SELEKSI FITUR DALAM KLASIFIKASI GENRE MUSIK

Abstract

Proses seleksi fitur adalah salah satu upaya untuk melakukan reduksi dimensi dari fitur yang digunakan pada proses data mining. Proses seleksi fitur diharapkan dapat mengurangi jumlah noise dan mengeliminasi fitur yang kurang relevan. Penelitian ini melakukan seleksi fitur terhadap vektor fitur yang digunakan untuk melakukan klasifikasi genre musik, yakni vektor fitur entropi. Vektor fitur dalam penelitian ini telah digunakan pada penelitian sebelumnya namun akurasinya masih rendah. Proses seleksi fitur diharapkan dapat menghasilkan vektor fitur yang lebih ringkas, atau bahkan dapat menghasilkan nilai akurasi yang lebih tinggi.
Vektor fitur entropi dihasilkan melalui proses ekstraksi fitur dengan menghitung statistik dari entropi koefisien wavelet. Statistik yang digunakan dalam ekstraksi fitur adalah mean, standar deviasi, nilai maksimum, nilai minimum, dan beda maksimum entropi. Proses seleksi kemudian dilakukan secara manual dengan memilih subset fitur terbaik yang dapat melakukan klasifikasi genre musik dengan akurasi tertinggi menggunakan classifier k-Nearest Neighbor (k-NN). Hasil penelitian menunjukkan subset fitur dengan kombinasi mean, standar deviasi, nilai maksimum dan beda maksimum entropi, merupakan kombinasi fitur terbaik dalam mengklasifikasi genre musik. Subset fitur yang dihasilkan dari kombinasi keempat statistik entropi ini dapat merepresentasikan file musik digital dengan lebih ringkas serta memberikan nilai akurasi yang sedikit lebih tinggi dibandingkan dengan penggunaan vektor fitur aslinya