EPrints Universitas Amikom YogyakartaREDUKSI DIMENSI DAN KLASIFIKASI MUSIC UNTUK BELAJAR MENGGUNAKAN FEATURE IMPORTANCE DAN RANDOM FORESTLaksmita DewiSuprabaauthorPenelitian "Reduksi Dimensi Dan Klasifikasi Musik Untuk Belajar Menggunakan Feature Importance Dan Random Forest" bertujuan untuk mengklasifikasikan jenis musik yang sesuai untuk aktivitas pembelajaran berdasarkan fitur audio Spotify menggunakan algoritma Random Forest, dengan menggunakan pendekatan analisis kepentingan fitur dan reduksi fitur. Dataset Musik Studi Spotify terdiri dari 172.819 lagu dengan 12 fitur audio, yang dikategorikan ke dalam tiga kategori utama: Lagu Pop, Soundtrack Klasik, dan Lagu Lo-fi. Metode penelitian meliputi prapemrosesan data, pemrosesan kelas menggunakan SMOTE, normalisasi data menggunakan Min-Max, analisis Kepentingan Fitur, validasi silang, dan Reduksi Fitur untuk mengidentifikasi fitur yang paling berpengaruh dalam mengklasifikasikan musik pembelajaran. Hasil normalisasi menunjukkan bahwa semua fitur berada dalam rentang 0,0-1,0 tanpa mengubah karakteristik distribusi asli. Model RF menunjukkan kinerja yang luar biasa dengan akurasi rata-rata 99% pada validasi silang dan 99,9% pada data pelatihan, yang menunjukkan kemampuan model untuk mengenali pola musik secara efisien. Analisis Kepentingan Fitur menunjukkan bahwa energi, kenyaringan, akustik, instrumentalitas, dan keaktifan merupakan faktor paling signifikan dalam membedakan karakteristik musik untuk pembelajaran. Sementara itu, hasil Reduksi Fitur menunjukkan bahwa penghapusan fitur mode, Popularitas, Durasi_ms, dan Ketertarikan tidak mengurangi akurasi model secara signifikan. Namun, penghapusan fitur kunci, keaktifan, instrumentalitas, dan keingintahuan menyebabkan akurasi menurun menjadi 0,973. Penelitian ini menyimpulkan bahwa kombinasi SMOTE, normalisasi, dan Random Forest dengan analisis fitur berhasil mengoptimalkan klasifikasi musik pembelajaran dengan akurasi 98,77% pada data uji. Fitur akustik, instrumentalitas, dan keingintahuan direkomendasikan untuk dipertahankan karena memainkan peran penting dalam menjaga stabilitas dan akurasi model klasifikasi musik, yang mendukung proses pembelajaran.006 Metode komputer khusus2026-01-08Universitas AMIKOM Yogyakarta;PJJ Magister InformatikaThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.