Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Jurusan Teknik Informatika, Fakultas Program Teknologi Informasi dan Ilmu Komputer,
Universitas Brawijaya, Malang, 65145, Indonesia.
*)
E-Mail: ardhi.pria@gmail.com1,hanggariawan@gmail.com 2, cicikelinci11@gmail.com3,
antax666@gmail.com4,oscar.tundan21@gmail.com5
Abstrak
Kenyataan bahwa musik terkait dengan suatu genre seperti pop, rock dan sebagainya
adalah fakta yang umum dan tidak dapat dibantah. Penggunaan musik berdasarkan genre
yang terkandung di dalamnya telah digunakan pada kehidupan sehari-hari. Akan tetapi,
analisa genre suatu musik di komputer adalah hal yang sulit dilakukan [1]. Makalah ini
menjabarkan hasil studi sistem klasifikasi genre pada suatu lagu secara otomatis. Tujuan studi
ini adalah untuk membuat sebuah sistem yang dapat mendeteksi secara otomatis genre yang
terkandung di dalam musik. Studi literatur dilakukan terhadap setiap bagian dari sistem,
kemudian dirumuskan pendekatan yang dinilai terbaik pada rancangan ini. Sistem ini
menggunakan metode naive bayes untuk menarik kesimpulan berdasarkan data yang
diperoleh. Data yang diperoleh termasuk data latih dan data tes. Prosentase akurasi
keakuratan sistem ini sebesar 83,3% untuk data latih dan 60% untuk data tes.
Abstract
The fact that music concerned with its genre like pop, rock and many more cannot be denied.
The use of genre based on music in daily life has been done oftenly. However, the analysis of
genre based music in computer is the hard things to do[1]. This paper exposed the result
study from automatic genre classification system. The purpose of this study is to make the
suggestion of system which can detect genre of the music automaticaly. Reference study is
done to each this design. This system uses naive bayes method to obtain conclusion based on
data we have received. Used data include training data and test data. Percentage of obtained
accuracy is 83,3% for training data and 60% for testing data.
A. Pengumpulan Data
Musik yang dapat diolah dalam
sistem Aplisitogu ini hanya musik yang
memiliki format wav. Dengan begitu Gambar 1. Flowcart Pelatihan Data
apabila kita mempunyai format diluar wav,
harus kita ubah format lagu tersebut Berikut penjelasan tahap-tahap dalam
menggunakan tools seperti wav converter. pelatihan data :
Jika musik yang dimasukkan
berada dalam format selain wav misalnya a. Pre-processing
mp3, maka dalam console program akan
Tahapan awal dalam melakukan
ada pemberitahuan mengenai error.
pelatihan data adalah pre-processing
Kemudian kita melakukan
yang bertujuan untuk membuat lagu
pelabelan genre secara subjektif terhadap
yang akan diuji benar-benar siap
klip lagu tersebut dengan bersumber pada
untuk diuji. Seperti melakukan
situs web dari lagu tersebut sehingga genre
pengecekan bahwa ekstensi format
pada lagu tersebut bisa valid. Genre secara
lagu yang diinputkan oleh user harus
kasar dapat diartikan sebagai jenis musik
benar-benar mempunyai format .wav.
bagi orang awam. Tidak tertutup
kemungkinan sebuah musik memiliki lebih b. Ekstraksi Fitur
dari satu genre [11]. Setelah proses pre-processing
dilakukan, maka dilakukan proses
B. Pelatihan Data ekstraksi fitur dimana proses ini akan
Pada fase pelatihan, diberikan mengolah data dari lagu menjadi fitur-
sejumlah lagu (potongan atau full) musik fitur yaitu frekuensi maksimum,
untuk menjadi bahan pelatihan. Kemudian median dan minimum, sehingga
dilakukan preprocessing untuk kemudian dapat digunakan sebagai
mempermudah pemrosesan berikutnya. data untuk mendukung proses
Dari hasil preprocessing ini kemudian klasifikasi. Proses ekstraksi fitur
dilakukan ekstraksi feature. Selain itu, menggunakan Little endian dan big
dilakukan pula evaluasi secara subjektif endian.
untuk melabeli lagu musik pelatihan Big endian merupakan suatu cara
dengan label genre tertentu. untuk mengatur byte dalam suatu
Fase pelatihan diawali dengan word untuk disusun ke dalam memori.
mengektraksi setiap lagu yang dijadikan Dimana di dalam aplikasi ini, metode
ini dapat mengektraksi fitur suatu lagu Table 1. Data latih dengan data kategorikal
menjadi frekuensi. Proses Big Endian
ditunjukkan pada gambar 2.
hNaive Bayes arg max P(h) P(x | h) arg max P(h) P(at | h)
h h t
(1)
Keterangan :
P = probabilitas
h = hipotesis suatu class spesifik
Gambar 3. Proses Little Endian P(h) = probabilitas hipotesis h
x = klasifikasi datum baru berupa
Selanjutnya akan dihasilkan data x = ( a1,aT)
continue pada hasil ektraksi fitur. P(x| h) = probabilitas x berdasarkan kondisi
Untuk mempermudah dalam pada hipotesis h
melakukan klasifikasi, data continue
ai = nilai fitur at dari setiap contoh datum
tersebut kita ubah menjadi data
P(ai | h)= probabilitas ai berdasarkan kondisi
kategorikal dimana rentang frekuensi
pada hipotesis h
setiap fitur dibagi manjadi kategori
rendah, sedang dan tinggi. Tabel data Untuk menghitung nilai varian (2)
latih yang telah menjadi kategorikal
maka rumus yang digunakan seperti
ditujukan pada tabel 1.
persamaan 2.
1 N
2
N 1 i 1
( xi x ) 2
(2)
Keterangan: a. Penginputan Klip Musik
N = banyak datum yang dihitung Proses ini dilakukan dengan meng-
xi = datum ke i inputkan lagu, dimana proses ini
berfungsi untuk mengambil lagu yang
x = mean dari seluruh data akan kita proses di dalam hardisk
komputer, dimana format lagu yang
diinputkan harus berekstensi .wav.
Berikut adalah algoritma dari Naive
Bayes : b. Post-Processing
Tentukan Data Latih dan Data Pada tahap ini akan dilakukan
Testing validasi terhadap hasil yang
Cari Mean didapatkan dari tahap klasifikasi.
Cari Nilai Varians Proses validasi kita lakukan dengan
Cari nilai Densitas mencocokkan bahwa inputan sebuah
Cari Posteriornya dengan rumus klip lagu apakah cocok antara genre
Naive Bayes lagu yang sebenarnya dengan
Cari Nilai maksimal dari hasil pelabelan genre yang dilakukan oleh
posteriornya, tentukan termasuk program. Dimana genre yang tersedia
class mana yaitu punk, rock, pop, slow dan
dangdut. Pada jendela aplikasi akan
tampil probabilitas genre pada lagu
C. Pengujian Data tersebut, dan nilai probabilitas yang
Untuk melakukan pengujian data terbesar merupakan genre lagu yang
dalam proses mendeteksi genre pada lagu,
diinputkan tersebut.
dilakukan beberapa tahapan mulai dari
observasi hingga validasi sehingga 5. HASIL DAN PEMBAHASAN
didapatkan hasil pelabelan genre pada lagu
yang sesuai [9]. Aplikasi
Aplikasi ini merupakan aplikasi
yang bertujuan untuk mendeteksi genre
suatu lagu yakni rock, punk, pop, slow dan
dangdut. Aplikasi ini menerima inputan
berupa klip musik dalam format (.wav)
dengan menggunakan sistem open dialog
file, sehingga dapat menginputkan klip
lagu yang diinginkan.
Gambar 4.Flowcart Data Testing
Aplikasi akan menghitung peluang
Gambar 4 di atas merupakan setiap genre untuk lagu yang diinputkan
penggambaran flowchart pada saat dengan menggunakan algoritma nave
pengetesan data. Berikut adalah
bayes, dan kemudian di cari nilai yang
penjabaran tahap tahap pada flowchart :
paling masksimal pada setiap probablitas mengklasifikasikan genre pada lagu
kelas genre yang telah ditentukan yakni menggunakan metode Naive Bayes
dimana genre yang diklasifikasikan
punk, rock, slow, pop dan dangdut [8], dan adalah rock, punk, slow, pop dan
pada nilai maksimal itulah data yang diuji dangdut. Hasil akurasi kebenaran data
akan diberikan pelabelan genre sesuai didapat sebesar 83,3% untuk data latih
dan 60 % untuk data test. Hal ini
probabilitas genre yang bernilai maksimal
disebabkan dikarenakan antara satu
tersebut. lagu dengan lagu lainnya mempunyai
frekuensi yang tidak menentu. Jika
Analisa dan Pengujian
dirata-ratakan ketiga nilai fitur dari
Pengujian yang akan dilakukan frequensinya, ada yang memiliki nilai
hampir sama meskipun memiliki
terhadap aplikasi adalah dengan genre yang berbeda.
menginputkan beberapa klip lagu yang Frequensi merupakan fitur yang tidak
dipilih secara acak dan kemudian selamanya benar dalam menentukan
dilakukan preprocessing dimana mengecek genre sebuah lagu. Tetapi sudah cukup
lumayan dalam hal akurasi terhadap
bahwa inputan harus bertipe .wav menganalisa genre sebuah lagu.
Frequensi bukan satu satuya fitur
Pada pengujian ini kita melakukan
yang dapat untuk mendeteksi sebuah
dua uji akurasi data dimana yang pertama genre. Masih banyak fitur lagi yang
kita melakukan test terhadap data latih dapat dipakai.
yang berjumlah 30 lagu dan didapat hasil
DAFTAR PUSTAKA :
yakni terdapat 5 lagu yang pelabelan
genrenya salah sehingga ada 25 lagu benar [1] C.-C Liu, Y.-H. Yang, P.-H. Wu, H.-H.
dan didapat prosentase keakuratan sebesar Chen. (2006). Detecting and classifying
emotion in popular music. Proc. 9th Joint
83,3% Int. Conf. Information Sciences / 7th Int.
Untuk pengejian akurasi aplikasi yang Conf. Computer Vision, Pattern
Recognitionand Image Processing
kedua dilakukan terhadap klip lagu yang
2006(JCIS/CVPRIP'06), Kaohsiung,
dipilih secara acak dan tidak terdapat pada Taiwan, pp. 996-999.
data latih. Kita menggunakan 5 sampel
[2] B. Klein. (2007). Music Definition.
klip lagu dan didapat hasil 3 lagu benar
http://www.bklein.de/music_definition.ht
sehingga didapatkan prosentase akurasi m. Diakses: Desember 2012.
sebesar 60%.
[3] CTV News. (2002). Study explains link
between music and genre.
KESIMPULAN http://www.ctv.ca/servlet/ArticleNews/stor
Sistem Aplikasi pendeteksi Genre y/CTVNews/1039741748103_21/?hub=H
(Aplisitogu) adalah aplikasi yang ealth . Diakses: Desember 2012.
mampu mengklasifikasikan genre
musik secara otomatis dengan [4] D.Huron. (2000). Perceptual and
menggunakan komputer. Sistem ini Cognitive Applications in Music
menggunakan metode Big Endian dan Information Retrieval. International
Little Endian dalam melakukan Symposium on Music Information
ekstraksi fitur, kemudian Retrieval (ISMIR) 2000.
[5] Y.-H. Yang, Y.-F. Su, Y.-C. Lin, H.-H.
Chen. (2007). Music emotion recognition:
The role of individuality. Proc. ACM
SIGMM Int. Workshop on Human-
centered Multimedia 2007, in conjunction
with ACM Multimedia (ACM
MM/HCM'07), Augsburg, Germany, pp.
13-21.
[10]http://www.wisegeek.org/what-is-a-music-
genre.htm