{
      "metadata_visibility": "show",
      "status_changed": "2026-09-08 04:07:44",
      "userid": 12,
      "type": "thesis",
      "thesis_name": "tesis",
      "eprintid": 32623,
      "dir": "disk0\/00\/03\/26\/23",
      "institution": "Universitas AMIKOM Yogyakarta",
      "divisions": [
        "PJJ"
      ],
      "contributors": [
        {
          "name": {
            "given": "Andi",
            "family": "Sunyoto",
            "lineage": null,
            "honourific": null
          }
        }
      ],
      "lastmod": "2026-09-08 04:07:44",
      "full_text_status": "public",
      "abstract": "Penelitian \"Reduksi Dimensi Dan Klasifikasi Musik Untuk Belajar\r\nMenggunakan Feature Importance Dan Random Forest\" bertujuan untuk\r\nmengklasifikasikan jenis musik yang sesuai untuk aktivitas pembelajaran\r\nberdasarkan fitur audio Spotify menggunakan algoritma Random Forest, dengan\r\nmenggunakan pendekatan analisis kepentingan fitur dan reduksi fitur. Dataset\r\nMusik Studi Spotify terdiri dari 172.819 lagu dengan 12 fitur audio, yang\r\ndikategorikan ke dalam tiga kategori utama: Lagu Pop, Soundtrack Klasik, dan\r\nLagu Lo-fi. Metode penelitian meliputi prapemrosesan data, pemrosesan kelas\r\nmenggunakan SMOTE, normalisasi data menggunakan Min-Max, analisis\r\nKepentingan Fitur, validasi silang, dan Reduksi Fitur untuk mengidentifikasi fitur\r\nyang paling berpengaruh dalam mengklasifikasikan musik pembelajaran.\r\nHasil normalisasi menunjukkan bahwa semua fitur berada dalam rentang\r\n0,0-1,0 tanpa mengubah karakteristik distribusi asli. Model RF menunjukkan\r\nkinerja yang luar biasa dengan akurasi rata-rata 99% pada validasi silang dan 99,9%\r\npada data pelatihan, yang menunjukkan kemampuan model untuk mengenali pola\r\nmusik secara efisien. Analisis Kepentingan Fitur menunjukkan bahwa energi,\r\nkenyaringan, akustik, instrumentalitas, dan keaktifan merupakan faktor paling\r\nsignifikan dalam membedakan karakteristik musik untuk pembelajaran. Sementara\r\nitu, hasil Reduksi Fitur menunjukkan bahwa penghapusan fitur mode, Popularitas,\r\nDurasi_ms, dan Ketertarikan tidak mengurangi akurasi model secara signifikan.\r\nNamun, penghapusan fitur kunci, keaktifan, instrumentalitas, dan keingintahuan\r\nmenyebabkan akurasi menurun menjadi 0,973.\r\nPenelitian ini menyimpulkan bahwa kombinasi SMOTE, normalisasi, dan\r\nRandom Forest dengan analisis fitur berhasil mengoptimalkan klasifikasi musik\r\npembelajaran dengan akurasi 98,77% pada data uji. Fitur akustik, instrumentalitas,\r\ndan keingintahuan direkomendasikan untuk dipertahankan karena memainkan\r\nperan penting dalam menjaga stabilitas dan akurasi model klasifikasi musik, yang\r\nmendukung proses pembelajaran.",
      "thesis_type": "masters",
      "creators": [
        {
          "name": {
            "lineage": null,
            "family": "Supraba",
            "given": "Laksmita Dewi",
            "honourific": null
          },
          "nim": "24.55.1636"
        }
      ],
      "datestamp": "2026-09-08 04:07:44",
      "title": "REDUKSI DIMENSI DAN KLASIFIKASI MUSIC UNTUK \r\nBELAJAR MENGGUNAKAN FEATURE IMPORTANCE DAN\r\nRANDOM FOREST",
      "subjects": [
        "000.000.006"
      ],
      "keywords": "Spotify Study Music, SMOTE, Feature Importance, Feature Reduction,\r\nRandom Forest, Classification.",
      "documents": [
          {
            "main": "24.55.1636 - Laksmita Dewi Supraba.pdf",
            "docid": 325858,
            "eprintid": 32623,
            "uri": "http:\/\/eprints.amikom.ac.id\/id\/document\/325858",
            "rev_number": 2,
            "content": "published",
            "pos": 1,
            "placement": 1,
            "files": [
                {
                  "filesize": 4019831,
                  "fileid": 1150070,
                  "uri": "http:\/\/eprints.amikom.ac.id\/id\/file\/1150070",
                  "objectid": 325858,
                  "filename": "24.55.1636 - Laksmita Dewi Supraba.pdf",
                  "hash": "ccaa73a23f72143d3532971a2a62afa4",
                  "mtime": "2026-09-08 04:03:48",
                  "mime_type": "application\/pdf",
                  "datasetid": "document",
                  "hash_type": "MD5"
                }
            ],
            "formatdesc": "THESIS",
            "security": "public",
            "language": "id",
            "format": "text",
            "mime_type": "application\/pdf"
          }
      ],
      "uri": "http:\/\/eprints.amikom.ac.id\/id\/eprint\/32623",
      "date": "2026-01-08",
      "ispublished": "pub",
      "department": "PJJ Magister Informatika",
      "eprint_status": "archive",
      "rev_number": 7,
      "date_type": "published",
      "corp_creators": [
        "Universitas AMIKOM Yogyakarta"
      ]
    }