Hak cipta dan penggunaan kembali:
Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis dan melisensikan ciptaan turunan dengan syarat yang serupa dengan ciptaan asli.
Copyright and reuse:
This license lets you remix, tweak, and build upon work
non-commercially, as long as you credit the origin creator
and license it on your new creations under the identical
terms.
BAB III
METODOLOGI PENELITIAN DAN PERANCANGAN APLIKASI
3.1 Metodologi Penelitian
Metode penelitian yang digunakan dalam mengimplementasikan Gaussian Naïve Bayes pada klasifikasi genre musik berbasis web adalah sebagai berikut.
1. Studi Literatur
Pada tahap ini, dilakukan pencarian referensi teori mengenai genre musik, karakteristik dari genre yang diuji (pop, rock, jaz, dan klasik), metode Gaussian Naïve Bayes, dan ekstraksi fitur beat spectrum, LPC (linear prediction coding), ZCR (zero crossing rate), power spectrum, dan MFCC (Mel-frequency cepstral coefficient). Referensi dicari melalui buku, jurnal, artikel, dan situs di internet. Tahap ini dilakukan untuk memperkuat dasar teori dalam penelitian ini.
2. Analisis Kebutuhan
Pada tahap ini, dilakukan analisis terhadap kebutuhan untuk menunjang proses penelitian, seperti spesifikasi kebutuhan perangkat lunak yang sesuai untuk proses latih dan proses uji.
3. Pengumpulan Data
Pada tahap ini, dilakukan pengumpulan data dari FMA large subset. Genre setiap berkas musik tersimpan di dalam data master. Berkas musik disaring berdasarkan genre pop, klasik, rock, dan jaz untuk selanjutnya digunakan dalam uji coba.
4. Perancangan Aplikasi
Pada tahap ini, dilakukan perancangan aplikasi dengan pembuatan model aplikasi, flowchart, dan rancangan antarmuka aplikasi.
5. Implementasi
Pada tahap ini, dilakukan pemrograman aplikasi web dan algoritma Gaussian Naïve Bayes sesuai dengan rancangan yang telah dibuat.
Aplikasi web dibuat dengan menggunakan bahasa pemrograman PHP, sedangkan algoritma Gaussian Naïve Bayes dibuat dengan menggunakan bahasa pemrograman Python.
6. Uji Coba dan Evaluasi
Uji coba dilakukan setelah aplikasi selesai dibuat. Uji coba algoritma bertujuan untuk mendapatkan parameter fitur yang tepat. Evaluasi dilakukan dengan mendapatkan tingkat akurasi dari hasil uji coba dan menentukan saran pengembangan untuk keperluan penelitian selanjutnya.
7. Penulisan Laporan
Pada tahap ini, seluruh proses penelitian ditulis dalam bentuk laporan penelitian dan dokumentasi terhadap aplikasi yang dibuat.
3.2 Model Aplikasi
Model aplikasi klasifikasi genre musik ditunjukkan oleh Gambar 3.1. User dapat mengunggah berkas musik yang ingin diprediksi melalui antarmuka web.
Web meneruskan berkas ke API klasifikasi genre musik. Format berkas musik yang digunakan adalah *.mp3 sehingga apabila format berkas yang diunggah adalah *.wav maka aplikasi akan mengubah format berkas tersebut ke *.mp3.
Selanjutnya, dilakukan ekstraksi layer 1 dan layer 2 sesuai dengan skema yang ditunjukkan oleh Gambar 3.2. Hasil klasifikasi layer 1 menentukan fitur layer 2 yang digunakan untuk ekstraksi layer 2. Setelah ekstraksi layer 2, klasifikasi menggunakan Gaussian Naïve Bayes menghasilkan genre akhir hasil prediksi yang dikembalikan oleh API ke antarmuka web dan dapat dilihat oleh user. Pada proses klasifikasi menggunakan Gaussian Naïve Bayes, nilai rata-rata dan standar deviasi yang digunakan berasal dari hasil training algoritma. Secara garis besar, proses training algoritma terdiri dari proses pemuatan dataset, ekstraksi layer 1, dan ekstraksi layer 2.
Gambar 3.1 Model Aplikasi Klasifikasi Genre Musik
Gambar 3.2 Skema Layer Klasifikasi
3.3 Flowchart
Gambar 3.3 menunjukkan flowchart pembuatan. Pada pembuatan model, dataset dibagi menjadi 2 bagian, yaitu dataset training dan dataset testing.
Dataset akan melalui proses training untuk mendapatkan rata-rata dan standar deviasi setiap kelas dan setiap fitur dan proses testing untuk memperoleh tingkat akurasi dari model hasil training. Algoritma dengan parameter terbaik diimplementasikan pada aplikasi web agar dapat digunakan oleh user.
Gambar 3.3 Flowchart Pembuatan Model Musik
Pop/Klasik (PC)
Rock/Jaz (RJ)
Pop Klasik Rock Jaz
Beat spectrum, LPC
LPC, power spectrum, MFCC ZCR, MFCC
Gambar 3.4 menunjukkan flowchart aplikasi web. Berkas musik yang diunggah user diteruskan ke proses testing melalui API. API akan mengembalikan genre hasil prediksi ke web.
Gambar 3.4 Flowchart Aplikasi Web 3.3.1 Flowchart Training
Gambar 3.5 menunjukkan flowchart proses training. Training dimulai dengan membaca seluruh dataset training yang telah ditentukan sebelumnya.
Setiap lagu diekstrak menggunakan fitur layer 1 dan menghasilkan nilai rata-rata dan standar deviasi. Hasil perhitungan dimasukkan ke dalam berkas *.csv.
Selanjutnya, lagu-lagu bergenre pop dan klasik akan diekstrak dengan fitur layer 2-PC (kelompok genre pop/klasik) dan lagu-lagu bergenre rock dan jaz diekstrak dengan fitur layer 2-RJ (kelompok genre (rock/jaz). Nilai rata-rata dan standar deviasi dihitung setelah proses ekstraksi setiap layer selesai dan ditulis ke dalam berkas *.csv.
Gambar 3.5 Flowchart Training
3.3.2 Flowchart Testing
Gambar 3.6 menunjukkan flowchart proses testing.
Gambar 3.6 Flowchart Testing
Proses testing mengimplementasikan metode Gaussian Naïve Bayes.
Testing dimulai dengan membaca dataset testing dan mengambil nilai rata-rata dan standar deviasi hasil proses training dari layer 1. Untuk setiap lagu, dilakukan proses ekstraksi layer 1. Hasil ekstraksi dihitung dengan Gaussian Naïve Bayes.
Seluruh lagu dibagi ke dalam 2 kelompok sesuai dengan hasil pemrosesan layer 1.
Selanjutnya, nilai rata-rata dan standar deviasi layer 2-PC diambil. Untuk setiap lagu yang diprediksi termasuk ke dalam kelompok PC diekstrak menggunakan fitur layer 2-PC. Setelah itu, nilai rata-rata dan standar deviasi layer 2-RJ diambil.
Untuk setiap lagu yang diprediksi termasuk ke dalam kelompok RJ diekstrak menggunakan fitur layer 2-RJ. Akurasi penelitian diperoleh dari hasil prediksi genre pada layer 2 dan genre asli setiap lagu. Terakhir, seluruh hasil ditulis ke dalam berkas *.csv.
3.3.3 Flowchart API Testing
Implementasi Gaussian Naïve Bayes pada klasifikasi genre musik berbasis web memerlukan API untuk memprediksi genre lagu dari berkas musik yang diunggah user melalui web. API testing memiliki proses yang sebagian besar sama dengan testing model. Perbedaan keduanya terletak pada sumber lagu yang diprediksi. Pada API testing, lagu berasal dari unggahan user melalui aplikasi web. Jika berkas lagu yang diunggah memiliki format *.wav, berkas akan dikonversi menjadi format *.mp3. Memasuki pemrosesan layer 1, nilai rata-rata dan standar deviasi layer 1 diambil. Lagu diekstrak dan hasilnya diproses menggunakan Gaussian Naïve Bayes untuk menentukan kelompok layer 2. Nilai rata-rata, nilai standar deviasi, dan fitur ekstraksi menyesuaikan hasil prediksi layer 1. Jika hasilnya termasuk kelompok PC, program mengambil nilai rata-rata
dan standar deviasi layer 2-PC serta mengekstraksi lagu menggunakan fitur pada layer 2-PC. Jika hasilnya termasuk kelompok RJ, program mengambil nilai rata- rata dan standar deviasi layer 2-RJ serta mengekstaksi lagu menggunakan fitur pada layer 2-RJ. Selanjutnya, hasil pemrosesan layer 2 dihitung dengan Gaussian Naïve Bayes untuk mendapatkan probabilitas dari setiap genre. Hasil perhitungan menentukan genre akhir keluaran program. Gambar 3.7 menunjukkan flowchart API testing.
Gambar 3.7 Flowchart API Testing 3.3.4 Flowchart Ekstraksi Fitur
Terdapat 2 layer pada penelitian ini dan setiap layer mengalami proses ekstraksi fitur. Setiap proses ekstraksi fitur diawali dengan pengambilan sampling rate dan audio time series lagu.
A. Flowchart Ekstraksi Fitur Layer 1
Gambar 3.8 menunjukkan flowchart ekstraksi fitur layer pertama. Layer pertama mengekstrak fitur beat spectrum menggunakan NUSSL dan LPC menggunakan AudioLazy. Hasil ekstraksi berupa array yang berisi nilai fitur beat spectrum dan LPC.
Gambar 3.8 Flowchart Ekstraksi Fitur Layer 1 B. Flowchart Ekstraksi Fitur Layer 2-PC
Pada layer kedua kelompok genre PC (pop/klasik), fitur yang diekstrak adalah LPC menggunakan AudioLazy, power spectrum menggunakan Scipy, dan MFCC menggunakan Librosa. Hasil ekstraksi berupa array yang terdiri dari nilai fitur LPC, power spectrum, dan MFCC. Gambar 3.9 menunjukkan flowchart ekstraksi fitur layer kedua kelompok PC.
Gambar 3.9 Flowchart Ekstraksi Fitur Layer 2-PC C. Flowchart Ekstraksi Fitur Layer 2-RJ
Kelompok genre RJ (rock/jaz) menggunakan fitur ZCR dan MFCC menggunakan Librosa. Hasil ekstraksi layer 2-RJ berupa array yang terdiri dari nilai fitur ZCR dan MFCC. Gambar 3.10 menunjukkan flowchart ekstraksi fitur layer kedua kelompok RJ.
Gambar 3.10 Flowchart Ekstraksi Fitur Layer 2-RJ
3.3.5 Flowchart Gaussian Naïve Bayes
Pada Naïve Bayes, terdapat perhitungan posterior probability untuk mendapatkan nilai probabilitas setiap genre. Nilai probabilitas setiap genre dibandingkan dan nilai probabilitas terbesar diambil sebagai hasil prediksi menggunakan Naïve Bayes. Posterior probability diperoleh dengan mengalikan prior probability dan class conditional probability. Prior probability setiap class dihitung dengan membagi jumlah lagu training genre ke-i dengan total lagu pada dataset training. Untuk setiap fitur yang ada, class conditional probability dihitung menggunakan Gaussian Naïve Bayes sesuai dengan Persamaan 2.2. Nilai rata-rata dan standar deviasi fitur diambil dari hasil training dan nilai fitur lagu diambil dari hasil ekstraksi sesuai dengan layer. Gambar 3.11 menunjukkan flowchart Gaussian Naïve Bayes dan Gambar 3.12 menunjukkan flowchart posterior probability.
Gambar 3.11 Flowchart Gaussian Naïve Bayes
Gambar 3.12 Flowchart Posterior Probability 3.4 Rancangan Antarmuka Web
User dapat mengunggah berkas lagu format *.mp3 atau *.wav ke dalam web untuk menguji dan memprediksi genre lagu. Konten web disusun ke dalam bentuk 1 halaman web atau single web page sehingga user tidak perlu berpindah halaman untuk melihat konten-konten yang ada. Berikut merupakan rancangan tampilan antarmuka web klasifikasi genre musik yang terbagi menjadi 4 bagian.
3.4.1 Rancangan Bagian Awal
Pada saat user mengunjungi web untuk pertama kali, user akan diarahkan ke bagian awal web yang berisi penjelasan singkat mengenai penelitian ini dan tombol untuk navigasi ke bagian Genre, Fitur, dan Uji Coba. Untuk menuju bagian berikutnya, user juga dapat melakukan scrolling. Gambar 3.13 menunjukkan rancangan antarmuka bagian awal web.
Gambar 3.13 Rancangan Antarmuka Web Bagian Awal 3.4.2 Rancangan Bagian Genre
Bagian Genre dapat dikunjungi melalui tombol Genre pada bagian awal atau melalui scrolling ke bawah. Pada bagian ini, terdapat penjelasan singkat mengenai pembagian genre dan layer. Setiap genre memiliki deskripsi singkat dan keterangan kelompok layer 2. Gambar 3.14 menunjukkan rancangan antarmuka bagian Genre.
Gambar 3.14 Rancangan Antarmuka Web Bagian Genre
3.4.3 Rancangan Bagian Fitur
Apabila user mengklik tombol Feature pada bagian awal atau melanjutkan scrolling ke bawah dari bagian sebelumnya, user diarahkan ke bagian Fitur.
Terdapat penjelasan singkat mengenai fitur-fitur yang digunakan, pembagiannya dalam setiap layer, dan deskripsi singkat setiap fitur. Rancangan antarmuka bagian Fitur ditunjukkan oleh Gambar 3.15.
Gambar 3.15 Rancangan Antarmuka Web Bagian Fitur 3.4.4 Rancangan Bagian Uji Coba
Gambar 3.16 menunjukkan rancangan antarmuka bagian Uji Coba.
Dengan tombol Choose File, user dapat memilih berkas lagu yang ingin diuji.
Untuk memulai proses testing, user dapat mengklik tombol Test. Genre hasil prediksi akan ditampilkan di bawah tulisan Result setelah proses selesai dan mendapat balasan dari API.
Gambar 3.16 Rancangan Antarmuka Web Bagian Uji Coba
