Perbandingan Antara Mel-Frequency Cepstral Coefficients dan Filterbank Energies Dalam Penggunaan Metode Hidden Markov Model Untuk Identifikasi Genre Musik

Comparison Between Mel-Frequency Cepstral Coefficients and Filterbank Energies in Using Hidden Markov Model Method for Music Genre Identification

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)

Music is the art of arranging and creating sounds, often with the intention of creating an emotional or aesthetic response in the listener that includes a combination of melody, harmony, rhythm, dynamics, and timbre, which come together to create a cohesive and pleasurable auditory experience. Music genre is a category used to classify music based on common stylistic characteristics, such as rhythm, melody, harmony, instrumentation, and cultural influences. Music genre classification is one method in the field of music information retrieval (MIR), with applications ranging from content-based music recommendation to automatic playlist creation. This study utilizes Spectral Features used in music genre classification. Mel-Frequency Cepstral Coefficients (MFCC) is a feature extraction technique commonly used in speech and audio signal processing to represent the spectral characteristics of an audio signal in a perceptually relevant and computationally efficient manner. Filterbank Energies describe the distribution of energy across different frequency bands in an audio signal. Hidden Markov Models (HMMs) are probabilistic models commonly used in speech and audio processing tasks, including music genre classification. This study uses data taken from a dataset obtained from Kaggle called GTZAN Dataset with music genres consisting of blues, classical, country, disco, hiphop, jazz, metal, pop, reggae, and rock. The test results at a ratio of 95-5 from MFCC get 70% accuracy in 4 hours 11 minutes 43 seconds, while Filterbank Energies gets 56% accuracy in 1 hour 43 minutes 16 seconds.

Keywords: (Music, Genre, Mel-Frequency Cepstral Coefficients, Filterbank Energies, Hidden Markov Models)