KLASIFIKASI CHORD DASAR GITAR BERBASIS AUDIO BAGI PEMULA DALAM BELAJAR GITAR MENGGUNAKAN MFCC (MEL-FREQUENCY CEPSTRAL COEFFICIENTS) DAN XGBOOST (EXTREME GRADIENT BOOSTING)

Nugroho Izza Nurcahyo, . (2025) KLASIFIKASI CHORD DASAR GITAR BERBASIS AUDIO BAGI PEMULA DALAM BELAJAR GITAR MENGGUNAKAN MFCC (MEL-FREQUENCY CEPSTRAL COEFFICIENTS) DAN XGBOOST (EXTREME GRADIENT BOOSTING). Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakrata.

	Text 1_Cover_123210152_Nugroho Izza Nurcahyo.pdf Download (2MB)
	Text 2_Abstrak_123210152_Nugroho Izza NurcahyoERBASIS AUDIO MENGGUNAKAN MFCC DAN XGBOOST - Copy (2).pdf Download (2MB)
	Text 3_Halaman Pengesahan_123210152_Nugroho Izza Nurcahyo.pdf Download (537kB)
	Text 4_Daftar Isi_123210152_Nugroho Izza Nurcahyo.pdf Download (2MB)
	Text 5_Daftar Pustaka_123210152_Nugroho Izza Nurcahyo.pdf Download (2MB)
	Text 6_Skripsi Full Text_123210152_Nugroho Izza Nurcahyo.pdf Restricted to Repository staff only Download (3MB)

Abstract

Pengenalan chord dasar gitar merupakan tantangan utama bagi pemula karena kesulitan dalam membedakan karakteristik suara setiap chord mayor maupun minor. Proses identifikasi manual memerlukan keterampilan mendengar yang terlatih serta waktu yang panjang, sehingga diperlukan sistem klasifikasi otomatis yang akurat dan efisien. Penelitian ini menawarkan solusi dengan mengombinasikan metode Mel-Frequency Cepstral Coefficients (MFCC) dan Extreme Gradient Boosting (XGBoost) yang lebih ringan dibanding pendekatan Convolutional Neural Network (CNN) yang membutuhkan dataset besar dan konversi audio ke spektrogram.

Penelitian dilakukan menggunakan dataset Guitar Chords v2 dari Kaggle dengan format WAV yang terdiri dari 1.320 audio yang dibagi menjadi 80% data latih dan 20% data uji pada enam chord dasar (C, F, Bb, Dm, G, dan Am). Proses preprocessing meliputi penyamaan durasi audio 5 detik, trim silence, serta ekstraksi fitur MFCC dengan jumlah koefisien (n_mfcc) sebanyak 40. Fitur kemudian dinormalisasi sebelum dimasukkan ke model XGBoost. Hyperparameter tuning dilakukan pada parameter learning_rate, n_estimators, dan subsample dengan pengujian dilakukan melalui 27 skenario dengan kombinasi hyperparameter yang berbeda (n_estimators: 100/300, learning_rate: 0,3/0,005, subsample: 1,0/0,6) untuk memperoleh konfigurasi terbaik. Evaluasi kinerja menggunakan confusion matrix dengan metrik akurasi, precision, recall, dan F1-score, serta diuji pada skenario validasi menggunakan file audio dan pengujian real-time dengan variasi jenis gitar, senar, serta gaya permainan pemain.

Hasil penelitian menunjukkan bahwa model XGBoost yang dibangun mampu mengklasifikasikan chord dasar gitar dengan akurasi yang tinggi dan waktu komputasi yang relatif efisien. Berdasarkan pengujian dengan beberapa kombinasi parameter, diperoleh akurasi terbaik sebesar 90,42% pada skenario pengujian ke-18, menggunakan konfigurasi n_estimators 200, subsample 0,6, dan learning_rate 0,05, dengan nilai F1-score yang seimbang pada seluruh kelas. Sementara itu, pada pengujian real-time diperoleh akurasi rata-rata sebesar 78,63%. Perbedaan hasil ini disebabkan oleh adanya noise latar belakang serta variasi kualitas instrumen dan gaya permainan, yang memengaruhi kestabilan prediksi. Hasil ini membuktikan bahwa ekstraksi fitur MFCC yang dikombinasikan dengan XGBoost dapat menjadi alternatif efektif untuk pengenalan chord gitar, terutama dalam kondisi dataset yang terbatas. Penelitian ini memberikan kontribusi pada pengembangan media bantu pembelajaran gitar berbasis kecerdasan buatan yang mudah diakses, serta membuka peluang pengembangan lanjutan melalui optimisasi parameter model, penanganan noise, maupun integrasi ke dalam aplikasi interaktif.

Kata Kunci: Mel-Frequency Cepstral Coefficients, XGBoost, Klasifikasi, Chord Gitar.

Item Type:	Tugas Akhir (Skripsi)
Subjek:	M Music and Books on Music > M Music Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	NUGROHO IZZA NURCAHYO
Date Deposited:	15 Sep 2025 06:22
Last Modified:	15 Sep 2025 06:22
URI:	http://eprints.upnyk.ac.id/id/eprint/43681

Actions (login required)

View Item