36
ANALISIS MUSIC MINING INFORMATION RETRIEVAL UNTUK
KLASIFIKASI JENIS MUSIC BERGENRE MENGGUNAKAN
ALGORITMA NAIVE BAYES
1Andi Imrah Dewi, 2Andi Nurul HidayatIlmu 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 menggali lebih dalam dan mengklasifikasikan
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].
bergantung pada suatu pembelajaran terhadap penilaian subjektif oleh manusia[6].
Klasifikasi musik berdasarkan genre dapat
dilakukan secara manual dan subjektif oleh manusia, seperti pada pemilihan musik untuk latar belakang suatu film, Biasanya pada tim pembuat film tersebut terdapat tim kecil yang khusus 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 film dan musik yang digunakan untuk mempertegas 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].
Pada tahap ini algoritma yang di guanakan untuk pengklasifikasian musik mining bergenre adalah algoritma naives bayes tersebut banyak digunakan dalam kategorisasi genre music informasi pencarian jenis genre musik (MIR) Music Information Retrieval. Pada hasil eksperimen.[8].
2. Penelitian Terkait
Penelitian mengenai klasifikasi analisis music mining information retrieval untuk klasifikasi jenis music bergenre[10].
2.1Naive Bayes
Naïve Bayes merupakan salah satu metode machine learning yang menggunakan perhitungan probabilitas. Metode ini memanfaatkan teori yang dikemukakan oleh ilmuwan Inggris Thomas Bayes 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
menjadi ukuran kosakata. Kemudian MNB menetapkan dokumen tes ti untuk kelas yang memiliki probabilitas tertinggi Pr(c|ti), yang 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:
Dimana
f
ni adalah jumlah dari kata n dalam dokumen uji ti dan Pr(wn|c) adalah probabilitas kata n yang diberikan oleh kelas c. Probabilitas terakhir diestimasi dari dokumen latih sebagai:Perhatikan bahwa istilah komputasi (∑ ) dan ∏ dalam persamaan (2.2) dapat dihapus tanpa ada
perubahan dalam hasil, karena tidak tergantung pada kelas c, dan persamaan (2.2) dapat ditulis sebagai:
dimana α adalah sebuah variabel konstan yang dibuang karena langkah normalisasi.[2]
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.
3. 2.2 Precision, Recall dan F-measure
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)
+
-+ 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
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
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:
Class Atribut Genre Musik Class
Precision Class Recall
Classaretha_franklin 100.00% 83.33%
Classbackstreet_boys 75.00% 85.71%
Class basement_jaxx 77.78% 100.00%
Class beach_boys 100.00% 85.71%
Class beatles 100.00% 28.57%
Class beck 100.00% 71.43%
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%.
6. Kesimpulan
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.
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
[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
0% 50% 100%
Grafik Uji Atribut spesial
Performance Klasifikasi Genre
Musik
Class Recall
Class Precision
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
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.
