REDUKSI DIMENSI DAN KLASIFIKASI MUSIC UNTUK BELAJAR MENGGUNAKAN FEATURE IMPORTANCE DAN RANDOM FOREST

Supraba, Laksmita Dewi (2026) REDUKSI DIMENSI DAN KLASIFIKASI MUSIC UNTUK BELAJAR MENGGUNAKAN FEATURE IMPORTANCE DAN RANDOM FOREST. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 24.55.1636 - Laksmita Dewi Supraba.pdf - Published Version Download (4MB)

Abstract

Penelitian "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.

Actions (login required)

View Item