ANALISIS MUSIC MINING INFORMATION RETRIEVAL UNTUK KLASIFIKASI JENIS

Download genre musik dengan akurasi, precision dan recall sebagai pengukuran performa dataset yang di klasifikasikan dalam musik information retriev...

0 downloads 420 Views 569KB Size
p. ISSN: 2777-888 e. ISSN: 2502-2148 Jurnal Elektronik Sistem Informasi Dan Komputer

VOL 1 No.2 Juli-Desember 2015

ANALISIS MUSIC MINING INFORMATION RETRIEVAL UNTUK KLASIFIKASI JENIS MUSIC BERGENRE MENGGUNAKAN ALGORITMA NAIVE BAYES Andi Imrah Dewi, 2Andi Nurul Hidayat

1

Ilmu Pendidikan Seni,Ilmu Komputer Stmik-Bina Mulia Palu Website kampus:stmik-binamulia.ac.id ABSTRAK Seiring dengan perkembangan dunia musik dari dulu sampai sekarang ini jauh lebih baik dan memudahkan pencinta musik seolah-olah di manjakan dengan sebuah alat musik audio yang mampu merekam suara musik.Pada masa sekarang ini masyarakat seiring pengklasifikasikan berbagai jenis musik berdasarkan genre musik yang ada, genre musik pada klasifikasi genre yang untuk mengetahui informasi sound yang berekstensi mp3 dll yang akan di klasifikasikan khususnya genre musik atau Fungsi dari musik information retrieval adalah memberikan kemudahan untuk melakukan pencarian musik, dengan demikian pendengar musik dapat dengan nudah menentukan musik genre yang di iginkan terutama musik dan di dengarkan serta musik yang diminatinya.metode algoritma yang di gunakan dalam pengklasifikasian algoritma Naive Bayes merukapakan algoritma pengklasifikasian data, sedangkan tools untuk mengujinya menggunakan rapidminer 5.0 dan mengevaluasi klasifkasi data genre musik dengan akurasi, precision dan recall sebagai pengukuran performa dataset yang di klasifikasikan dalam musik information retrieval. Kata Kunci: Analisis Musik Mining Bergenre, Music Mining Information Retrieval, Naive Bayes.

1.

berdasarkan genre musik menjadi sangat di butuhkan. fungsi dari musik information retrieval adalah memberikan kemudahan untuk melakukan pencarian musik, dengan demikian pendengar musik dapat dengan nudah menentukan musik genre yang diiginkan terutama musik dan di dengarkan serta musik yang diminatinya[1].

Pendahuluan

Seiring dengan perkembangan dunia musik dari dulu sampai sekarang ini jauh lebih baik dan memudahkan pencinta musik seolah-olah di manjakan dengan sebuah alat musik audio yang mampu merekam suara musik. Pada masa sekarang ini masyarakat seiring pengklasifikasian data genre dengan berbagai jenis-jenis musik berdasarkan genre musik yang ada, genre musik pada klasifikasi genre yang untuk mengetahui informasi sound musik yang berekstensi mp3 dan lain-lain yang akan di klasifikasikan khususnya genre musik. Genre musik sering juga di artikan ke dalam sebuah bentuk dasar pengelompokkan jenis musik dengan teknik memperhatikan kemiripan pada jenis alat musik, gitar, piano, suling dll. Karakter arangsemen musik berbedabeda yakni ada timral, frekuensi, nada, serta tempo alunang musik yang ada pada musik tersebut, lyric dan lagu dapat juga di kategorikan ke dalam penerapan klasifikasi jenis musik genre, musik merupakan hal yang dapat di tentukan secara melalui pendengaran manusia. Hal itu mengakibatkan genre musik dapat menjadi aspek penting dari kalangan seni musik dan praktisi pengelola audio, di bidang musik digital khusus bagi pecinta msuik atau dalam medeskripsikan sebuah musik. Jumlah musik yang terus bertambah menyebabkan para peneliti di bidang musik mining information retrieval tertarik menggali lebih dalam dan mengklasifikasikan

Berdasarkan pada suatu elemen terkecil dari musik adalah nada. Nada adalah suara yang memilkik nilai yang frekuensinya tertentu. Dalam musik, nada berada suatu ruang dimensi, dimensi vertikal dan horizontal[2]. Kenyataan bahwa musik dapat di kaitkan dengan genre musik tertentu adalah fakta yang umum diketahui dan tidak dapat dibantah [3]. Penelitian eksperimental di bidang komputer dan era globalisasi dan digitalisasi perangkat software dan hardware musik dapat memperkuat kenyataan ini [4]. Melihat dari sudut pandang seniman musik, genre ini salah satu cara penggolongan musik yang paling penting yakni penggolangan musik dengan gaya style, emosi, dan similarity[5]. Selanjutnya, pada analisa genre musik tersebut, mengambil dalam suatu bahasa bidang music information retrieval. Penangkapan data genre dalam musik bersifat subjektif. Pada pendekatan yang dapat dilakukan untuk mengklasifikasikan musik kedalam kategori genre adalah dengan

36

37 p. ISSN: 2777-888 e. ISSN: 2502-2148 Jurnal Elektronik Sistem Informasi Dan Komputer

VOL.1 No.2 Juni-Desember 2015

bergantung pada suatu pembelajaran terhadap penilaian subjektif oleh manusia[6].

menjadi ukuran kosakata. Kemudian MNB menetapkan dokumen tes ti untuk kelas yang memiliki probabilitas tertinggi Pr(c|ti), yang Klasifikasi musik berdasarkan genre dapat dengan menggunakan aturan Bayes, ditentukan dengan Prioritas kelas Pr(c) dapat diperkirakan dengan membagi jumlah dokumen milik kelas c dengan jumlah total dokumen. Pr(ti|c) adalah probabilitas untuk mendapatkan dokumen dilakukan secara manual dan subjektif oleh seperti ti di kelas c dan dihitung sebagai: manusia, seperti pada pemilihan musik untuk latar Dimana fni adalah jumlah dari kata n dalam belakang suatu film, Biasanya pada tim pembuat dokumen uji ti dan Pr(wn|c) adalah probabilitas kata film tersebut terdapat tim kecil yang khusus n yang diberikan oleh kelas c. Probabilitas terakhir bertugas untuk menangani masalah pemilihan diestimasi dari dokumen latih sebagai: sountrack lagu film layar lebar, bahkan pembuatan, musik latar belakang. Dapat dilihat pada film-film yang telah dibuat bahwa emosi serta mengkombinasikan di dalam genre lagu yang digerakkan oleh musik latar tersebut. seringkali benar-benar mengena sesuai dengan suasana tema Perhatikan bahwa istilah komputasi (∑ ) dan ∏ film dan musik yang digunakan untuk mempertegas dalam persamaan (2.2) dapat dihapus tanpa ada suasana pada scene-scene tertentu musik yang rock digunakan untuk melatar belakangi scene film horor yang menegangkan, demikian musik dengan genre slow untuk suasana film yang menyedihkan yang diinginkan pada scene-scene tertentu pada film tersebut. [7]. perubahan dalam hasil, karena tidak tergantung pada kelas c, dan persamaan (2.2) dapat ditulis Pada tahap ini algoritma yang di guanakan untuk sebagai: pengklasifikasian musik mining bergenre adalah algoritma naives bayes tersebut banyak digunakan dalam kategorisasi genre music informasi dimana α adalah sebuah variabel konstan yang pencarian jenis genre musik (MIR) Music dibuang karena langkah normalisasi.[2] Information Retrieval. Pada hasil eksperimen.[8]. 2. Penelitian Terkait Penelitian mengenai klasifikasi analisis music mining information retrieval untuk klasifikasi jenis music bergenre[10]. 2.1 Naive Bayes Naïve Bayes merupakan salah satu metode machine learning yang menggunakan perhitungan probabilitas. Metode ini memanfaatkan teori yang dikemukakan oleh ilmuwan Inggris Thomas Bayes3. 8, yaitu memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya. Dengan teori Teorema Bayes adalah teorema yang digunakan dalam statistika untuk menghitung peluang untuk suatu hipotesis, Bayes Optimal Classifier menghitung peluang dari suatu kelas dari masing-masing kelompok atribut yang ada, dan menentukan kelas mana yang paling optimal.[9] Multinomial Naive Bayes Dalam model multinomial diberikan permisalan seperti satu set kelas dilambangkan dengan C, N

Berdasarkan beberapa penelitian klasifikasi genre musik klasifikasi dan mengcomparasikan dengan metode klasifikasi yang digunakan yakni algoritma SVM, NBC, KNN dan C45 hasilnya pada data 3713 feature dan 360 instance. 360 instance sebagai data latih dan 120 instance. 2.2 Precision, Recall dan F-measure Sistem temu kembali informasi mengembalikan sekumpulan dokumen sebagai jawaban dari query pengguna. Terdapat dua kategori dokumen yang dihasilkan oleh sistem temu kembali informasi terkait pemrosesan sebuah query, yaitu relevant documents (dokumen yang relevan dengan query) dan retrieved documents (dokumen yang diterima. pengguna). Teknik pengukuran umum yang digunakan untuk mengukur kualitas dari data retrieval adalah kombinasi precision dan recall. Precision mengevaluasi kemampuan sistem temu

38 p. ISSN: 2777-888 e. ISSN: 2502-2148 Jurnal Elektronik Sistem Informasi Dan Komputer kembali informasi untuk menemukan kembali data top-ranked yang paling relevan, dan didefinisikan sebagai persentase data yang di kembalikan yang benar-benar relevan terhadap query pengguna. Precision merupakan proporsi dari suatu set yang diperoleh yang relevan. Relevant adalah jumlah dokumen yang relevan. Retrieved adalah jumlah dokumen atu record data yang dikembalikan atau diperoleh oleh dari sistem kepada pengguna. Sedangkan pada performance Recall mengevaluasi kemampuan system temu kembali informasi untuk menemukan semua item yang relevan dari dalam koleksi sebuah data dan didefinisikan sebagai persentase data-data yang relevan terhadap query pengguna dan yang diterima. Recall merupakan proporsi dari semua hasil data yang relevan di koleksi termasuk . hasil yang diperoleh atau dikembalikan. Berikut rumunya: Tabel 2 Pengukuran Actual Class Predicted aktual class (expectation) Class + (observation) + TP FP FN TN Berdasarkan pada tabel 2 diatas pengukuran actual class TP adalah true positive yaitu jumlah dokumen yang di hasilkan aplikasi sesuai dengan jumlah dokumen yang diberi olehpakar. FP adalah false positive yaitu jumlah dokumen yang bagi pakar dianggap salah akan tetapi oleh aplikasi dianggap benar (hasil yang tidak diinginkan). FN adalah false negative yaitu jumlah dokumen yang bagi pakar dianggap

benar akan tetapi oleh aplikasi dianggap salah (missing result). Dalam sebuah Kombinasi performance precision dan recall biasa dikombinasikan sebagai harmonic mean, biasa disebut F-measure. [11].

4.

METODE PENELITIAN

Metode penilitian yang akan di gunakan untuk mengklasifikasikan dataset genre musik algoritma klasifikasi yakni (naive bayes classifier dokumen dataset genre musik yang di bentuk dengan dengan data latih dan data testing yang di kumpulkan

VOL.1 No.2 Juni-Desember 2015

secara online dari situs music information retrieval untuk menganalisa hasil performa suatu metode dalam klasifikasi genre musik dan meghasilkan masing-masing tingkat akurasi algoritma Naive Bayes. Data yang akan di gunakan sekumpula dataset teks diatanra judul lagu genre musik,artist,album. 5.

Hasil Penelitian

Hasil penelitian yang dilakukan menggunakan spesifikasi komputer AMD E- 450 APU dan sistem operasi windows 7-Ultimate 32–bit. Aplikasi yang di gunakan adalah rapidminer 5.3. Tabel.1 Uji Performance Klasifikasi Genre Musik Class Atribut Genre Musik

Class Precision

Class Recall

Classaretha_franklin Classbackstreet_boys Class basement_jaxx Class beach_boys Class beatles Class beck Class bee_gees

100.00% 75.00% 77.78% 100.00% 100.00% 100.00% 75.00%

83.33% 85.71% 100.00% 85.71% 28.57% 71.43% 85.71%

Berdasarkan pada tabel 1 Uji performance data klasifikasi atribut genre musik diatas di kelompok atribut genre distribusi model for label attribute aretha_franklin sebagai target untuk klasifikasi genre musik. Pada kolom nama atribut class grenre terlihat pada kolom tersebut menunjukkan class presentase pengukuran precision mulai 75% s/d 100% serta pengukuran class recall memperlihat presentase di mulai persentase 28.57% s/d 100.00% serta total performance data akurasi: 89.79%. berdasarkan pada tabel 1 performance diatas juga dibuatkan sebuah model performance grafik atribut klasifikasi genre musik yang terdiri dari pengukuran performance akurasi, precision, recall. berikut model gambar dapat dilihat pada gambar 2 uji data klasifikasi genre musik:

39 p. ISSN: 2777-888 e. ISSN: 2502-2148 Jurnal Elektronik Sistem Informasi Dan Komputer

Grafik Uji Atribut spesial Performance Klasifikasi Genre Musik 100% 50% 0%

Class Recall

VOL.1 No.2 Juni-Desember 2015

dataset/data yang berekstensi.csv dengan melakukan processing data diataranya dataset genre musik,dataset berektensi.csv dan role sebagai teknik untuk menggunakan data atribut kemudian menyiapkan dataset genre musik data training dan data testing dan menghasilkan sebuah model classifier algoritma Naive bayes dan mengevaluasi performance data genre musik yakni di hitung performa sebuah data genre musik dengan hasilAkurasi:89.79%,CoffusionMatrix:75.00 % Recall, Precision 100.00%. 6.

Kesimpulan

Class Precision Class Atribut Genre Musik

Dari hasil penelitian ini menunjukkan bahwa penggunaan metode algoritma Naive Bayes dapat

Gambar 2 Grafik uji data klasifikasi genre musik

mengimplementasikan hasil dari pengujian data genre musik klasifikasi dan dari penggunaan Naive Bayes dapat kesimpulan bahwa penerapan algoritma Naive Bayes menunjukkan akurasi 89.79%. dalam hasil klasifikasi genre musik serta dengan adanya hasil analisis tersebut dapat memperoleh klasifikasi genre musik yang baik. Di harapkan serta pengembangan dalam tingkat klasiifkasi sebuah musik genre musik. Daftar Pustaka [1] Djohan. 2009. Psikologi Musik. Yogyakarta: Penerbit Best Publisher. [2] B.Klein. (2007). Music Definition. http://www.bklein.de/music_definition.htm... Diakses: Desember 2012 [3] CTV News. (2002).Study explains link between music and genre. Diakses: Desember 2012 [4] D.Huron. (2000). Perceptual and Cognitive Applications in Music Information Retrieval. International

Gambar.1Desain Eksperimen Genre Musik Berdasarkan pada gambar1 model desain eksperimen Genre musik diatas bahwa data genre musik yang di gunakan adalah

[5] Symposium on Music Information Retrieval (ISMIR) 2000Y.-H. Yang, Y.-F. Su, Y.-C. Lin, H.-H. [6] Chen.(2007).Musicemotionrecognition: The role of individuality. Proc. ACM

40 p. ISSN: 2777-888 e. ISSN: 2502-2148 Jurnal Elektronik Sistem Informasi Dan Komputer SIGMM Int. Workshop on Humancentered Multimedia 2007, in conjunction with ACM Multimedia (ACMMM/HCM'07), Augsburg, Germany, pp. 13-21. [7] J.Skowronek, M.E. McKinney, S. van de Par. (2006). Ground Truth for Automatic Music Genre Classification. International.Symposium on Music Information Retrieval (ISMIR) 2006. [8] Kibriya Ashraf M., Frank Eibe, Pfahringer Bernhard, Holmes Geoffrey.2004. [9] Multinomial Naïve Bayes forText CategorizationRevisited. Australian joint conference on artificial intelligence No.17. Music Genre Classification: A Semi supervised Approach Soujanya

VOL.1 No.2 Juni-Desember 2015

Poria, 1Alexandar Gelbukh, 2 Amir Hussain,3 Sivaji Bandy opadhy ay, 1Newton Howard McCallum, A. and Nigam, K., 1998, A comparison of event models for Naïve Bayes text classification. [10] ZA,Agus.Bramantoro,Arif.SoftwareApli kasiPengolahKata(WordProcessor)deng anFasilitasPemeriksaEjaandanThesaurus BerbahasaIndonesia”,JurusanTeknikInfo rmatika,FakultasTeknologiInformasiInst itut Teknologi Sepuluh Nopember, Surabaya. [11] Rijsbergen C J V. 1979. Information Retrieval.Butterworths: University of Glasgow.