pengklasifikasian genre musik berdasarkan … · digital, penentuan genre dengan mesin pun menjadi...

PENGKLASIFIKASIAN GENRE MUSIK BERDASARKAN

SINYAL AUDIO MENGGUNAKAN SUPPORT

VECTOR MACHINE

ARIEF DARMAWAN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Pengklasifikasian

Genre Musik Berdasarkan Sinyal Audio Menggunakan Support Vector Machine

adalah benar karya saya dengan arahan dari komisi pembimbing dan belum

diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber

informasi yang berasal atau dikutip dari karya yang diterbirkan maupun tidak

diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam

Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, Januari 2014

Arief Darmawan

NIM G64090108

ABSTRAK

ARIEF DARMAWAN. Pengklasifikasian Genre Musik Berdasarkan Sinyal

Audio Menggunakan Support Vector Machine. Dibimbing oleh MUSHTHOFA

dan AZIZ KUSTIYO.

Genre musik adalah label bagi seni musik untuk mencirikan dan

mengkategorikan musik. Penentuan genre musik dilakukan berdasarkan kemiripan

antar musik. Penentuan genre musik kebanyakan masih dilakukan secara manual.

Cara tersebut membutuhkan tenaga dan waktu yang cukup besar bila terdapat

database musik yang berukuran besar. Tujuan penelitian ini adalah membangun

model support vector machine untuk pengklasifikasian genre musik dan

menerapkan metode pengekstraksian fitur permukaan musik dan ritme. Model

yang telah dibangun kemudian digunakan untuk menentukan genre dari musik

yang belum diketahui genrenya. Support vector machine adalah sistem

pembelajaran yang pengklasifikasiannya menggunakan ruang hipotesis berupa

fungsi-fungsi linear dalam sebuah ruang fitur berdimensi tinggi. Sedangkan fitur

permukaan musik dan ritme yang dimaksud adalah centroid, roll off, flux, zero

crossings, low energy, dan empat titik tertinggi dari hasil perhitungan autokorelasi

sinyal. Hasil dari penelitian ini adalah model pengklasifikasian dengan tingkat

akurasi rata-rata sebesar 65%.

Kata kunci: genre musik, sinyal audio, support vector machine

ABSTRACT

ARIEF DARMAWAN. Musical Genre Classification Based On Audio Signal

Using Support Vector Machine. Supervised by MUSHTHOFA and AZIZ

KUSTIYO.

Musical genre is a label for musical art to characterize and categorize music.

The determination of musical genre is done based on the similarity between the

music. Most of the classification of musical genre is done manually, which

requires a lot of effort and time especially when there is a big database of music.

The purpose of this research is to build a support vector machine model to

automatically classify the musical genre and implement the method to extract the

musical surface and rhythm features. The developed model is then utilized to

determine the genre from the unknown music. Support vector machine is a

learning system whose classification uses a hypothesis space in the form of linear

functions in a high dimension of feature space. The extracted musical surface and

rhythm features are the centroid, roll off, flux, zero crossings, low energy, and

four peaks of the signal‟s autocorrelation calculation. The result of this research is

a classification model with an average accuracy of 65%.

Keywords: audio signal, musical genre, support vector machine

PENGKLASIFIKASIAN GENRE MUSIK BERDASARKAN

SINYAL AUDIO MENGGUNAKAN SUPPORT

VECTOR MACHINE

ARIEF DARMAWAN

Skripsi

sebagai salah satu syarat memperoleh gelar

Sarjana Komputer

pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

Penguji : Muhammad Asyhar Agmalaro, SSi MKom

Judul Skripsi : Pengklasifikasian Genre Musik Berdasarkan Sinyal Audio

Menggunakan Support Vector Machine

Nama : Arief Darmawan

NIM : G64090108

Disetujui oleh

Mushthofa, SKom, MSc

Pembimbing I

Aziz Kustiyo, SSi, MKom

Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom

Ketua Departemen

Tanggal Lulus:

Judul Skripsi: Pengklasifikasian Genre Musik Berdasarkan Sinyal Audio Menggunakan Support Vector Machine

Nama : Arief Darmawan NIM : G64090108

Disetujui oleh

Mushthofa. om, MSc Aziz Kustiyo, Ssi, MKom Pembimbing I Pembimbing II

Diketahui oleh

, ... 't

Dtlr,Agtts, . uo 0, MSi, MKom KetuaD~partemen

Tanggal Lulus: o6 JAN 2014

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas

segala karunia, rahmat dan ridho-Nya sehingga karya ilmiah ini berhasil

diselesaikan. Penelitian ini berfokus pada bidang kecerdasan komputasi dengan

menitikberatkan pada support vector machine sebagai salah satu proses untuk

mengklasifikasikan genre dari suatu data musik. Hal yang menjadi motivasi

penulis dala memilih topik ini yaitu kecerdasan komputasi sebagai salah satu

bidang ilmu yang selalu menawarkan metode-metode baru untuk menyelesaikan

masalah kecerdasan buatan.

Terima kasih penulis ucapkan kepada Bapak Mushtofa, SKom MSc selaku

pembimbing pertama yang senantiasa selalu membimbing, mengawasi dan

mengingatkan penulis pada penelitian ini, serta penulis juga ucapkan terima kasih

kepada Bapak Aziz Kustiyo, SSi MKom selaku pembimbing kedua yang telah

memberikan masukan dan analisis untuk memperbaiki perhitungan dalam

penelitian ini. Tak lupa pula penulis menyampaikan terima kasih kepada ayah, ibu

dan kakak yang selalu mendukung dan mendoakan selama penelitian ini

berlangsung. Ungkapan terima kasih juga disampaikan kepada teman-teman satu

bimbingan yaitu Putra, Resti, serta rekan-rekan satu angkatan Ilmu Komputer

angkatan 46 yang secara langsung dan tidak langsung membantu penulis pada

penelitian ini.

Semoga karya ilmiah ini bermanfaat bagi perkembangan ilmu pengetahuan

secara umum dan ilmu komputer pada khususnya.

Bogor, Januari 2014

Arief Darmawan

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

METODE 3

Studi Pustaka 3

Perumusan Masalah 3

Data Musik 3

Ekstraksi Fitur 4

Pembagian Data Latih dan Data Uji 8

Pelatihan 8

Pengujian 11

Lingkungan Pengembangan 11

HASIL DAN PEMBAHASAN 11

Data Musik 11

Ekstraksi Fitur Permukaan Musik 12

Ekstraksi Fitur Ritme 13

Pelatihan dan Pengujian 14

Pembahasan 14

SIMPULAN DAN SARAN 17

Simpulan 17

Saran 17

DAFTAR PUSTAKA 18

LAMPIRAN 19

RIWAYAT HIDUP 27

DAFTAR TABEL

1 Hasil 4-fold cross validation 14

2 Hasil pengklasifikasian fold-1 15 3 Hasil perbandingan data X 16

DAFTAR GAMBAR

1 Metodologi penelitian 3

2 Tahapan ekstraksi fitur permukaan musik 4 3 Tahapan ekstraksi fitur ritme 4 4 Proses texture windowing 5

5 Proses analysis windowing 5 6 Contoh centroid 6 7 Sinyal contoh perhitungan zero crossings 7 8 Tahapan perhitungan autocorrelation dan pemilihan 4 titik tertinggi 9 9 SVM pada data terpisah secara linier 10 10 SVM pada data yang terpisah secara nonlinier 10 11 Data yang akan digunakan 12 12 Hasil proses texture windowing 12 13 Hasil proses analysis windowing 12 14 Data dalam 1 window 13 15 Hasil dekomposisi filter highpass 13 16 Hasil dekomposisi filter lowpass 13 17 Hasil autocorrelation 13

18 Hasil akurasi tiap genre 15

DAFTAR LAMPIRAN

1 Data musik 19

2 Hasil pengklasifikasian 22

3 Hasil pengklasifikasian data musik 24

PENDAHULUAN

Latar Belakang

Genre musik adalah kategori dari karya seni, dalam hal ini khususnya

musik, untuk mencirikan dan mengkategorikan musik yang kini tersedia dalam

berbagai bentuk dan sumber (Tzanetakis dan Cook 2002). Genre musik di dunia

ada banyak dan beragam, http://musicgenreslist.com/ menunjukkan terdapat 38

kategori musik utama dari seluruh dunia. Beberapa kategori yang dinyatakan di

halaman situs tersebut bukan merupakan genrenya, melainkan label generalisasi

dari kumpulan genre. Hal ini tergolong penting bagi masyarakat yang menyukai

musik, karena dapat membantu dalam memilih dan mencari musik berdasarkan

genrenya.

Penentuan genre musik dilakukan berdasarkan kemiripan antar musik.

Penentuan tersebut kebanyakan masih harus dilakukan secara manual oleh

manusia. Penentuan secara manual ini dapat menghasilkan penentuan dengan

tingkat keakuratan yang tinggi, namun membutuhkan biaya, dalam hal ini adalah

tenaga dan waktu, yang cukup besar untuk jumlah fail musik yang besar. Harga

alat penyimpanan data yang semakin menurun juga mempermudah masyarakat

mengoleksi musik dalam jumlah besar. Misal dimiliki sebuah flash drive

berkapasitas 8 GB, dengan tiap fail musik berukuran 5 MB, flash drive tersebut

dapat menyimpan lebih dari 1600 fail musik. Dapat dibayangkan berapa banyak

tenaga dan waktu yang diperlukan untuk menentukan genre dari masing-masing

fail musik tersebut. Karena sebagian besar fail musik sudah tersedia dalam bentuk

digital, penentuan genre dengan mesin pun menjadi suatu hal yang

memungkinkan untuk mengurangi biaya tersebut. Oleh sebab itu,

pengklasifikasian genre musik secara otomatis dapat menjadi hal yang sangat

membantu dalam pengembangan sistem temu-kembali untuk data audio, maupun

untuk pengunaan pengklasifikasian musik bagi individu.

Musik yang dimainkan dan didengarkan secara langsung merupakan sinyal

audio analog atau gelombang suara yang berasal dari getaran pita suara manusia,

senar gitar yang dipetik, gendang yang dipukul, dll. Gelombang suara tersebut

memiliki lembah dan bukit, satu buah lembah dan bukit menghasilkan satu

periode. Periode tersebut berlangsung berulang-ulang yang menghasilkan konsep

frekuensi. Frekuensi adalah jumlah periode yang dapat dihasilkan dalam 1 detik.

Satuan bagi frekuensi adalah hertz (Hz). Batasan frekuensi yang dapat diterima

telinga manusia adalah 20 – 20 000 Hz. Sedangkan kekuatan sinyal disebut

amplitudo dapat dihitung sebagai jarak dari titik tertinggi bukit hingga titik

terendah lembah dari gelombang suara. Panjang gelombang suara dapat dihitung

sebagai jarak antara titik gelombang dengan titik ekuivalen pada fasa berikutnya.

Data audio digital merupakan hasil sampling dan quantization dari

gelombang suara yang merupakan sinyal analog. Sampling adalah pengambilan

titik sampel dari sinyal analog. Jumlah titik sampel yang diambil dalam satu detik

ditentukan oleh besarnya sampling rate. Selain sampling rate, terdapat bit rate

yang merupakan banyaknya bit digital yang dapat ditransmisikan dalam 1 detik.

Quantization adalah proses menjajarkan not musik ke pengaturan beat tertentu.

2

Beberapa penelitian mengenai pengklasifikasian genre musik sudah pernah

dilakukan sebelumnya. Berbagai metode yang sudah pernah dikembangkan antara

lain k-nearest neighbour, linear discriminant analysis, learning vector

quantization, dan support vector machine (SVM). Sebelumnya, metode SVM

dengan kernel polinomial berderajat 6 dan fitur audio spectral dasar serta spectral

contrast digunakan dalam penelitian oleh Augustianto (2010) dengan tingkat

akurasi sebesar 86%. Sedangkan penelitian Tzanetakis dan Cook (2002)

menggunakan fitur permukaan musik dan ritme dari lagu dan pengklasifikasi yang

dipakai adalah Gaussian mixture model, menghasilkan tingkat akurasi 61%.

Akan tetapi, penelitian yang dilakukan Tzanetakis dan Cook menggunakan data

selama 30 detik yang diambil dari cd audio, fail mp3, dan siaran radio. Oleh sebab

itu, penelitian kali ini akan mencoba untuk mengklasifikasikan 8 jenis genre

musik dari data lagu wav dan menggunakan metode pengklasifikasi SVM.

Sedangkan, ciri yang akan diekstraksi adalah ciri permukaan musik dan ritme.

Perumusan Masalah

Rumusan masalah dalam penelitian ini adalah bagaimana membangun

model klasifikasi dengan data audio digital. Sebelum dapat menghasilkan model

klasifikasi yang baik, terdapat masalah bagaimana mengakuisisi data yang dapat

meningkatkan keakuratan model. Masalah lain dalam penelitian ini adalah

bagaimana menerapkan metode pengekstrakan fitur dari data audio digital.

Tujuan Penelitian

Tujuan dari penelitian ini adalah membangun model support vector machine

untuk pengklasifikasian genre musik dengan data musik yang ada di Indonesia.

Serta menerapkan metode pengekstraksian fitur permukaan musik dan ritme

seperti yang telah digunakan oleh Tzanetakis dan Cook (2002).

Manfaat Penelitian

Manfaat dari penelitian ini dalam jangka pendek diharapkan dapat

membantu masyarakat dalam mengklasifikasikan genre musik dengan lebih

mudah dan cepat. Dalam jangka panjang, model klasifikasi dapat dikembangkan

sehingga menjadi sistem pengklasifikasi yang berjalan secara kontinu dan

mengklasifikasikan sinyal audio dari radio atau sumber lain. Selain sistem

pengklasifikasi yang kontinu, model klasifikasi dengan genre musik yang

mendukung lebih banyak genre dan spesifik dapat menjadi pengenalan suasana

hati seorang pendengar musik.

Ruang Lingkup Penelitian

Ruang lingkup yang digunakan pada penelitian ini antara lain:

1 Genre musik yang akan diklasifikasikan dibatasi, yaitu hanya anak-anak, klasik,

dangdut, dubstep, jazz, keroncong, reggae, dan rock.

2 Data musik yang digunakan hanya dalam channel mono dan sampling rate 44

100 Hz.

3

METODE

Tahapan proses yang dilakukan dalam penelitian ini dapat dilihat pada

Gambar 1.

Studi Pustaka

Pada tahap ini, semua informasi dan literatur yang terkait dengan penelitian

ini dikumpulkan. Informasi dan literatur yang dimaksud berupa skripsi penelitian,

artikel dari jurnal dan internet, laporan proyek, dan tulisan pelatihan.

Perumusan Masalah

Pada tahap ini, analisis terhadap pemilihan data musik yang akan digunakan,

penentuan bagian yang akan dipotong dari tiap data musik, dan pembagian data

menjadi data latih dan data uji.

Data Musik

Untuk penelitian ini, akan digunakan 160 buah data dengan pembagian 20

data untuk setiap genre. Data tersebut terdiri atas 8 genre, yaitu lagu hanya anak-

anak, klasik, dangdut, dubstep, jazz, keroncong, reggae, dan rock. Judul-judul

lagu yang akan dipakai dapat dilihat pada Lampiran 1. Data musik dipilih dengan

Gambar 1 Metodologi penelitian

Klasifikasi Pelatihan

Evaluasi

Selesai

Data Latih Data Uji

Data Musik

Ekstraksi Fitur

Pembagian

Data

Studi Pustaka

Perumusan

Masalah

Mulai

4

pertama-tama mencari band atau musisi yang sudah dikenali genre musiknya.

Kemudian, dipilih salah satu lagu dari musisi tersebut yang dikenali cocok dengan

genre musiknya. Sebagai contoh, dicari band atau musisi jazz. Kemudian dipilih

band RAN sebagai salah satu band yang beraliran jazz. Lalu dipilih salah satu

lagu dari RAN, misal lagu RAN yang berjudul “Piano”. Maka lagu “Piano”

tersebut dimasukkan ke dalam data musik sebagai data dari genre jazz. Demikian

untuk seluruh data musik yang digunakan dalam penelitian ini.

Ekstraksi Fitur

Ekstraksi fitur dibagi menjadi dua bagian. Bagian pertama akan menjelaskan

proses ekstraksi fitur permukaan musik dari tiap data. Sedangkan bagian kedua

akan menjelaskan proses ekstraksi fitur ritme dari tiap data. Tahapan dari

pengekstraksian fitur permukaan musik dan ritme dapat dilihat secara berurut

pada Gambar 2 dan Gambar 3.

Fitur Permukaan Musik

1 Tiap data akan diambil 5 detik. Pemotongan data menjadi 5 detik dilakukan

dengan harapan data yang diambil akan menjadi lebih terfokus dan hasil rataan

fitur nantinya tidak bias. Sampling rate yang digunakan sebesar 44 100 Hz.

2 Texture windowing, pada tahap ini dari tiap data akan diambil 5 texture window

yang masing-masing berisikan 1 detik dari data awal. Ilustrasi dari proses ini

dapat dilihat pada Gambar 4.

Gambar 2 Tahapan ekstraksi fitur permukaan

musik

Gambar 3 Tahapan ekstraksi

fitur ritme

magnitude

50 analysis window

Fast Fourier

Transform

5 texture window

Analysis Windowing

Fitur Permukaan Musik

Data 5 detik

Data Musik

Texture Windowing

Mulai

Selesai

Data 5 detik

Data Musik

Windowing

Discrete Wavelet

Transform

3 window

Mulai

Fitur Ritme

Selesai

5

3 Pada tahap analysis windowing ini, hasil dari tiap texture window, akan dibagi

menjadi 50 analysis window yang berisikan 20 milidetik dari texture window.

Gambar 5 memperlihatkan ilustrasi dari proses ini.

4 Hasil dari proses analysis windowing akan digunakan untuk perhitungan fast

Fourier transform (FFT).

FFT adalah suatu algoritma untuk menghitung discrete Fourier transform

(DFT) secara lebih cepat dan efisien (Cochran et al. 1967).

5 Pada proses ini, diperlukan nilai magnitude dari data audio digital. Nilai

tersebut dapat diperoleh dengan terlebih dahulu menghitung nilai riil dan nilai

imajiner dari data audio digital menggunakan FFT. Persamaan yang digunakan

adalah sebagai berikut:

∑ e- ⁄

-

(1)

dengan f=0, ..., N-1 adalah frequency bin. Af adalah koefisien FFT ke-f.

Variabel j adalah bilangan imajiner, yaitu √ . Xk adalah sampel ke-k

dalam dimensi waktu yang memiliki N buah sampel. Nilai Xk dapat bernilai

kompleks dan Af hampir selalu bernilai kompleks.

Lalu untuk menghitung nilai magnitude dari tiap sampel digunakan

persamaan berikut:

√

(2)

dengan f = 0, ..., N-1 adalah frequency bin.

Gambar 4 Proses texture windowing

Gambar 5 Proses analysis windowing

6

Setelah mendapat nilai magnitude dari tiap sampel dalam analysis window,

maka dapat dihitung nilai mean-centroid, mean-rolloff, mean-flux, mean-

zerocrossings, std-centroid, std-rolloff, std-flux, std-zerocrossings, dan

lowenergy. Tahapan perhitungan seluruh fitur permukaan musik tersebut

diadopsi dari penelitian Tzanetakis dan Cook (2002).

Fitur awal, yaitu centroid, rolloff, flux, dan zerocrossings, dihitung pada tiap

analysis window. Kemudian nilai rata-rata (mean) dan standar deviasi (std)

dihitung dari setiap 50 analysis window untuk disimpan sebagai hasil bagi

texture window-nya. Sehingga, fitur yang akan dipakai untuk pelatihan dan

pengujian dari tiap data adalah rata-rata dari lima texture window yang ada.

Centroid adalah nilai dari spectral brightness. Persamaan dari centroid:

∑

∑

⁄ (3)

Dalam persamaan 3, f = 0, ..., N-1 adalah frequency bin dan M[f] adalah nilai

magnitude dari frequency bin f tersebut. Centroid mencari nilai titik berat dari

sinyal audio. Ilustrasi area magnitude dan centroid dapat dilihat pada Gambar 6.

Dari ilustrasi tersebut dapat dilihat bahwa titik centroid terdapat pada titik (5.6 ,

0). Nilai tersebut didapat dari hasil pembagian jumlah nilai magnitude dikali

frequency bin-nya yang bernilai 158 dengan jumlah nilai magnitudenya yang

bernilai 28.

Rolloff adalah dari spectral shape. Rolloff mencari nilai R sedemikian

sehingga:

∑

∑

(4)

M[f] pada rolloff adalah nilai magnitude dari frequency bin f. Rolloff mencari

perbandingan jumlah frequency bin (R) yang diperlukan untuk mencapai hasil

yang sama atau lebih dari jumlah frequency bin (N) yang diboboti.

Flux adalah nilai spectral change. Persamaan yang digunakan: (5)

Dengan i = 1, 2, 3, ..., 50. Variabel i sendiri adalah indeks dari analysis window

data. Dalam Flux, dicari perubahan energi dari satu window dengan window

Gambar 6 Contoh centroid

7

sebelumnya. Namun pada kasus i = 0, energi pada window tersebut dikurangi

dengan nilai 0. Sehingga hasilnya adalah window itu sendiri.

Selanjutnya pada i = 1, ..., N-1, energi window ke-f akan dikurangi energi dari

window sebelumnya pada tiap titik yang sama posisinya dalam window.

Kemudian, tiap hasil pengurangan akan dikuadratkan. Lalu, hasil kuadrat dari

tiap titik tersebut akan dijumlahkan. Terakhir, dihitung akar dari total

penjumlahan tersebut.

Zerocrossings adalah jumlah dari penyebrangan sinyal dalam 1 window

yang melalui nilai 0. Misalnya terdapat sinyal bernilai [1, -1, -2, 2], yang dapat

dilihat pada Gambar 7. Dari sinyal tersebut terdapat 2 ZeroCrossings, yaitu

dari nilai 1 ke -1 dan dari -2 ke 2.

LowEnergy adalah persentase dari jumlah “analysis” windows yang

memiliki energi kurang dari rataan seluruh “analysis” windows dalam satu data

musik. Misalkan terdapat 5 “analysis” windows dalam satu data musik,

rataan seluruh “analysis” windows adalah 5 , dan terdapat 8 “analysis”

windows yang jumlah energinya kurang dari 500. Maka LowEnergy adalah

persentase dari 80/250.

Fitur Ritme

1 Pada proses ekstraksi fitur ritme, data audio perlu dipotong menjadi 3 window

terlebih dahulu. Ukuran tiap window-nya adalah 76000 sampel dengan overlap

sebesar 3750 sampel.

2 Tiap window kemudian didekomposisi terlebih dahulu menjadi beberapa

octave frequency band menggunakan DWT. Filter yang digunakan untuk DWT

adalah Daubechies 4 yang berdasarkan Daubechies (1988) bernilai

( ) ( √ ) ( √ ),

( ) ( √ ) ( √ ),

( ) ( √ ) ( √ ),

( ) ( √ ) ( √ ).

(6)

Persamaan yang digunakan adalah sebagai berikut:

h h

∑ n n

n

(7)

Gambar 7 Sinyal contoh perhitungan zero crossings

8

l w

∑ n h n

n

(8)

Dalam Persamaan 7 dan 8, yhigh[k] dan ylow[k] adalah hasil high pass filtering

dan low pass filtering ke-k. Sedangkan n adalah indeks data yang digunakan

dalam DWT.

3 Lalu dapat dihitung beberapa variabel per octave frequency band-nya, yaitu full

wave rectification (FWR), low pass filtering (LPF), downsampling (↓),

normalization (NR). Setelah nilai variabel-variabel dari setiap octave frequency

band tersebut didapat, akan dihitung nilai autocorrelation-nya (AR) dan dipilih

empat nilai tertinggi dari hasil autocorrelation. Keempat titik tertinggi tersebut

adalah fitur ritme yang akan digunakan untuk pengklasifikasian dan pengujian.

Tahapan perhitungan untuk fitur ritme diadopsi dari penelitian Tzanetakis dan

Cook (2002).

Full wave rectification (FWR) dihitung dengan persamaan: ( ) (9)

Low pass filtering (LPF) dihitung menggunakan persamaan: ( )

(10)

Downsampling (↓) dihitung dengan persamaan :

(11)

Normalization (NR) dihitung menggunakan persamaan: (12)

Tahapan perhitungan autocorrelation dan pemilihan titik-titik tertinggi

dapat dilihat pada Gambar 8. Autocorrelation (AR) dihitung menggunakan

FFT agar proses komputasi lebih efisien dengan persamaan:

∑

(13)

Pembagian Data Latih dan Data Uji

Data latih dan data uji dibagi dengan 75% sebagai data latih dan sisanya

sebagai data uji. Sehingga untuk setiap genre akan ada 15 data latih dan 5 data uji.

Pemilihan data sebagai data latih akan dilakukan secara acak.

Pelatihan

Pada tahap ini, fitur yang telah diekstrak dari data latih akan disimpan dalam

dua variabel, yaitu variabel permukaan musik dan variabel ritme. Karena terdapat

15 data latih untuk setiap genre , variabel permukaan musik akan terdiri atas 120

kolom dan 9 baris. Masing-masing baris untuk mean-centroid, mean-rolloff,

mean-flux, mean-zerocrossings, std-centroid, std-rolloff, std-flux, std-

zerocrossings, dan lowenergy. Sedangkan pada variabel ritme akan terdiri atas

120 kolom dan 4 baris. Masing-masing baris untuk nilai dari 4 titik tertinggi.

Kemudian kedua variabel digabungkan dan dimasukkan ke dalam proses

pembentukkan model klasifikasi di SVM. Program SVM yang digunakan adalah

„svmtrain‟ yang telah tersedia dalam LIBSVM (Chang dan Lin 2011). Keluaran

9

dari program tersebut adalah sebuah model pemisah. Model tersebutlah yang akan

menjadi fungsi pemisah saat mengklasifikasikan data uji maupun data baru.

Parameter yang dibutuhkan oleh program tersebut adalah label kelas dan fitur-

fitur dari data. Sedangkan parameter yang perlu ditentukan sebelumnya untuk

program tersebut antara lain nilai cost dan gamma.

SVM adalah salah satu pembelajaran komputasional yang mencari suatu

garis pembatas antara dua kelas, dan garis pembatas tersebut memiliki jarak yang

terbesar di antara dua anggota terdekat dari kedua kelas. Menurut Cristianini dan

Taylor (2000), support vector machine (SVM) adalah sistem pembelajaran yang

pengklasifikasiannya menggunakan ruang hipotesis berupa fungsi-fungsi linear

dalam sebuah ruang fitur (feature space) berdimensi tinggi, dilatih dengan

algoritma pembelajaran yang didasarkan pada teori optimasi dengan

mengimplementasikan learning bias yang berasal dari teori pembelajaran statistik.

Keluaran yang dihasilkan dari SVM adalah suatu fungsi yang dapat digunakan

untuk memprediksi suatu fitur dari data yang akan datang, dalam hal ini

pemrediksi genre dari suatu data audio.

SVM dapat diterapkan pada dua kasus data, data yang dapat dipisahkan

secara linier dan non-linier. Pada kasus data yang dapat dipisahkan secara linier,

misalkan {X , …, Xn} adalah dataset dan {+ ,-1} adalah label kelas dari data Xi.

Pada Gambar 9 dapat dilihat berbagai alternatif bidang pemisah yang dapat

memisahkan semua data set sesuai dengan kelasnya. Namun, bidang pemisah

terbaik tidak hanya dapat memisahkan data tetapi juga memiliki margin paling

besar.

Gambar 8 Tahapan perhitungan autocorrelation dan pemilihan 4 titik tertinggi

Mulai

Discrete Wavelet Transform

Octave Frequency Bands

Envelope

Extraction

Envelope Extraction

Full Wave Rectification

Low Pass Filtering

Downsampling

Mean Removal

Autocorrelation

Selesai

Pemilihan 4 Titik Tertinggi

10

Salah satu metode untuk mengklasifikasikan data yang tidak dapat

dipisahkan secara linier adalah dengan mentransformasikan data ke dalam dimensi

ruang fitur (feature space) sehingga dapat dipisahkan secara linier pada feature

space. Caranya, data dipetakan dengan menggunakan fungsi pemetaan

(transformasi) ) ( ) k k x →ϕ x ke dalam feature space sehingga terdapat bidang

pemisah yang dapat memisahkan data sesuai dengan kelasnya (seperti pada

Gambar 10).

Kelebihan metode SVM dari metode klasifikasi lainnya, antara lain:

generalisasi, curse of dimensionality, dan feasibility. Generalisasi adalah

kemampuan suatu metode untuk mengklasifikasikan data yang tidak termasuk

dalam fase pembelajaran. Pada umumnya, strategi pembelajaran dalam metode

machine learning difokuskan pada usaha meminimalkan error pada training set.

Strategi ini disebut empirical risk minimization (ERM). Adapun SVM selain

meminimalkan error pada training set, juga meminimalkan error dimensi VC.

Strategi pada SVM ini disebut structural risk minimization (SRM).

Curse of dimensionality didefinisikan sebagai masalah yang dihadapi suatu

metode pattern recognition dalam menentukan parameter dikarenakan jumlah

sampel data yang relatif sedikit dibandingkan dimensional ruang vektor data

tersebut. Semakin tinggi dimensional ruang vektor informasi yang diolah,

semakin banyak jumlah data yang diperlukan dalam proses pembelajaran. Cortes

dan Vapnik (1995) membuktikan bahwa tingkat generalisasi yang diperoleh oleh

SVM tidak dipengaruhi oleh dimensi dari input vektor. Hal ini merupakan alasan

mengapa SVM merupakan salah satu metode yang tepat dipakai untuk

memecahkan masalah berdimensi tinggi, dalam keterbatasan sampel data yang

ada.

Gambar 9 SVM pada data terpisah secara linier

Gambar 10 SVM pada data yang terpisah secara nonlinier

11

Kelebihan metode SVM yang ketiga adalah implementasinya yang relatif

mudah pada problem yang berskala kecil, karena proses penentuan support vector

dapat dirumuskan dalam QP problem. Oleh sebab itu, jika kita memiliki library

untuk menyelesaikan QP problem, dengan sendirinya SVM dapat

diimplementasikan dengan mudah.

Kelemahan metode SVM adalah cukup sulit untuk diimplementasikan

dalam problem berskala besar. Selain itu, secara teoritik SVM dikembangkan

untuk problem klasifikasi dengan dua kelas. Namun seiring dengan perkembangan

teknologi dan ilmu pengetahuan, SVM telah dimodifikasi agar dapat

menyelesaikan masalah dengan kelas lebih dari dua, antara lain strategi one versus

rest dan strategi tree structures.

Pengujian

Pengujian model akan dilakukan menggunakan program „svmpredict‟ yang

juga terdapat dalam LIBSVM (Chang dan Lin 2011). Hasil dari program tersebut

adalah label kelas dari data yang diprediksi menggunakan model yang telah

dibentuk.

Lingkungan Pengembangan

Perangkat lunak yang digunakan dalam penelitian ini adalah:

Sistem operasi Windows 7 Professional

Audacity 2.0.2

Matlab 7.7.0471 (R2008b)

Perangkat keras yang digunakan dalam penelitian ini adalah:

Prosesor Intel Core 2 Duo CPU @ 2.10 GHz

Memori 4 GB

Harddisk 80 GB

Keyboard dan mouse

Monitor

Speaker

HASIL DAN PEMBAHASAN

Data Musik

Data yang digunakan dalam penelitian ini berjumlah 160 buah lagu yang

terdiri dari 8 genre musik. Genre musik yang dimaksud adalah lagu hanya anak-

anak, klasik, dangdut, dubstep, jazz, keroncong, reggae, dan rock dengan masing-

masing 20 buah lagu untuk tiap genre. Tiap lagu akan dipotong menjadi 5 detik.

Kemudian channel audionya akan diubah menjadi mono. Setelah itu potongan

lagu disimpan dalam format wav. Gambar 11 mengilustrasikan data yang akan

digunakan.

12

Ekstraksi Fitur Permukaan Musik

Data musik yang telah dipotong menjadi 5 detik tersebut kemudian dibagi

menjadi 5 texture window yang masing-masing berisikan 44 100 titik sinyal atau

setara dengan 1 detik data. Gambar 12 mengilustrasikan salah satu texture window

hasil proses texture windowing.

Hasil proses texture windowing kemudian akan dimasukkan ke dalam proses

analysis windowing. Dalam proses ini, satu texture window akan dibagi menjadi

50 analysis window yang masing-masing berisikan 882 titik sinyal atau setara

dengan 20 milidetik data. Hasil dari proses analysis windowing dapat dilihat pada

Gambar 13.

Setelah didapatkan 250 analysis window dari tiap data, dapat dihitung nilai

FFT dan magnitude dari FFT nya. Selanjutnya dapat dihitung fitur-fitur

permukaan musik yaitu mean-centroid, mean-rolloff, mean-flux, mean-

zerocrossings, std-centroid, std-rolloff, std-flux, std-zerocrossings, dan lowenergy

untuk setiap texture window-nya.

Sebagai contoh, pada centroid akan dihitung nilai centroid dari 50 analysis

window pertama lalu dihitung mean-centroid dan std-centroid yang berarti

dimiliki oleh texture window pertama. Demikian pula untuk rolloff, flux, dan

zerocrossings. Sedangkan untuk lowenergy tidak menggunakan mean dan std,

karena yang dihitung adalah persentase analysis window yang nilai energi nya

kurang dari rata-rata energi yang diperlukan dalam satu texture window-nya. Hasil

Gambar 11 Data yang akan digunakan

Gambar 12 Hasil proses texture

windowing

Gambar 13 Hasil proses analysis windowing

13

akhir dari proses ekstraksi fitur permukaan musik ini adalah suatu matriks

berukuran 9 N, dengan N adalah jumlah data yang dimasukkan ke dalam proses.

Ekstraksi Fitur Ritme

Data musik yang telah dipotong menjadi 3 window kemudian didekomposisi

terlebih dahulu menjadi beberapa octave frequency band setiap window-nya

dengan DWT. Gambar 14 menunjukkan data yang digunakan dalam 1 window.

Gambar 15 menunjukkan hasil dekomposisi filter highpass dari 1 window dan

Gambar 16 menunjukkan hasil dekomposisi filter lowpass dari 1 window.

Setelah didapat hasil dekomposisi filter rendah dan tinggi, nilai variabel full

wave rectification (FWR), low pass filtering (LPF), downsampling (↓),

normalization (NR) dari tiap filter dapat dihitung. Hasil normalization (NR) dari

kedua filter kemudian dijumlahkan dan dimasukkan ke dalam proses

autocorrelation. Hasil dari proses autocorrelation dapat dilihat pada Gambar 17.

Kemudian dilakukan pemilihan 4 titik tertinggi dari hasil autocorrelation tersebut.

Hasil akhir dari proses ekstraksi fitur ritme ini adalah suatu matriks berukuran

4×N, dengan N adalah jumlah data yang dimasukkan ke dalam proses.

Hasil dari ekstraksi fitur pemukaan musik dan ritme akan digabung menjadi

satu matriks berukuran 13×N. Matriks tersebutlah yang akan dijadikan masukan

untuk pembentukan model dan pelatihan dalam SVM. Seluruh hasil ekstraksi fitur

dapat dilihat pada Lampiran 2.

Gambar 14 Data dalam 1 window

Gambar 15 Hasil dekomposisi filter

highpass

Gambar 16 Hasil dekomposisi filter

lowpass

Gambar 17 Hasil autocorrelation

14

Pelatihan dan Pengujian

Setelah ekstraksi fitur selesai, dilanjutkan dengan pelatihan dan pengujian

model. Data akan dibagi menggunakan metode 4-fold cross validation. Data yang

digunakan adalah 20 data musik digital tiap genrenya dari 8 genre. Jadi pada tiap

fold akan terdiri dari 15 data musik digital tiap genrenya untuk pelatihan dan 5

data musik digital tiap genrenya untuk pengujian. Hasil dari 4-fold cross

validation dapat dilihat pada Tabel 1.

Pembentukan model dan pencocokkan klasifikasi dilakukan menggunakan

SVM. Parameter yang digunakan dalam SVM antara lain adalah tipe dari SVM,

tipe kernel, cost, dan gamma.

Tipe SVM yang digunakan adalah C-SVC. C-SVC merupakan salah satu

tipe pengklasifikasi untuk data yang terdiri atas lebih dari 2 kelas. SVM juga

menggunakan fungsi kernel. Terdapat 4 macam kernel dalam SVM, yaitu kernel

linier, polinomial, radial basis function (rbf), dan sigmoid. Tipe kernel yang

digunakan dalam penelitian ini adalah kernel radial basis function. Kernel

tersebut dipilih berdasarkan performanya yang sama dengan kernel linier pada

parameter tertentu, perilakunya yang sama dengan kernel sigmoid pada parameter

tertentu, dan rentang nilainya yang kecil [0,1]. Nilai cost dan gamma dicari

melalui proses grid search dan uji manual, yang menghasilkan nilai cost dan

gamma berturut-turut adalah 1096 dan 1.7×10-8

. Cost berfungsi untuk menentukan

besar penalti akibat kesalahan dalam pengklasifikasian data latih.

Pembahasan

Pengujian dilakukan dengan data yang dibagi menjadi 4 fold. Pada fold 1,

didapat hasil dengan akurasi 55%. Hasil pengklasifikasian fold tersebut dapat

dilihat pada Tabel 2 dan hasil pengklasifikasian fold sisanya dapat dilihat pada

Lampiran 3. Kelas Ak dalam Tabel 2 dan dalam Lampiran 3 mewakili genre anak-

anak. Kelas Kl mewakili genre klasik. Kelas Dg mewakili genre dangdut. Kelas

Ds mewakili genre dubstep. Kelas Jz mewakili genre jazz. Kelas Kr mewakili

genre keroncong. Kelas Re mewakili genre reggae. Kelas Ro mewakili genre rock.

Genre yang menghasilkan akurasi terbaik adalah klasik dengan 100%. Sedangkan

dalam fold tersebut genre reggae memiliki tingkat akurasi terburuk, yaitu 0%.

Genre reggae tersebut lebih dikenali sebagai genre rock.

Tabel 1 Hasil 4-fold cross validation

Fold Akurasi (%)

1 55.0

2 72.5

3 57.5

4 75.0

Rata-rata 65.0

15

Pada fold 2, didapat hasil dengan akurasi 72.5%. Kali ini, genre klasik,

dubstep, dan keroncong menghasilkan akurasi terbaik dengan 100%. Genre reggae

dan dangdut kini menghasilkan akurasi terburuk, yaitu 40%.

Fold 3 menghasilkan akurasi 57.5%. Pada fold kali ini genre anak-anak

menghasilkan akurasi terbaik sebesar 100%. Pada fold ini, akurasi terburuk

dimiliki oleh genre jazz dengan 0%. Genre jazz tersebut lebih dikenali sebagai

genre reggae.

Sedangkan fold 4 menghasilkan akurasi tertinggi dengan 75%. Dalam fold

ini, genre anak-anak, klasik, dubstep, dan keroncong kembali menghasilkan

akurasi terbaik dengan akurasi 100%. Genre dangdut menghasilkan akurasi

sebesar 20%. Genre dangdut tersebut lebih dikenali sebagai genre anak-anak.

Setelah dilakukan pengujian tersebut, secara umum dapat dilihat bahwa

reggae merupakan salah satu genre yang paling sulit diklasifikasikan dan lebih

dikenali sebagai genre jazz. Grafik akurasi pengklasifikasian tiap genre dapat

dilihat pada Gambar 18. Hasil pengklasifikasian gabungan dari 4 fold dapat dilihat

Tabel 2 Hasil pengklasifikasian fold-1

Kelas Jumlah data tiap kelas

Akurasi (%) Ak Kl Dg Ds Jz Kr Re Ro

Ak 3 0 1 0 0 0 1 0 60.0

Kl 0 5 0 0 0 0 0 0 100.0

Dg 0 0 3 0 0 0 1 1 60.0

Ds 0 0 0 4 0 0 0 1 80.0

Jz 0 0 1 0 2 0 2 0 40.0

Kr 0 1 0 0 0 3 1 0 60.0

Re 0 0 1 0 1 1 0 2 0.0

Ro 1 0 0 2 0 0 0 2 40.0

Rata-Rata 55.0

Gambar 18 Hasil akurasi tiap genre

0

10

20

30

40

50

60

70

80

90

100

Ak Kl Dg Ds Jz Kr Re Ro

Akura

si (

%)

Genre

16

pada Lampiran 3. Hasil pengklasifikasian tiap data musik dapat dilihat pada

Lampiran 4.

Untuk mencari penyebab terjadinya kesalahan yang cukup banyak dalam

mengklasifikasikan genre reggae ke genre jazz, perbandingan antara rataan fitur

dari seluruh data bergenre reggae dan data bergenre jazz dicoba dibandingkan

dengan data X (salah satu data yang salah diklasifikasikan dari genre reggae ke

jazz). Hasil perbandingan dapat dilihat pada tabel 3. Hasil perbandingan

menunjukkan bahwa fitur dari data X tidak lebih banyak yang lebih dekat atau

lebih kecil selisihnya dengan rataan fitur dari genre jazz. Sehingga belum dapat

diketahui penyebab banyaknya kesalahan dalam pengklasifikasian genre reggae

ke genre jazz tersebut.

Dari hasil percobaan, dapat dilihat secara rata-rata model yang dibuat

dengan parameter yang telah disebutkan sebelumnya menghasilkan akurasi

sebesar 65%. Dibandingkan dengan hasil percobaan oleh Tzanetakis dan Cook

(2002) yang menghasilkan akurasi 61%, tingkat akurasi percobaan ini sedikit

lebih tinggi. Dengan data yang digunakan setengahnya adalah musik dari

Indonesia berbeda dengan percobaan Tzanetakis dan Cook (2002). Karena

percobaan sebelumnya mengklasifikasikan dengan menggunakan fitur yang sama

hanya untuk data musik luar Indonesia.

Tabel 3 Hasil perbandingan data X

Fitur Rataan

jazz

Rataan

reggae

Lagu X

(reggae)

Rataan jazz

- lagu X

Rataan reggae

- lagu X

M-C 2918.63 2990.80 2314.96 603.67 675.84

M-R 64730.15 64671.32 64914.88 -184.73 -243.60

M-F 707.72 700.07 500.84 206.87 199.23

M-ZC 41.33 45.74 27.90 13.43 17.84

Std-C 887.41 819.17 618.26 269.15 200.91

Std-R 662.35 713.19 300.05 362.30 413.14

Std-F 408.83 401.67 388.03 20.80 13.64

Std-ZC 29.18 31.24 16.71 12.46 14.52

LE 54.16 54.96 65.60 -11.44 -10.64

1st Peak 1002.63 922.09 520.50 482.13 401.58

2nd

Peak 676.53 607.27 346.90 329.63 260.37

3rd

Peak 676.53 607.27 346.90 329.63 260.37

4th Peak 487.70 478.84 220.29 267.41 258.55

Keterangan:

M = Mean F = Flux

Std = Standar deviasi ZC = Zero crossings

C = Centroid LE = Low energy

R = Roll off

17

SIMPULAN DAN SARAN

Simpulan

Dari hasil percobaan, didapatkan bahwa penelitian ini telah berhasil

mengimplementasikan pengekstrakan fitur permukaan musik dan membangun

model untuk melakukan pengklasifikasian dengan SVM.

Tingkat akurasi rata-rata yang didapat dalam penelitian ini adalah 65%.

Sedikit lebih tinggi bila dibandingkan dengan hasil penelitian oleh Tzanetakis dan

Cook (2002) yang menghasilkan akurasi 61%.

Hasil dari 4-fold cross validation menunjukkan bahwa secara rata-rata genre

reggae memiliki tingkat akurasi paling rendah dari 8 genre. Genre reggae lebih

dikenali sebagai genre jazz.

Perbandingan antara fitur dari data X (data yang salah diklasifikasikan dari

genre reggae menjadi genre jazz) dengan rataan fitur dari seluruh data bergenre

jazz menunjukkan fitur data X tersebut tidak lebih dekat daripada data X dengan

rataan fitur dari seluruh data bergenre reggae. Namun selisih dari data X dengan

kedua genre tersebut tidak berbeda jauh.

Saran

Saran untuk penelitian selanjutnya:

1 Menambah jumlah data tiap genre dengan harapan memperjelas perbedaan ciri

tiap genre.

2 Menambahkan fitur lainnya, seperti fitur mel-frequency cepstral coefficient

(MFCC) atau fitur tempo musik dalam pengklasifikasian dengan harapan

meningkatkan akurasi pengklasifikasian. Karena dalam penelitian Fansuri

(2011), telah dapat melakukan pengklasifikasian genre musik dengan fitur

MFCC dan pengklasifikasi leaning vector quantization (LVQ). Tingkat akurasi

dari penelitian tersebut cukup tinggi, yaitu 93.75%. Sedangkan, fitur tempo

yang sudah diimplementasikan juga dalam penelitian Tzanetakis dan Cook

(2002) belum dapat diimplementasikan dalam penelitian ini.

18

DAFTAR PUSTAKA

Augustianto R. 2009. Klasifikasi genre musik berdasarkan fitur audio

menggunakan support vector machines [skripsi]. Surabaya (ID): Institut

Teknologi Sepuluh Nopember.

Chang CC, Lin CJ. 2011. LIBSVM: A library for support vector machines. ACM

Transactions on Intelligent Systems and Technology. 2(3):1-27.

Cristianini N, Taylor JS. 2000. An Introduction to Support Vector Machines and

Other Kernel-Based Learning Methods. Cambridge (UK): Cambridge

University Pr.

Cochran WT, Cooley JW, Favin DL, Helms HD, Kaenel RA, Lang WW, Maling

GC Jr, Nelson DE, Rader MC, Welch PD. 1967. What is the fast Fourier

transform?. Proceedings of the IEEE. 55(10):1664-1674.

Cortes C, Vapnik V. 1995. Support-vector networks. Machine Learning.

20(3):273-297.

Daubechies I. 1988. Orthonormal bases of compactly supported wavelets.

Communications on Pure and Applied Mathematics. 41(7): 909-996.

Fansuri MR. 2011. Klasifikasi genre musik menggunakan learning vector

quantization [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Tzanetakis G, Cook P. 2002. Musical genre classification of audio signals. IEEE

Transactions on Speech and Audioprocessing. 10(5): 293-302.

19

LAMPIRAN

Lampiran 1 Data musik

1 Daftar lagu anak-anak yang digunakan pada penelitian No. Judul lagu No. Judul lagu

1 Aku anak gembala 11 Disini senang disana senang

2 Aku seorang kapiten 12 Dua mata saya

3 Kring kring ada sepeda 13 Bangun tidur

4 Anak ayam 14 Mariam tomong

5 Gelang sipatu gelang 15 Kebunku

6 Kukuruyuk 16 Teka teki

7 Medley ulang tahun 17 Makan apa

8 Sayang semuanya 18 Mari pulang

9 Bintang kecil 19 Si kancil

10 Aku anak sehat 20 Tri li li tra la la

2 Daftar lagu klasik yang digunakan pada penelitian No. Judul lagu No. Judul lagu

1 Symphony No. 15 [G Major] I.

Allegro

11 Symphony No. 18 [F Major] I. Allegro

2 Symphony No. 15 [G Major] II.

Andante

12 Symphony No. 18 [F Major] II.

Andantino grazioso

3 Symphony No. 15 [G Major] III.

Menuetto

13 Symphony No. 18 [F Major] III.

Menuetto

4 Symphony No. 15 [G Major] IV.

Presto

14 Symphony No. 18 [F Major] IV. Molto

allegro

5 Symphony No. 16 [C Major] I.

Allegro maestoso

15 Symphony No. 24 [B-flat Major] I.

Allegro spiritoso

6 Symphony No. 16 [C Major] II.

Andante grazioso

16 Symphony No. 24 [B-flat Major] II.

Andantino grazioso

7 Symphony No. 16 [C Major] III.

Rondo-Allegro

17 Symphony No. 24 [B-flat Major] III.

Allegro

8 Symphony No. 17 [G Major] I.

Allegro

18 Symphony No. 26 [E-flat Major] I.

Molto Presto

9 Symphony No. 17 [G Major] II.

Andante

19 Symphony No. 26 [E-flat Major] II.

Andante

10 Symphony No. 17 [G Major] III.

Allegro

20 Symphony No. 26 [E-flat Major] III.

Allegro

20

Lampiran 1 Lanjutan

3 Daftar lagu dangdut yang digunakan pada penelitian No. Judul lagu No. Judul lagu

1 A Rafiq – Pandangan pertama 11 johana satar - tinggal kenangan

2 Camelia Malik - colak colek 12 Kristina - Jatuh Bangun

3 cici paramida - wulan merindu 13 Meggy Z - Cinta Hitam

4 elvy sukaesih - malam asmara 14 melinda - cinta satu malam

5 Evie Tamala - Rembulan Malam 15 mukhsin alatas - Bersemilah

6 Ida Laila - Cinta Dan Air Mata 16 noer halimah - patah hati cipt

rhoma irama

7 Ikke Nurjanah - Yang Terbaik 17 rhoma irama - bujangan

8 inul daratista - goyang inul 18 rita sugiarto - kejam

9 Inul Daratista-goyang dombret 19 saipul jamil - air mata dan doa

10 iyet bustami - laksamana raja dilaut 20 zaskia - sudah cukup sudah

4 Daftar lagu dubstep yang digunakan pada penelitian No. Judul lagu No. Judul lagu

1 Nicky Romoro - Symphonica Bare

Remix

11 Fire Hive – Knife Party

2 Rudebrat – Won‟t Stop 12 Nero – Must Be The Feeling

3 501 ft. Belle Humble – Headrush 13 Nero – Promises

4 AK9 – The Anger Games 14 Singularity – Alone

5 Eptic – Oh Snap! 15 Sub Focus ft. Alex Clare –

Endorphins

6 Excision & Space Laces – Destroid 7

Bounce

16 Trolley Snatcha – Make My

Whole World

7 F360 – Levels 17 Vicetone ft. Collin McLoughlin –

Heartbeat

8 Flinch ft. Heather Bright – Light It

Up

18 Whiskers – Feed Me

9 Singularity ft Nilu – Horizon 19 Zedd – Stars Come Out

10 Dank USA (Remix) – I Could Be The

One

20 Zomboy – Mind Control Original

5 Daftar lagu jazz yang digunakan pada penelitian No. Judul lagu No. Judul lagu

1 Abdul & The Coffee Theory - Tanda

Tanda Cinta

11 John Mayer - Gravity

2 Andien - Bernyanyi Untukmu 12 Louis Armstrong - Blueberry

Hill

3 Barry Likumahuwa - Mati Saja 13 Louis Armstrong - What A

Wonderful World

4 Billie Holiday - Gloomy Sunday 14 maliq & d'essentials-Terdiam

5 Diana Krall - Dancing In The Dark 15 Marcell -I Knew I Loved You

6 Ella Fitzgerald - Crying My Heart Out

To You

16 Raisa - Could It Be

7 Ello - Hadapi Dengan Senyuman 17 RAN - Piano

8 Frank Sinatra - Someone To Watch Over

Me

18 Soulvibe - Gravitasi

9 Glenn Fredly - Malaikat Juga Tahu 19 Tony Bennett - Being Alive

10 Jamie Cullum - Mind Trick 20 Tony Bennett - Close Enough

For Love

21

Lampiran 1 Lanjutan

6 Daftar lagu keroncong yang digunakan pada penelitian No. Judul lagu No. Judul lagu

1 Gesang – Sebelum Aku Mati 11 Sudah Jauh

2 Rayuan Pulau Kelapa 12 Borobudur

3 Seto Ohasi 13 Bumi Emas Tanah Airku

4 Aryati 14 Sepasang Mata Bola

5 Di Bawah Sinar Bulan 15 Hetty Koes Endang – Tinggal Kenangan

6 Tembok Besar 16 Jenang Gulo

7 Mus Mulyadi – Hatimu Hatiku 17 Kesumaning Ati

8 Saputangan 18 Bengawan Solo

9 Mus Mulyadi – Hota Holo 19 Keroncong Telomoyo

10 Layu Sebelum Berkembang 20 Kalung Mutiara

7 Daftar lagu reggae yang digunakan pada penelitian No. Judul lagu No. Judul lagu

1 Alton Ellis You Make Me So Very

Happy

11 Ras Muhammad - Musik Reggae

Ini

2 Bob Marley - Stir It Up 12 Scientist - Your Teeth In My

Neck

3 Coconut Head - Hello Brother 13 Sean Kingston - Beautiful Girls

4 Coffee Reggae Stone – Demon 14 Souljah – Bagaimana Caranya

5 Cozy Republic – Hitam Putih 15 Steven Coconuttreez - Welcome

To My Paradise

6 Culture - Two Seven Clash 16 The Abyssinians - Satta

Massagana

7 Imanez - Anak Pantai 17 Tony Q Rastafara - Witting

Tresno

8 Iration Steppas - Too Much War 18 Toots namp - The Maytals -

Pressure Drop

9 KING TUBBY - King Tubby Meets

the Rockers Uptown

19 Twinkle Brothers - Faith Can

Move Mountains

10 Mbah Surip - Tak Gendong 20 Wayne Smith - Under Me Sleng

Teng

8 Daftar lagu rock yang digunakan pada penelitian No. Judul lagu

1 30 second to mars - Kings And Queens 11 Jambrud - asal british

2 All american rejects - Dirty little secrets 12 KISS - I was made for living

you

3 Angels and airwaves - Everything's

Magic

13 Pas Band - Jengah

4 Bon jovi - It's my life 14 Saint Loco - Terapi Energi

5 Boomerang - Pantang Menyerah 15 Seurieus - rock n roll

6 Deep purple - Smoke on the water 16 Slank - kamu harus pulang

7 Edane - rock in 82 17 The Brandals - City Boy

8 Five For Fighting - 100 Years 18 The Calling - Wherever You

Will Go

9 Godbless - Serigala Jalanan 19 U2 - vertigo

10 Ikang Fawzi - bersatu dalam rock n roll 20 The Used - Buried myself alive

22

Lampiran 2 Hasil pengklasifikasian

1 Hasil fold-2

Kelas Jumlah data tiap kelas Akurasi

(%) Ak Kl Dg Ds Jz Kr Re Ro

Ak 4 0 1 0 0 0 0 0 80.0

Kl 0 5 0 0 0 0 0 0 100.0

Dg 0 0 2 0 1 1 1 0 40.0

Ds 0 0 0 5 0 0 0 0 100.0

Jz 0 0 1 0 3 0 1 0 60.0

Kr 0 0 0 0 0 5 0 0 100.0

Re 1 0 1 1 0 0 2 0 40.0

Ro 0 0 1 0 1 0 0 3 60.0

Rata-Rata 72.5

2 Hasil fold-3



Ak 5 0 0 0 0 0 0 0 100.0

Kl 0 3 0 0 0 2 0 0 60.0

Dg 1 0 2 1 0 1 0 0 40.0

Ds 0 0 0 4 0 0 0 1 80.0

Jz 0 0 1 0 0 1 3 0 0.0

Kr 0 1 0 0 0 4 0 0 80.0

Re 0 0 0 0 2 0 3 0 60.0

Ro 2 0 1 0 0 0 0 2 40.0

Rata-Rata 57.5

3 Hasil fold-4



Ak 5 0 0 0 0 0 0 0 100.0

Kl 0 5 0 0 0 0 0 0 100.0

Dg 2 0 1 0 0 0 1 1 20.0

Ds 0 0 0 5 0 0 0 0 100.0

Jz 0 0 0 0 4 0 1 0 80.0

Kr 0 0 0 0 0 5 0 0 100.0

Re 0 0 1 0 1 1 2 0 40.0

Ro 0 0 1 1 0 0 0 3 60.0

Rata-Rata 75.0

23

Lampiran 2 Lanjutan

4 Hasil seluruh fold



Ak 17 0 2 0 0 0 1 0 85.0

Kl 0 18 0 0 0 2 0 0 90.0

Dg 3 0 8 1 1 2 3 2 40.0

Ds 0 0 0 18 0 0 0 2 90.0

Jz 0 0 3 0 9 1 7 0 45.0

Kr 0 2 0 0 0 17 1 0 85.0

Re 1 0 3 1 4 2 7 2 35.0

Ro 3 0 3 3 1 0 0 10 50.0

Rata-Rata 65.0

5 Akurasi rata-rata tiap genre

Kelas Tingkat akurasi pada fold (%) Rata-Rata

Akurasi (%) 1 2 3 4

Ak 60 80 100 100 85

Kl 100 100 60 100 90

Dg 60 40 40 20 40

Ds 80 100 80 100 90

Jz 40 60 0 80 45

Kr 60 100 80 100 85

Re 0 40 60 40 35

Ro 40 60 40 60 50

24

Lampiran 3 Hasil pengklasifikasian data musik

1 Hasil pengklasifikasian data musik bergenre anak-anak No. Genre hasil prediksi No. Genre hasil prediksi

1 Dangdut 11 Anak-Anak

2 Anak-Anak 12 Anak-Anak

3 Reggae 13 Anak-Anak








2 Hasil pengklasifikasian data musik bergenre klasik No. Genre hasil prediksi No. Genre hasil prediksi

1 Klasik 11 Klasik

2 Klasik 12 Klasik

3 Klasik 13 Klasik

4 Klasik 14 Keroncong


6 Klasik 16 Klasik

7 Klasik 17 Klasik

8 Klasik 18 Klasik

9 Klasik 19 Klasik

10 Klasik 20 Klasik

3 Hasil pengklasifikasian data musik bergenre dangdut No. Genre hasil prediksi No. Genre hasil prediksi

1 Dangdut 11 Keroncong


3 Dangdut 13 Dusbtep

4 Rock 14 Dangdut

5 Reggae 15 Dangdut

6 Jazz 16 Anak-Anak


8 Dangdut 18 Dangdut

9 Reggae 19 Rock

10 Keroncong 20 Reggae

25

Lampiran 3 Lanjutan

4 Hasil pengklasifikasian data musik bergenre dubstep No. Genre hasil prediksi No. Genre hasil prediksi

1 Dusbtep 11 Dusbtep


3 Rock 13 Dusbtep


5 Dusbtep 15 Rock






5 Hasil pengklasifikasian data musik bergenre jazz No. Genre hasil prediksi No. Genre hasil prediksi

1 Reggae 11 Reggae

2 Dangdut 12 Reggae

3 Jazz 13 Keroncong

4 Jazz 14 Dangdut

5 Reggae 15 Reggae

6 Jazz 16 Jazz

7 Dangdut 17 Jazz

8 Jazz 18 Reggae

9 Reggae 19 Jazz

10 Jazz 20 Jazz

6 Hasil pengklasifikasian data musik bergenre keroncong No. Genre hasil prediksi No. Genre hasil prediksi

1 Keroncong 11 Klasik

2 Reggae 12 Keroncong

3 Keroncong 13 Keroncong








26

Lampiran 3 Lanjutan

7 Hasil pengklasifikasian data musik bergenre reggae No. Genre hasil prediksi No. Genre hasil prediksi

1 Jazz 11 Jazz

2 Keroncong 12 Reggae

3 Dangdut 13 Jazz

4 Rock 14 Reggae

5 Rock 15 Reggae

6 Anak-Anak 16 Reggae

7 Reggae 17 Reggae

8 Dangdut 18 Dangdut

9 Reggae 19 Jazz

10 Dusbtep 20 Keroncong

8 Hasil pengklasifikasian data musik bergenre rock No. Genre hasil prediksi No. Genre hasil prediksi

1 Rock 11 Dangdut

2 Rock 12 Rock

3 Dusbtep 13 Rock


5 Dusbtep 15 Anak-Anak

6 Dangdut 16 Rock

7 Rock 17 Rock

8 Jazz 18 Dangdut

9 Rock 19 Rock

10 Rock 20 Dusbtep

27

RIWAYAT HIDUP

Penulis lahir di Bekasi pada tanggal 17 Nopember 1991. Penulis merupakan

anak bungsu dari dua bersaudara dari pasangan Bapak Atos Ausri dan Ibu

Noormawati. Pada tahun 2009, penulis lulus dari SMA Negeri 48 Jakarta Timur

dan pada tahun itu pula penulis lulus masuk Institut Pertanian Bogor melalui jalur

SNMPTN (Seleksi Nasional Masuk Perguruan Tinggi Negeri) dan diterima di

jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.

Selama menjalani perkuliahan di IPB, penulis juga menjalani kegiatan

organisasi di organisasi mahasiswa Jakarta Community (J-CO). Selain

berorganisasi, penulis juga mengikuti kegiatan kepanitiaan, yaitu menjadi ketua

divisi Hubungan Masyarakat (HuMas) pada acara IT TODAY 2011.

pengklasifikasian genre musik berdasarkan … · digital, penentuan genre dengan mesin pun menjadi...

Documents