PERBANDINGAN METODE EXTREME GRADIENT BOOSTING DAN METODE DECISION TREE UNTUK KLASIFIKASI GENRE MUSIK

Abstract

Musik merupakan sebuah “bahasa” yang mampu dimengerti dan dipahami oleh semua orang. Dalam  musik  sendiri,  terdapat  banyak  genre musik yang berkembang yang dipengaruhi oleh  budaya  dari  daerah-daerah yang berbeda-beda, seperti musik jazz, reggae, pop, rock, punk, dan masih banyak lagi genre musik yang ada seperti musik tradisional. Bertambahnya jumlah musik dalam bentuk digital secara pesat menyebabkan pemberian label genre secara manual menjadi tidak efektif. Pemberian label genre secara otomatis dapat dilakukan dengan menerapkan algoritma kecerdasan buatan yaitu salah satunya klasifikasi yang dapat mengelompokkan jenis musik berdasarkan genre dengan menggunakan fitur-fitur musik. Salah satu metode klasifikasi yang cukup sering digunakan adalah metode Extreme Gradient Boosting. Metode ini seringkali digunakan karena kecepatan, efisiensi dan skalabilitasnya untuk memecahkan beragam masalah klasifikasi ataupun regresi. Selain itu ada juga metode yang sering digunakan dalam melakukan klasifikasi yaitu metode Decision Tree yang merupakan metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan dan juga berguna untuk mengekplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Karena kedua metode ini termasuk dalam rumpun keluarga pohon atau ensemble learning, maka dilakukan perbandingan antara kedua metode tersebut. Pada penelitian ini melakukan perbandingan tingkat akurasi metode klasifikasi Extreme Gradient Boosting dan metode klasifikasi Decision Tree dengan melakukan pengujian parameter menggunakan nilai parameter terbaik yang didapatkan. Berdasarkan hasil penelitian metode klasifikasi Extreme Gradient Boosting dengan pengujian parameter menggunakan nilai parameter terbaik yang didapatkan menghasilkan kinerja akurasi yang lebih baik dibandingkan dengan metode klasifikasi Decision Tree yaitu sebesar 72% karena pada metode Extreme Gradient Bossting ini mampu meminimalisir eror dengan menggunakan data residu atau kesalahan prediksi pada model sebelumnya sehingga bisa mendapatkan dan mengoptimalkan hasil akurasi terbaik, yang membuktikan bahwa metode klasifikasi Extreme Gradient Boosting lebih baik dibandingkan dengan metode klasifikasi Decision Tree dengan pengujian parameter.