Perbandingan Metode Ensemble Learning Random Forest Dan Adaboost Pada Pengenalan Chord Instrumen Piano Dan Gitar

Abstract

Artikel ini menyajikan analisis komprehensif tentang algoritma Random Forest dan Adaboost untuk mengklasifikasikan akord musik, dengan fokus pada ekstraksi fitur dan optimasi model. Distribusi data asli, termasuk panjang sinyal audio dan distribusi kelas, diperiksa, mengungkapkan karakteristik yang konsisten di seluruh dataset mayor dan minor. Koefisien Cepstral Frekuensi Mel (MFCC) diekstraksi dengan parameter yang telah ditentukan sebelumnya, memastikan konsistensi ekstraksi fitur. Normalisasi fitur dan oversampling menggunakan SMOTE dilakukan untuk menangani ketidakseimbangan kelas. Metrik evaluasi, termasuk akurasi, presisi, recall, dan F1-score, digunakan untuk menilai kinerja model. Hasilnya menunjukkan keunggulan Random Forest dalam akurasi, presisi, dan recall dibandingkan Adaboost. Selanjutnya, penerapan optimasi RandomizedSearchCV meningkatkan kinerja kedua model, dengan Random Forest mencapai akurasi 0.84 dan Adaboost mencapai 0.80. Matriks kebingungan mengilustrasikan akurasi prediksi yang lebih tinggi dari Random Forest untuk kelas positif dan negatif dibandingkan Adaboost. Temuan ini menegaskan efektivitas Random Forest dalam mengklasifikasikan akord musik dengan akurasi tinggi dan menyoroti pentingnya optimasi hiperparameter dalam meningkatkan kinerja model klasifikasi.