Perbandingan MFCC dan Filterbank Energies dalam Metode HMM untuk Identifikasi Genre Musik

Abstract

Abstrak— Musik adalah seni mengaransemen dan menciptakan suara, seringkali dengan tujuan menciptakan respons emosional atau estetika pada pendengarnya yang mencakup kombinasi melodi, harmoni, ritme, dinamika, dan timbre, yang bersatu untuk menciptakan pengalaman pendengaran yang kohesif dan menyenangkan. Genre musik adalah kategori yang digunakan untuk mengklasifikasikan musik berdasarkan karakteristik gaya umum, seperti ritme, melodi, harmoni, instrumentasi, dan pengaruh budaya. Klasifikasi genre musik adalah salah satu metode di bidang pengambilan informasi musik (MIR), dengan aplikasi mulai dari rekomendasi musik berbasis konten hingga pembuatan daftar putar otomatis. Penelitian ini memanfaatkan Spectral Features yang digunakan dalam klasifikasi genre musik. Mel-Frequency Cepstral Coefficients (MFCC) adalah teknik ekstraksi fitur yang umum digunakan dalam pemrosesan sinyal ucapan dan audio untuk merepresentasikan karakteristik spektral sinyal audio dengan cara yang relevan secara persepsi dan efisien secara komputasi. Filterbank Energies menggambarkan distribusi energi di berbagai pita frekuensi dalam sinyal audio. Hidden Markov Models (HMMs) adalah model probabilistik yang biasa digunakan dalam tugas pemrosesan ucapan dan audio, termasuk klasifikasi genre musik. Penelitian ini menggunakan data yang diambil dari dataset yang diperoleh dari Kaggle bernama GTZAN Dataset dengan genre musik yang terdiri dari blues, classical, country, disco, hiphop, jazz, metal, pop, reggae, dan rock. Hasil pengujian pada rasio 95-5 dari MFCC mendapatkan 70% akurasi dalam waktu 4 jam 11 menit 43 detik, sementara Filterbank Energies mendapatkan 56% akurasi dalam waktu 1 jam 43 menit 16 detik.

Kata Kunci— (Musik, Genre, Mel-Frequency Cepstral Coefficients, Filterbank Energies, Hidden Markov Models)