KLASIFIKASI ALAT MUSIK CYMBAL MENGGUNAKAN METODE NAIVE BAYES BERBASIS FORWARD SELECTION

YUDHI, WARIH HANDONO (2015) KLASIFIKASI ALAT MUSIK CYMBAL MENGGUNAKAN METODE NAIVE BAYES BERBASIS FORWARD SELECTION. Skripsi,Fakultas Ilmu Komputer.

Preview	PDF Download (521Kb) | Preview
Preview	PDF Download (4Kb) | Preview

Abstract

Alat musik merupakan suatu instrumen yang dibuat atau dimodifikasi untuk tujuan menghasilkan musik. cymbal adalah alat musik tak bernada yang dimainkan dengan cara dipukul. Cymbal merupakan salah satu instrument yang jadi bagian dalam alat musik drum, cymbal sendiri terbuat dari bahan logam dan memiliki beberapa jenis ketebalan, seperti pada penilaian kali ini dataset diambil dari salah satu produsen terbesar di dunia yaitu Meinl Cymbals. Pengklasifikasian cymbal sendiri yang sesuai genre musik cukup rumit dan cenderung subyektif. Saat ini masih sangat sulit untuk mendefinisikan perbedaan tiap genre untuk alat musik tersebut, tetapi ada beberapa ciri khusus yang dapat digunakan untuk pengkategorian genre musik. Karena itu mulai banyak berbagai penelitian dan pendekatan klasifikasi secara otomatis yang telah diusulkan dalam beberapa tahun terakhir. Pada penelitian kali ini selain bertujuan mendapatkan nilai akurasi yang baik juga bertujuan mendapatkan model atribut dengan cara menerapkan Feature Selection. Feature Selection adalah salah satu cara untuk menentukan atribut yang paling berpengaruh di dalam dataset. Feature Selection berperan memilih subset yang tepat dari set fitur asli, karena tidak semua fitur/atribut relevan dengan masalah. Bahkan beberapa dari fitur atau atribut tersebut mengganggu dan dapat mengurangi akurasi. Dalam hal ini Naive Bayes memanfaatkan fungsi seleksi fitur dari Forward Selection untuk pemilihan atribut data dengan karakteristik data itu sendiri, dan meningkatkan ketepatan klasifikasi Naïve Bayes.Forward Selection berbasis Naive Bayes lebih akurat dan efektif dalam mengklasifikasikan genre musik dari dataset yang bersifat Class Imbalance dengan data yang besar dengan hasil akurasi 93.43% dan termasuk dalam kategori “Kappa excellent”. Dibanding dengan menggunakan algoritma Naive Bayes saja dengan hasil akurasi hanya 89.30%.

Actions (login required)