Sistem Klasifikasi Musik Gamelan Angklung Bali Terhadap Suasana Hati Menggunakan Algoritma K-Nearest Neighbor Berbasis Algoritma Genetika

Tria Hikmah Fratiwi; Made Sudarma; Nyoman Pramaita

doi:10.24843/MITE.2021.v20i02.P10

Tria Hikmah Fratiwi Student
Made Sudarma Universitas Udayana
Nyoman Pramaita Universitas Udayana

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2021.v20i02.P10

Abstrak

Musik instrumen gamelan angklung Bali lewat gelombang bunyi yang dihasilkannya mampu menginterferensi gelombang pikiran manusia untuk menurunkan frekuensi gelombang yang dipancarkan oleh otak. Tujuannya untuk mempengaruhi kondisi psikologi yang berkaitan dengan suasana hati agar mengarah pada tingkat stress positif dengan tingkat energi rendah maupun tinggi. Musik dengan tingkat stress positif dan tingkat energi rendah masuk ke dalam kategori suasana hati tenang atau contentment, jika tingkat stress positif dan tingkat energi tinggi masuk ke dalam kategori suasana hati senang atau exuberance. MIR (Music Information Retrieval) adalah bagian dari Data Mining yang menggali informasi mengenai data musik, salah satunya yaitu klasifikasi suasana hati yang diinterpretasikan oleh potongan data musik. Penelitian ini merancang dan membangun sistem klasifikasi untuk mendeteksi suasana hati musik instrumen gamelan angklung Bali menggunakan algoritma K-NN dan K-NN berbasis Algoritma Genetika. K-NN dapat mengatasi masalah klasifikasi dengan baik, namun dibalik keunggulannya, pengaturan nilai k yang sangat sensitif menjadi sebuah kelemahan. Menerapkan operasi genetika oleh Algoritma Genetika pada sistem klasifikasi K-NN berhasil mengoptimasi penentuan nilai k optimal, serta memperbaiki hasil akurasi klasifikasi. Berdasarkan dataset training dan dataset testing yang sama, K-NN memberikan persentase akurasi tertinggi sebesar 81,08% (k=6), sedangkan K-NN berbasis Algoritma Genetika memberikan persentase akurasi tertinggi sebesar 89,19% (k=4).

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] I. K. Donder, Esensi Bunyi Gamelan dalam Prosesi Ritual Hindu (Perspektif Filosofis-Teologis, Psikologis, Sosiologis, dan Sains). Surabaya: Paramita Surabaya, 2005.
[2] G. Harsemadi, M. Sudarma, and N. Pramaita, “Implementasi Algoritma K-Nearest Neighbor pada Perangkat Lunak Pengelompokan Musik untuk Menetukan Suasana Hati,” Maj. Ilm. Teknol. Elektro, vol. 16, no. April, pp. 14–20, 2017.
[3] W. J. Shudiq, “Penerapan K-Nearest Neighbor Berbasis Algoritma Genetika untuk Klasifikasi Mutu Padi Organik,” Pros. SNATIF Univ. Muria Kudus, pp. 121–126, 2017.
[4] H. Harafani, “Optimasi Algoritma Genetika Pada K-Nn Untuk Memprediksi Kecenderungan ‘Blog Posting,’” J. Pendidik. Teknol. dan Kejuru., vol. 15, no. 1, pp. 20–29, 2018.
[5] P. Seni, S. Rupa, U. Gadjah, and M. Yogyakarta, “Kosmologis Tetabuhan dalam Upacara Ngaben,” vol. 15, no. 2, pp. 107–125, 2014.
[6] I. W. Suharta, “Pengembangan Gamelan Angklung Sebagai Pengiring Paket Seni Pertunjukan Wisata,” Semin. Nas. Fak. Seni Pertunjuk., pp. 67–75, 2019.
[7] I. M. Bandem, “Suasana Hati Gamelan Angklung Bali,” 2018, Wawancara: Mei 2018, Jl. Sandat, Denpasar.
[8] F. Zhouyu, L. Guojia, T. Kaiming, and Z. Dengsheng, “A Survey of Audio-Based Music Classiﬁcation and Annotation,” IEEE Trans. Multimed., vol. 13, no. 2, pp. 303–319, 2011.
[9] A. Vidyawati and M. Hasanah, “Efektivitas Musik Klasik Untuk Menciptakan Suasana Hati Positif Pada Siswa Smp Semen Gresik,” PSIKOSAINS (Jurnal Penelit. dan Pemikir. Psikologi), vol. 14, no. 1, p. 71, 2019.
[10] X. Hu, “Music and mood: Where theory and reality meet,” Proc. iConference, pp. 1–8, 2010.
[11] P. Ekkekakis, “The measurement of affect, mood, and emotion in exercise psychology,” Meas. Sport Exerc. Psychol., pp. 321–332, 2012.
[12] R. Y. Sipasulta, A. S. M. L. St, and S. R. U. A. Sompie, “Simulasi Sistem Pengacak Sinyal Dengan Metode FFT (Fast Fourier Transform ),” E-journal Tek. Elektro dan Komput., pp. 1–9, 2014.
[13] A. Lerch, An introduction to audio content analysis: Applications in signal processing and music informatics. 2012.
[14] F. D. Septria, N. Ibrahim, F. T. Elektro, and U. Telkom, “Klasifikasi Emosi Berdasarkan Sinyal Suara Manusia Menggunakan Metode Key-Nearest Neighbor (K-NN),” e-Proceeding Eng., vol. 6, no. No. 2 Agustus, pp. 4130–4138, 2019.
[15] A. Mutoi Soregar, Amril; Puspabhuana, Data Mining Pengolahan Data Menjadi Informasi dengan RapidMiner. Surakarta: Kekata Publisher, 2017.
[16] S. Maulik, Ujjwal; Bandyopadhyay, “Genetic algorithm-based text clustering technique,” Genet. algorithm-based Clust. Tech., vol. 4221 LNCS, pp. 779–782, 2000.
[17] I. M. (Fakultas T. U. U. Suwija Putra, “Penerapan Algoritma Genetika dan Implementasi dalam Matlab,” 2018.
[18] P. dkk. Suwirmayanti, “Optimasi Pusat Cluster K-Prototype dengan Algoritma Genetika,” Maj. Ilm. Teknol. Elektro, vol. 13, no. Juli-Desember, pp. 16–23, 2014.
[19] A. Banjarsari, Mutiara Ayu; Budiman, Irwan; Farmandi, “Penerapan K-Optimal Pada Algoritma Knn Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan Ip Sampai Dengan Semester 4,” Klik - Kumpul. J. Ilmu Komput., vol. 2, no. 2, pp. 159–173, 2015.
[20] I. A. Angreni, S. A. Adisasmita, M. I. Ramli, and S. Hamid, “Pengaruh Nilai K Pada Metode K-Nearest Neighbor (Knn) Terhadap Tingkat Akurasi Identifikasi Kerusakan Jalan,” Rekayasa Sipil, vol. 7, no. September, pp. 63–70, 2018.