Komparasi Algoritma Klasifikasi Genre Musik pada Spotify Menggunakan CRISP-DM

Indonesia

  • Salma Navisa Program Studi Sistem Informasi, Fakultas Sains dan Teknologi, UIN Sunan Ampel Surabaya
  • Luqman Hakim Sistem Informasi, Fakultas Sains dan Teknologi UIN Sunan Ampel
  • Aulia Nabilah Sistem Informasi, Fakultas Sains dan Teknologi UIN Sunan Ampel
Keywords: Data Mining, Genre Classification, K-NN, Music Genre, Naive Bayes, Random Forest

Abstract

Sebelum era modernisasi di Indonesia, jika seseorang ingin mendengarkan musik harus berada di suatu tempat atau dapat mendengarkan dan melihat dari perangkat yang tidak bisa dibawa kemana-mana, misalnya radio. Membuat seseorang tidak dapat memilih genre musik yang diinginkan. Dengan munculnya internet di Indonesia dan perkembangan zaman, masyarakat dapat mendengarkan musik secara online sesuai selera atau genre musik yang disukai atau mendengarkan musik dengan genre musik yang dimainkan secara acak. Proses data mining memiliki berbagai algoritma klasifikasi yang selalu berkembang. Teknik klasifikasi pada fungsionalitas data mining merupakan data yang dapat dikategorikan berdasarkan label kelas yang telah diketahui sebelumnya. Teknik klasifikasi telah digunakan di berbagai bidang termasuk penelitian di industri musik. Penelitian ini bertujuan untuk membandingkan algoritma klasifikasi mana yang menghasilkan kinerja terbaik berdasarkan proses data mining menggunakan CRISP-DM. Algoritma klasifikasi yang digunakan untuk pengujian adalah Naive Bayes, K-NN, dan Random Forest. Dari penelitian yang dilakukan diperoleh hasil akurasi terbaik dengan algoritma Naive Bayes dengan nilai 58.91%. Algoritma dengan kinerja terbaik adalah K-NN dan Random Forest dengan nilai 0,528.

Downloads

Download data is not yet available.

References

Admin, “Sejak Kapan Masyarakat Indonesia Nikmati Internet?,” STEI, Jun. 19, 2017. https://stei.itb.ac.id/id/blog/2017/06/19/sejak-kapan-masyarakat-indonesia-nikmati-internet/ (accessed Jan. 26, 2021).

G. A. V. M. Giri, “Klasifikasi Musik Berdasarkan Genre dengan Metode K-Nearest Neighbor,” Jurnal Ilmu Komputer, vol. 11, no. 2, Art. no. 2, Oct. 2018, doi: https://doi.org/10.24843/jik.2018.v11.i02.p05.

P.-N. Tan, M. Steinbach, and V. Kumar, Introduction to Data Mining, 1st ed. Boston: Pearson Addison Wesley, 2006.

D. Kurnianingsih, J. Suroso, and A. Muhajirin, “EFEKTIFITAS TERAPI MUSIK KLASIK TERHADAP PENURUNAN STRES KERJA PERAWAT IGD DI RSUD DR. R. GOETHENG TAROENADIBRATA PURBALINGGA TAHUN 2013,” in Seminar Nasional & Internasional, Semarang, Indonesia, May 2013, pp. 166–172, Accessed: Jan. 26, 2021. [Online]. Available: https://jurnal.unimus.ac.id/index.php/psn12012010/article/view/870.

A. Roffiq, I. Qiram, and G. Rubiono, “MEDIA MUSIK DAN LAGU PADA PROSES PEMBELAJARAN,” JPDI (Jurnal Pendidikan Dasar Indonesia), vol. 2, no. 2, pp. 35–40, Dec. 2017, doi: 10.26737/jpdi.v2i2.330.

E. Labbé, N. Schmidt, J. Babin, and M. Pharr, “Coping with Stress: The Effectiveness of Different Types of Music,” Appl Psychophysiol Biofeedback, vol. 32, no. 3, pp. 163–168, Dec. 2007, doi: 10.1007/s10484-007-9043-9.

S. Saarikallio and J. Erkkilä, “The role of music in adolescents’ mood regulation,” Psychology of Music, vol. 35, no. 1, p. 88‒109, 2007, doi: https://doi.org/10.1177/0305735607068889.

A. Ramadhiat, I. I. Tritoasmoro, and I. Wijayanto, “Analisis Penggunaan Algoritma Genetika Untuk Meningkatkan Performansi Dari Klasifikasi Genre Musik Berbasis Jaringan Syaraf Tiruan Back-propagation,” eProceedings of Engineering, vol. 3, no. 2, Art. no. 2, Aug. 2016, Accessed: Jan. 26, 2021. [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/302.

Dataset of songs in Spotify, Kaggle, Dec. 06, 2020, [Online]. Available: https://kaggle.com/mrmorj/dataset-of-songs-in-spotify.

P. Chapman et al., “CRISP-DM 1.0: Step-by-step data mining guide.” The CRISP-DM Consortium, Aug. 2000, [Online]. Available: https://the-modeling-agency.com/crisp-dm.pdf.

C. Shearer, “The CRISP-DM Model: The New Blueprint for Data Mining,” Journal of Data Warehousing, vol. 5, no. 4, pp. 13–23, 2000.

RapidMiner Studio, “Performance - RapidMiner Documentation,” Dec. 18, 2014. https://docs.rapidminer.com/latest/studio/operators/validation/performance/performance.html (accessed Jan. 27, 2021).

D. T. Larose, Discovering knowledge in data: an introduction to data mining. Hoboken, N.J: Wiley-Interscience, 2005.

R. C. Neath and M. S. Johnson, “Discrimination and Classification,” in International Encyclopedia of Education (Third Edition), P. Peterson, E. Baker, and B. McGaw, Eds. Oxford: Elsevier, 2010, pp. 135–141.

J. S. Richman, “Multivariate Neighborhood Sample Entropy: A Method for Data Reduction and Prediction of Complex Data,” in Methods in Enzymology, vol. 487, Elsevier, 2011, pp. 397–408.

S. L. Ting, W. H. Ip, and A. H. C. Tsang, “Is Naïve bayes a good classifier for document classification?,” International Journal of Software Engineering and its Applications, vol. 5, no. 3, pp. 37–46, 2011.

A. H. Jahromi and M. Taheri, “A non-parametric mixture of Gaussian naive Bayes classifiers based on local independent features,” in International Symposium on Artificial Intelligence and Signal Processing (AISP), Shiraz, Iran, Oct. 2017, pp. 209–212, doi: https://doi.org/10.1109/AISP.2017.8324083.

L. Breiman, “Random Forest,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001, doi: https://doi.org/10.1023/A:1010933404324.

M. Pal, “Random forest classifier for remote sensing classification,” International Journal of Remote Sensing, vol. 26, no. 1, pp. 217–222, Jan. 2005, doi: https://doi.org/10.1080/01431160412331269698.

X. Xia, R. Togneri, F. Sohel, and D. Huang, “Random forest classification based acoustic event detection,” in IEEE International Conference on Multimedia and Expo (ICME), Hong Kong, Jul. 2017, pp. 163–168, doi: https://doi.org/10.1109/ICME.2017.8019452.

Dr. J. Arunadevi, S. Ramya, and M. R. Raja, “A study of classification algorithms using Rapidminer,” International Journal of Pure and Applied Mathematics, vol. 119, no. 12, pp. 15977–15988, 2018.

S. Yadav and S. Shukla, “Analysis of k-Fold Cross-Validation over Hold-Out Validation on Colossal Datasets for Quality Classification,” in IEEE International Advance Computing Conference, IACC, Bhimavaram, India, Feb. 2016, pp. 78–83, doi: https://doi.org/10.1109/IACC.2016.25.

A. Ardiyansyah, P. A. Rahayuningsih, and R. Maulana, “Analisis Perbandingan Algoritma Klasifikasi Data Mining Untuk Dataset Blogger Dengan Rapid Miner,” Jurnal Khatulistiwa Informatika, vol. 6, no. 1, Art. no. 1, 2018, doi: https://doi.org/10.31294/jki.v6i1.3799.

S. E. Damayanti and S. Kuswayati, “ANALISIS DAN IMPLEMENTASI FRAMEWORK CRISP-DM (CROSS INDUSTRY STANDARD PROCESS FOR DATA MINING) UNTUK CLUSTERING PERGURUAN TINGGI SWASTA,” E-Journal STT Bandung, vol. 6, pp. 1–6, Dec. 2018.

Published
2021-08-31
How to Cite
Navisa, S., Luqman Hakim, & Aulia Nabilah. (2021). Komparasi Algoritma Klasifikasi Genre Musik pada Spotify Menggunakan CRISP-DM: Indonesia. Jurnal Sistem Cerdas, 4(2), 114 - 125. https://doi.org/10.37396/jsc.v4i2.162
Section
Articles