Perbandingan Kinerja Algoritma Random Forest dan K�Nearest Neighbor dalam Klasifikasi Genre Musik Pop dan Rock Berdasarkan Fitur Audio

Syah, Rendy Pramesta (2026) Perbandingan Kinerja Algoritma Random Forest dan K�Nearest Neighbor dalam Klasifikasi Genre Musik Pop dan Rock Berdasarkan Fitur Audio. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (820kB)
	Text BAB 1.pdf Download (140kB)
	Text BAB 2.pdf Download (336kB)
	Text BAB 3.pdf Download (373kB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (124kB)
	Text LAMPIRAN.pdf Download (1MB)

Abstract

Perkembangan layanan streaming musik seperti Spotify menyediakan
berbagai fitur audio yang dapat dimanfaatkan untuk analisis komputasional,
termasuk klasifikasi genre musik. Penelitian ini bertujuan untuk membandingkan
performa algoritma Random Forest dan K-Nearest Neighbor (KNN) dalam
mengklasifikasikan dua genre utama, yaitu Pop dan Rock, berdasarkan fitur audio
numerik. Dataset yang digunakan berasal dari Spotify Songs Dataset dengan jumlah
awal 32.834 lagu, yang kemudian dilakukan augmentasi data sintetis sehingga total
dataset menjadi 60.000 sampel.Tahapan penelitian meliputi proses preprocessing
data, penyeimbangan kelas menggunakan Synthetic Minority Over-sampling
Technique (SMOTE), normalisasi fitur menggunakan RobustScaler, serta
pembagian data menjadi data latih dan data uji dengan rasio 80:20. Model Random
Forest dan KNN dilatih dan dievaluasi menggunakan metrik akurasi, precision,
recall, dan F1-score.
Hasil pengujian menunjukkan bahwa algoritma Random Forest memiliki
performa lebih unggul dengan akurasi sebesar 87,9%, precision 88,8%, recall
86,6%, dan F1-score 87,6%. Sementara itu, algoritma KNN menghasilkan akurasi
82,6%, precision 83,0%, recall 82,0%, dan F1-score 82,4%. Hasil ini menunjukkan
bahwa pendekatan ensemble learning pada Random Forest lebih efektif dalam
menangkap pola non-linear pada fitur audio dibandingkan metode instance-based
seperti KNN.
Analisis feature importance menunjukkan bahwa fitur energy, danceability,
dan valence merupakan fitur yang paling berpengaruh dalam membedakan genre
Pop dan Rock. Secara keseluruhan, penelitian ini membuktikan bahwa algoritma
Random Forest lebih optimal untuk klasifikasi genre musik berbasis fitur audio dan
berpotensi diterapkan dalam sistem rekomendasi musik maupun pengelompokan
konten otomatis.

Item Type:	Thesis (Diploma)
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Delvy Aplirizani -
Date Deposited:	26 May 2026 03:15
Last Modified:	26 May 2026 03:15
URI:	https://repository.unas.ac.id/id/eprint/16299

Actions (login required)

View Item