KLASIFIKASI JENIS MUSIK BERDASARKAN FILE AUDIO MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION

Rocky Yefrenes Dillak, Dwi Murdaningsih Pangestuty, Martini Ganantowe Bintiri

Abstract


Klasifikasi merupakan proses identifikasi kelompok dari suatu obyek berdasarkan kesamaan fitur tertentu, dimana setiap kelompok telah terbentuk melalui suatu proses tertentu. Keunikan setiap kelompok direpresentasikan dengan suatu vector fitur. Penelitian ini bertujuan mengembangkan suatu metode yang dapat digunakan untuk melakukan klasifikasi terhadap jenis musik berdasarkan file audio dengan format wav menggunakan algoritma jaringan syaraf tiruan learning vector quantization (LVQ). Pengklasifikasian file audio ke dalam suatu kelompok atau kelas, memerlukan ciri atau fitur dari file audio tersebut. Metode ekstrak fitur yang digunakan untuk memperoleh ciri atau fitur dari file yang dimaksud adalah Sort Time Energy (STE) dan Zero Crossing Rate (ZC) yang diturunkan dalam domain waktu (time domain) yang merupakan salah satu komponen data audio. Berdasarkan hasil dari penelitian ini menunjukkan bahwa pendekatan yang diusulkan mampu melakukan klasifikasi terhadap jenis musik berdasarkan file audio berformat wav dengan akurasi sebesar 80%.


References


Dewi, K.C., Harjoko, A., 2010, Kid’s Song Classification Based on Mood Parameters Using K-Nearest Neighbor Classification Method and Self Organizing Map, The Second International Conference on Distributed Frameworks and Applications 2010

Mayer, R., Rauber, A., 2010, Building Ensembles of Audio and Lyrics Features to Improve Musical Genre Classification, In Proceedings of the ACM 13th International Conference on Multimedia 2010

Setiawan, A., 2009, Analisis Klasifikasi Suara Berdasarkan Gender Dengan Format Wav Menggunakan Algoritma K-Means, Sains dan Teknologi, 2 (2). ISSN 1979-6870

Charami, M., Halloush, R., Tsekeridou, S., 2007, Performance Evaluation of TreeQ and LVQ Classifiers for Music Information Retrieval, International Federation for Information Processing, Volume 247, Artificial Intelligence and Innovations 2007

Li, R., HuaNing, W., YanMei, C., Xin, H., 2011, Solar flare forecasting using learning vector quantity and unsupervised clustering techniques, Science China Press and Springer-Verlag Berlin Heidelberg 2011


Refbacks

  • There are currently no refbacks.