OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN GRASSHOPPER OPTIMIZATION ALGORITHM UNTUK KLASIFIKASI AUDIO TEKNIK BERMAIN GITAR

Hilmi, Ahmad Nurhasan (2021) OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN GRASSHOPPER OPTIMIZATION ALGORITHM UNTUK KLASIFIKASI AUDIO TEKNIK BERMAIN GITAR. Other thesis, UPN "Veteran" Yogyakarta.

Preview	Text ABSTRAK.pdf Download (278kB) | Preview
Preview	Text COVER.pdf Download (339kB) | Preview
Preview	Text DAFTAR ISI.pdf Download (279kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (258kB) | Preview
Preview	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (51kB) | Preview
	Text SKRIPSI-FULL-Ahmad-Nurhasan-Hilmi-123160077.pdf Restricted to Repository staff only Download (3MB)

Abstract

ABSTRAK
Gitar merupakan instrumen musik berdawai yang dalam permainannya memiliki
berbagai macam teknik. Transkripsi maupun notasi musik instrumen gitar harus
memberikan informasi tentang teknik bermain tersebut, seperti pull-off, hammer-on, dan
bending. Oleh karena itu, untuk melakukan transkripsi gitar otomatis, klasifikasi teknik
bermain gitar merupakan hal yang penting, sehingga dapat mengindikasikan bagaimana
suatu melodi diinterpretasikan melalui manipulasi senar gitar. Beberapa penelitian tentang
klasifikasi teknik bermain gitar telah banyak dilakukan dan salah satunya menggunakan
metode Support Vector Machine (SVM) sebagai pengklasifikasinya. SVM merupakan
salah satu metode yang dapat digunakan untuk memecahkan masalah klasifikasi secara
efisien. Akan tetapi, kinerja SVM sangat bergantung pada pemilihan parameternya.
Pemilihan parameter yang tidak tepat dapat berdampak negatif pada kinerja SVM.
Penelitian ini mengusulkan pendekatan Grasshopper Optimization Algorithm
(GOA) dalam meningkatkan kinerja SVM dengan kernel Radial Basis Function (RBF)
dengan mencari parameter terbaiknya untuk digunakan sebagai penklasifikasi audio teknik
bermain gitar. 5 ukuran statistik antara lain mean, standard deviation, variance, skewness,
dan kurtosis dari Mel-Frequency Cepstral Coefficients (MFCC) serta turunannya
digunakan sebagai fitur audio.
Berdasarkan hasil yang didapatkan, dengan menerapkan GOA dalam optimasi
parameter SVM menunjukkan peningkatan kualitas kinerja generalisasi SVM yang diukur
dengan Matthews Correlation Coefficient (MCC) hingga 12,32% dibanding dengan SVM
tanpa optimasi. Selain itu, pendekatan GOA menghasilkan skor MCC pengujian terbaik
yaitu 83.79% dan mengungguli pendekatan yang paling umum dalam pencarian parameter
SVM yaitu Grid Search dengan skor MCC pengujian 83,11%. Di samping itu, GOA
menghasilkan solusi parameter yang stabil walaupun terdapat aspek keserampangan di
dalamnya.
Kata kunci: support vector machine, grasshopper optimization algorithm, optimasi,
metaheuristik, teknik bermain gitar, klasifikasi
viiABSTRACT
The guitar is a stringed musical instrument that has a variety of techniques in its
playing. The transcription and musical notation of the guitar instrument should provide
information about the playing technique, such as pull-offs, hammer-ons, and bending.
Therefore, to perform automatic guitar transcription, classification of guitar playing
techniques is important, so that it can indicate how a melody is interpreted through
manipulation of guitar strings. Several studies on the classification of guitar playing
techniques have been carried out and one of them uses the Support Vector Machine (SVM)
method as a classifier. SVM is one method that can be used to solve classification problems
efficiently. However, the performance of SVM is highly dependent on the selection of its
parameters. Inappropriate parameter selection can have a negative impact on SVM
performance.
This study proposes the Grasshopper Optimization Algorithm (GOA) approach in
improving SVM performance with the Radial Basis Function (RBF) kernel by finding the
best parameters to be used as an audio classifier for guitar playing techniques. 5 statistical
measures including mean, standard deviation, variance, skewness, and kurtosis of the MelFrequency Cepstral Coefficients (MFCC) and their derivatives are used as audio features.
Based on the results obtained, applying GOA in SVM parameter optimization shows
an increase in the quality of SVM generalization performance as measured by the
Matthews Correlation Coefficient (MCC) up to 12.32% compared to SVM without
optimization. In addition, the GOA approach resulted in the best test MCC score of 83.79%
and outperformed the most common approach in searching for SVM parameters, namely
Grid Search with an MCC test score of 83.11%. In addition, GOA produces a stable
parameter solution even though there are aspects of randomness in it.
Keywords: support vector machine, grasshopper optimization algorithm, optimization,
metaheuristics, guitar playing techniques, classification
viii

Item Type:	Thesis (Other)
Uncontrolled Keywords:	support vector machine, grasshopper optimization algorithm, optimasi, metaheuristik, teknik bermain gitar, klasifikasi
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	28 Dec 2021 04:49
Last Modified:	17 Mar 2023 08:31
URI:	http://eprints.upnyk.ac.id/id/eprint/27515

Actions (login required)

View Item