ANALISIS MUSIC MINING INFORMATION RETRIEVAL UNTUK KLASIFIKASI JENIS MUSIC BERGENRE MENGGUNAKAN ALGORITMA NAIVE BAYES

ANALISIS MUSIC MINING INFORMATION RETRIEVAL UNTUK KLASIFIKASI JENIS MUSIC BERGENRE MENGGUNAKAN ALGORITMA NAIVE BAYES

  1 Andi Imrah Dewi,

  2 Andi Nurul Hidayat 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. 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 berbeda- beda 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 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].

  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 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 menjadi ukuran kosakata. Kemudian MNB penilaian subjektif oleh manusia[6]. 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 seperti ti di kelas c dan dihitung sebagai

  :

  dilakukan secara manual dan subjektif oleh Dimana f ni adalah jumlah dari kata n dalam manusia, seperti pada pemilihan musik untuk latar dokumen uji ti dan Pr(wn|c) adalah probabilitas kata belakang suatu film, Biasanya pada tim pembuat n yang diberikan oleh kelas c. Probabilitas terakhir film tersebut terdapat tim kecil yang khusus diestimasi dari dokumen latih sebagai: bertugas untuk menangani masalah pemilihan 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 Berdasarkan beberapa penelitian klasifikasi genre mining information retrieval untuk klasifikasi jenis musik klasifikasi dan mengcomparasikan dengan music bergenre[10]. metode klasifikasi yang digunakan yakni algoritma SVM, NBC, KNN dan C45 hasilnya

  2.1 Naive Bayes pada data 3713 feature dan 360 instance. 360

  Naïve Bayes merupakan salah satu metode machine instance sebagai data latih dan 120 instance. learning yang menggunakan perhitungan probabilitas. Metode ini memanfaatkan teori yang

  3.

  dikemukakan oleh ilmuwan Inggris Thomas Bayes

2.2 Precision, Recall dan F-measure

  8, yaitu memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya. Sistem temu kembali informasi mengembalikan Dengan teori Teorema Bayes adalah teorema yang sekumpulan dokumen sebagai jawaban dari query digunakan dalam statistika untuk menghitung pengguna. Terdapat dua kategori dokumen yang peluang untuk suatu hipotesis, Bayes Optimal dihasilkan oleh sistem temu kembali informasi Classifier menghitung peluang dari suatu kelas dari terkait pemrosesan sebuah query, yaitu relevant masing-masing kelompok atribut yang ada, dan documents (dokumen yang relevan dengan query) menentukan kelas mana yang paling optimal.[9] dan retrieved documents (dokumen yang diterima. pengguna). Teknik pengukuran umum yang

  Multinomial Naive Bayes digunakan untuk mengukur kualitas dari data Dalam model multinomial diberikan permisalan retrieval adalah kombinasi precision dan recall. seperti satu set kelas dilambangkan dengan C, N Precision mengevaluasi kemampuan sistem temu

  Tabel.1 Uji Performance Klasifikasi Genre Musik 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:

  Classbackstreet_boys 75.00% 85.71%

  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 Class (observation) aktual class (expectation)

  Class basement_jaxx 77.78% 100.00%

  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.

  VOL.1 No.2 Juni-Desember 2015

  Class Atribut Genre Musik Class Precision Class Recall

  Classaretha_franklin 100.00% 83.33%

• 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].

  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 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

  Class beach_boys 100.00% 85.71%

  Class beatles 100.00% 28.57%

  Class beck 100.00% 71.43%

  Class bee_gees 75.00% 85.71%

4. METODE PENELITIAN

  VOL.1 No.2 Juni-Desember 2015

  CTV News. (2002).Study explains link between music and genre. Diakses: Desember 2012

  Grafik Uji Atribut spesial Performance Klasifikasi Genre Musik

  0% 50% 100%

  Chen.(2007).Musicemotionrecognition: The role of individuality. Proc. ACM

  Su, Y.-C. Lin, H.-H. [6]

  [5] Symposium on Music Information Retrieval (ISMIR) 2000Y.-H. Yang, Y.-F.

  Applications in Music Information Retrieval. International

  [4] D.Huron. (2000). Perceptual and Cognitive

  Diakses: Desember 2012 [3]

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

  

  [2] B.Klein. (2007). Music Definition.

  [1] Djohan. 2009. Psikologi Musik. Yogyakarta: Penerbit Best Publisher.

  Daftar Pustaka

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

  6. Kesimpulan

  Gambar 2 Grafik uji data klasifikasi genre musik Gambar.1Desain Eksperimen Genre Musik Berdasarkan pada gambar1 model desain eksperimen Genre musik diatas bahwa data genre musik yang di gunakan adalah 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%.

  Class Recall Class Precision Class Atribut Genre Musik p. ISSN: 2777-888 e. ISSN: 2502-2148

  VOL.1 No.2 Juni-Desember 2015

  Jurnal Elektronik Sistem Informasi Dan Komputer SIGMM Int. Workshop on Humancentered Poria, 1Alexandar Gelbukh, 2 Amir Multimedia 2007, in conjunction with Hussain,3 Sivaji Bandy opadhy ay, ACM Multimedia (ACMMM/HCM'07),

  1Newton Howard McCallum, A. and Augsburg, Germany, pp. 13-21. Nigam, K., 1998, A comparison of event models for Naïve Bayes text

  J.Skowronek, M.E. McKinney, S. van de Par. (2006). Ground Truth for [10] Automatic Music Genre Classification.

  [7] classification.

  ZA,Agus.Bramantoro,Arif.SoftwareApli International.Symposium on Music kasiPengolahKata(WordProcessor)deng Information Retrieval (ISMIR) 2006. anFasilitasPemeriksaEjaandanThesaurus

  BerbahasaIndonesia”,JurusanTeknikInfo [8] rmatika,FakultasTeknologiInformasiInst

  Kibriya Ashraf M., Frank Eibe, Pfahringer Bernhard, Holmes itut Teknologi Sepuluh Nopember, Geoffrey.2004. Surabaya.

  [9] [11]

  Multinomial Naïve Bayes forText Rijsbergen C J V. 1979. Information CategorizationRevisited. Australian Retrieval.Butterworths: University of joint conference on artificial intelligence Glasgow.

  No.17. Music Genre Classification: A Semi supervised Approach Soujanya