KLASIFIKASI GENRE MUSIK MENGGUNAKAN METODE MODIFIEDK-NEAREST NEIGHBOR

WISNUDICKY WIDIANTARA, (2018) KLASIFIKASI GENRE MUSIK MENGGUNAKAN METODE MODIFIEDK-NEAREST NEIGHBOR. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

[img]
Preview
Text
1. COVER_2018424TIF.pdf

Download (117kB) | Preview
[img]
Preview
Text
2. PENGESAHAN_2018424TIF.pdf

Download (462kB) | Preview
[img]
Preview
Text
3. ABSTRAK_2018424TIF.pdf

Download (161kB) | Preview
[img]
Preview
Text
4. KATA PENGANTAR_2018424TIF.pdf

Download (308kB) | Preview
[img]
Preview
Text
5. DAFTAR ISI_2018424TIF.pdf

Download (342kB) | Preview
[img]
Preview
Text
6. BAB I_2018424TIF.pdf

Download (253kB) | Preview
[img]
Preview
Text
7. BAB II_2018424TIF.pdf

Download (405kB) | Preview
[img]
Preview
Text
8. BAB III_2018424TIF.pdf

Download (318kB) | Preview
[img]
Preview
Text
9. BAB IV_2018424TIF.pdf

Download (530kB) | Preview
[img] Text
10. BAB V_2018424TIF.pdf
Restricted to Repository staff only

Download (466kB)
[img]
Preview
Text
11. BAB VI_2018424TIF.pdf

Download (158kB) | Preview
[img]
Preview
Text
12. DAFTAR PUSTAKA_2018424TIF.pdf

Download (301kB) | Preview

Abstract

Musik dapat dengan mudah didapatkan melalui internet, baik dengan melakukan pembelian pada aplikasi penyedia musik berbayar maupun dengan men-download musik-musik tersebut secara gratis. Musik digital juga digunakan oleh radio untuk menjalankan programnya. Pada setiap program radio tidak pernah terpisahkan dengan musik. Pada setiap program radio, musik diputar berdasarkan tema tertentu. Radio memerlukan klasifikasi musik berdasarkan genrenya untuk kepentingan program radio. Seperti program khusus musik pop atau musik jazz. Klasifikasi dilakukan agar musik yang diputar saat program dapat ditemukan dengan mudah. Pada penelitian sebelumnya telah dilakukan klasifikasi terhadap genre musik pada domain waktu. Pada penelitian ini, akan dilakukan klasifikasi genre musik dengan menggunakan ekstraksi fitur Short Time Energy (STE) dan Zero Cross Rate (ZC) dan metode klasifikasi Modified K-Nearest Neighbor(MKNN). Penelitian ini diimplementasikan dengan menggunakan tools matlab r2013a. Pengujian pada penelitian ini dilakukan dengan 3 skenario pengujian yaitu 90% data latih; 10% data uji, 80% data latih; 20% data uji dan 70% data latih; 30% data uji. Pada setiap skenario pengujian, dilakukan pengujian akurasi terhadap nilai k sebesar 7, 5, dan 3. Akurasi tertinggi pada penelitian ini diperoleh dengan nilai K=7 dan K=5 yaitu 73.33% serta perbandingan jumlah data latih 90:10, jumlah data latih mempengaruhi akurasi. Kata Kunci: Genre Musik, Klasifikasi, Modified K-Nearest Neighbor(MKNN), Short Time Energy (STE), Zero Cross Rate (ZC).

Item Type: Thesis (Skripsi)
Subjects: 700 Kesenian, Hiburan dan Olahraga
Divisions: Fakultas Sains dan Teknologi > Teknik Informatika
Depositing User: Ms. Nilam Badriyah
Date Deposited: 29 Jul 2019 08:24
Last Modified: 29 Jul 2019 08:24
URI: http://repository.uin-suska.ac.id/id/eprint/16931

Actions (login required)

View Item View Item