Sistem Prediksi Genre Musik dan Penyediaan Tautan Rekomendasi Daftar Putar Menggunakan Teknik STFT dan Decision Tree Machine Learning

Abstrak

Musik adalah bagian penting dalam kehidupan manusia yang dapat memberikan kesenangan dan meningkatkan mood. Pada Juni 2020, Indonesia menempati peringkat ke-18 dunia dalam pasar musik streaming, di mana smartphone menjadi medium utama untuk mengakses musik. Namun, seringkali terjadi kebosanan dengan musik yang sering didengar dan sulit menemukan musik baru yang sesuai dengan preferensi. Oleh karena itu, diperlukan pengklasifikasian musik sesuai genre untuk membantu penikmat musik menemukan musik baru. Penulis mengembangkan sistem klasifikasi genre musik menggunakan teknik Short-Time Fourier Transform (STFT) dan model Decision Tree untuk personalisasi tautan playlist musik. Mikrofon laptop digunakan untuk memperoleh sinyal audio, dan fitur diekstraksi menggunakan STFT. Dataset GTZAN digunakan sebagai data training dan testing untuk memvalidasi model. Proses penelitian melibatkan perolehan sinyal audio, ekstraksi fitur dengan STFT, tampilan spektrogram, dan klasifikasi genre musik menggunakan Decision Tree. Setelah fitur diekstraksi dengan Librosa Python pada Jupyter Notebook, data di-training dengan rata-rata akurasi 75% (training) dan 54% (testing). Hasil training disimpan dan digunakan untuk klasifikasi dengan Librosa dan Sounddevice untuk perolehan rekaman audio. Output akhir berupa prediksi genre musik serta tautan playlist sesuai genre yang ditampilkan pada website Streamlit. Penelitian ini menyimpulkan bahwa kombinasi STFT dan Decision Tree dapat memprediksi genre musik.