<![CDATA[ABSTRACTMusic classification plays an important role in music information retrieval because the results of music classification based on genre can be used by music listeners to find new music according to their preferences. Currently, online music streaming providers create playlists and also provide music recommendations based on genres. Therefore, developing a good and accurate machine learning model to classify music automatically based on genre will be very beneficial for online music streaming providers. In this research, automatic classification of music genres was carried out using content-based features that have been extracted from audio signals. The dataset used contains musical features that have been processed from the GTZAN music dataset which consists of 57 content-based features. The machine learning techniques used for music classification were K-Nearest Neighbor (K-NN), Support Vector Machine (SVM), and Multi Layer Perceptron (MLP). The MLP machine learning technique produced the greatest accuracy value when compared to K-NN and SVM in this study with an accuracy value of 71.6%, followed by SVM with an accuracy value of 71%, and K-NN with an accuracy value of 69.6%.Keywords: genre, k-nearest neighbor, multi layer perceptron, music classification, support vector machineABSTRAKKlasifikasi musik memainkan peran penting dalam temu kembali informasi musik karena hasil klasifikasi musik berdasarkan genre dapat digunakan oleh pendengar musik untuk menemukan musik baru yang sesuai dengan preferensi. Saat ini, penyedia streaming musik online membuat playlist dan juga memberikan rekomendasi musik berdasarkan genre. Oleh karena itu, pengembangan model pembelajaran mesin yang baik dan akurat untuk mengklasifikasikan musik secara otomatis berdasarkan genre akan sangat bermanfaat bagi penyedia streaming musik online. Pada penelitian ini, dilakukan klasifikasi genre musik otomatis menggunakan fitur berbasis konten yang telah diekstrak dari sinyal audio. Dataset yang digunakan berupa fitur yang telah diproses dari dataset musik GTZAN yang terdiri dari 57 fitur berbasis konten. Teknik pembelajaran mesin yang digunakan untuk klasifikasi musik adalah K-Nearest Neighbor (K-NN), Support Vector Machine (SVM), dan Multi Layer Perceptron (MLP). Teknik pembelajaran mesin MLP menghasilkan nilai akurasi terbesar jika dibandingkan dengan K-NN dan SVM pada penelitian ini dengan nilai akurasi 71,6%, disusul dengan SVM dengan nilai akurasi 71%, dan K-NN dengan nilai akurasi sebesar 69,6%.Kata Kunci: genre, k-nearest neighbor, klasifikasi musik, multi layer perceptron, support vector machine]]>
Copyrights © 2023
