowest accuracy of 33.33%. The test results with the k-Nearest Neighbors algorithm to 120 songs for k = 3 accuracy reaches 22.5%, k = 5 accuracy reaches 22.5%, k = 7 accuracy reaching 26.7% and k = 9 accuracy reaches 26.7 %. So the result of determining the type of song (genre) by matching the shortest distance through the center of the class, the better the results than using the k-Nearest Neighbors (k-NN) Algorithm.

Kata Kunci : Zero Crossing Rate (ZCR), Average Energy (E), Silent Ratio (SR), Euclidean Distance, Algoritma k-Nearest Neighbors;