KLASIFIKASI MUSIK BERDASARKAN GENRE MENGGUNAKAN METODE NAÏVE BAYES

Musik telah menjadi satu kesatuan dalam kehidupan mayoritas orang. Pembawaan musik pada era modern telah tergantikan dari yang semula album fisik kini menjadi musik digital. Label kategorikal (genre) diberikan pada setiap karya musik untuk mengidentifikasi jenis genre musiknya. Berdasarkan fitur yang di ekstrak menggunakan teknik machine learning, musik dapat diklasifikasikan secara otomatis sesuai genrenya sehingga dinilai lebih efisien jika dibandingkan dengan melakukan klasifikasi secara manual setiap trek dari database musik besar. Penelitian ini dilakukan untuk mengklasifikasikan genre musik menggunakan dataset GTZAN dengan fitur ekstraksi yang digunakan adalah Mel Frequency Cepstral Coefficients (MFCC) dan Naïve Bayes untuk klasifikasi. Keunggulan penggunaan MFCC sebagai fitur ekstraksi adalah kemampuan dalam mengenali karakteristik suara yang sangat penting bagi pengenalan suara dan menghasilkan data yang sangat penting bagi pengenalan musik dan menghasilkan data seminimal mungkin tanpa menghilangkan informasi penting. Berdasarkan hasil penelitian yang telah dilakukan, rata-rata akurasi dari model Naive Bayes menunjukkan performa yang baik dalam klasifikasi pada dataset dengan rata-rata akurasi sekitar 92,80% dengan menggunakan 5 genre optimal yaitu: classical, disco, hiphop, pop, dan reggae. Hal ini berbanding terbalik jika menggunakan model yang dilatih dengan 10 genre, didapatkan akurasi rata-rata sebesar 68,90%. Dengan meningkatnya jumlah genre, kompleksitas data juga meningkat. Ini berarti terdapat lebih banyak variasi dalam fitur-fitur yang digunakan untuk membedakan antara genre-genre tersebut. Dengan menggunakan permutation importance, didapatkan model optimal menggunakan 12 fitur dalam MFCC dengan akurasi maksimal sebesar 95%.