Abdulbar, Husein (2019) Klasifikasi Genre Lagu dengan Fitur Akustik Menggunakan Metode K-Nearest Neighbor. Sarjana thesis, Universitas Brawijaya.
Abstract
Lagu adalah suatu kegiatan yang tidak bisa lepas dari aktivitas sehari-hari manusia. Ketika mendengarkan lagu manusia dapat lebih fokus pada aktivitas yang sedang dilakukannya. Sebuah lagu minimal memiliki satu genre yang memiliki fungsi untuk mengelompokkan jenis-jenis lagu. Pesatnya perkembangan informasi multimedia dan perangkat elekronik menyebabkan peningkatan dramatis pada apresiasi dan penciptaan musik. Pada suatu sisi peningkatan ini mendorong masyarakat untuk lebih menikmati lagu. Tapi di sisi lain, peningkatan ini memaksa pengembangan-pengembangan teknologi baru untuk kenyamanan mendengarkan lagu. Contohnya adalah bagaimana seseorang ingin mencari lagu berdasarkan lagu yang telah didengarkan. Klasifikasi genre lagu adalah salah satu cara yang dapat memudahkan pengguna untuk mencari lagu yang cocok, dengan klasifikasi pengguna dapat menemukan lagu berdasarkan genre dari lagu yang disukainya. Penelitian ini menggunakan metode K-Nearest Neighbor (K-NN) sebagai teknik pengklasifikasian genre lagu. Untuk mengukur kedekatan dua buah lagu digunakan persamaan normalized cross correlation (NCC) yang menggantikan persamaan penghitungan jarak pada metode K-NN. Ini dilakukan karena NCC dapat mengukur kemiripan dua buah sinyal lebih baik dibandingkan persamaan penghitungan jarak pada K-NN. Fitur yang diekstraksi dari sebuah lagu adalah zero crossing rate, spectral centroid, spectral rolloff, dan energy. Data yang didapat dari hasil ekstraksi fitur kemudian dinormalisasi menggunakan persamaan z-score. Penelitian ini berhasil mengembangkan sistem yang dapat mengklasifikasi lagu menggunakan empat fitur akustik. Hasil pengujian menunjukkan evaluasi terbaik didapatkan ketika durasi bernilai 10, offset bernilai 120, dan K dari K-NN bernilai 10. Precision, recall, dan f-measure yang didapatkan pada penelitian ini adalah precision bernilai 0,637, recall bernilai 0,633, dan f-measure bernilai 0,635.
English Abstract
Song cannot be separated from humans daily activities. When listening to songs humans can focus more on their activities. A song has at least one genre that used to classify the types of songs. The rapid development of information on multimedia and electronic devices has led to a dramatic increase in music appreciation and creation. On the one hand this increase encourages people to enjoy songs more. But on the other hand, this increase forced the development of new technologies for the convenience of listening to songs. An example is how someone wants to find a song based on a song that has been heard. Genres classification is one way that can help users to find suitable songs, with that users can find songs by genre of song they like. This study will use the K-Nearest Neighbor (K-NN) method as a genre classification technique for songs. To measure the similarity of two songs, a normalized cross correlation (NCC) equation is used to replace the distance calculation equation in the K-NN method. This is done because the NCC can measure the similarity of two signals better than the distance calculation equation in the K-NN. The features that extracted from a song are zero crossing rate, spectral centroid, spectral rolloff, and energy. Data obtained from feature extraction will be normalized using the z-score equation. This research successfully developed a system that can classify songs using four acoustic features. The test results show that the best evaluation is obtained when the duration is 10, the offset is 120, and K in K-NN is 10. Precision, recall, and f-measure that obtained in this study are precision with a value of 0.637, recall with a value of 0.633, and f-measure with a value of 0.635.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/654/051907846 |
| Uncontrolled Keywords: | genre, lagu, klasifikasi, K-nearest neighbor, cross correlation, genre, song, classification, K-nearest neighbor, cross correlation |
| Subjects: | 000 Computer science, information and general works > 001 Knowledge > 001.012 Classification |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 01 Aug 2020 08:55 |
| Last Modified: | 09 Mar 2022 03:40 |
| URI: | http://repository.ub.ac.id/id/eprint/174087 |
Preview |
Text
Husein Abdulbar (2)ok.pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |