KLASIFIKASI GENRE MUSIK MENGGUNAKAN METODE MEL FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) DAN K-NEAREST NEIGHBORS CLASSIFIER (Classification of Music Genres Using The Mel-Frequency Cepstrum Coefficients (MFCC) and K-Nearest Neighbors Classifier Methods) Pandu Deski Prasetyo * , I Gede Pasek Suta Wijaya, Ario Yudo Husodo Dept Informatics Engineering, Mataram University Jl. Majapahit 62, Mataram, Lombok NTB, INDONESIA Email: pandudeski@gmail.com, gpsutawijaya@ unram.ac.id, ario@ unram.ac.id Abstract In the world of music, music has many types of genres such as pop, rock, blues, slow, jazz, metal, dangdut and many more. Everyone has a favorite genre that is different from each other. However, to distinguish it, there is no need to play all music files one by one for many music files. Therefore, computer software is needed to differentiate music genres to make users easier to distinguish the types of music to their wishes automatically. In this paper, a scheme for classifying several types of music genres was developed by using MFCC and KNN methods. The experimental results of this study reached 52.4% with k = 13 as the nearest neighbor parameter. Keywords: MFCC, KNN, Music, Genre, Signal Processing. *Penulis Korespondensi 1. PENDAHULUAN Genre merupakan suatu golongan aliran musik yang digolongkan dari kemiripan ritmik, harmoni maupun frekuensi musik konten nya. Genre hal yang penting bagi masyarakat yang mencintai musik terutama dikalangan para anak muda zaman millennial ini karena dapat mudah mengelompokkan genre sesuai dengan yang mereka senangi. Untuk menggolongkan genre tersebut bisa dengan mendengarkan file musik dengan secara langsung, memang hasil yang diperoleh lebih akurat tapi jika file musik yang di dengar jumlahnya lebih dari 1000 file mungkin akan membuang banyak waktu jika dilakukan secara langsung. Dalam hal ini menggolongkan musik dapat dilakukan dengan cara otomatis walaupun hasil yang diperoleh tidak se akurat mendengarkan langsung [1]. Sebuah file musik harus di ekstraksi terlebih dahulu sebelum dapat di kelompokan, dengan menggunakan metode MFCC untuk mengekstraksi fitur suatu file musik. MFCC adalah metode yang mengadopsi fungsi kerja telinga manusia yang mampu membedakan suara tinggi dan rendah, biasa digunakan pada speak recognition untuk memproses sinyal suara untuk mengetahui ciri dari suara tersebut. Sedangkan untuk klasifikasi menggunakan KNN yang merupakan algoritma sederhana yang dapat mengategorikan masukkan dengan k sebagai penentu tetangga terdekatnya [2]. 2. TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Berikut adalah peninjauan kembali pustaka – pustaka yang berupa penelitian – penelitian sebelumnya tentang masalah yang terkait untuk memberi gambaran metode dan teknik yang digunakan. Penelitian tentang menentukan ekstraksi ciri untuk pengenalan suara seseorang secara real-time [3]. Penelitian ini menghasilkan nilai koefisien MFCC 32 lebih efektif dari Subband Based Cepstral (SBC) dari segi tingkat akurasi dan kecepatan proses mengenal suara, baik text-dependent maupun text-independent. Namun hasil akurasi yang ditunjukkan untuk pengenalan identifikasi suara secara langsung pada MFCC di bawah 70%. Penelitian tentang proses training dan testing, training untuk prosesnya sedangkan testing untuk klasifikasi nya [4]. Penelitian ini memberikan akurasi terbaik sebesar 67.75% setelah dilakukan pengujian JTIKA, Vol. 1, No. 2, September 2019 ISSN:2657-0327 http://jtika.if.unram.ac.id/index.php/JTIKA/ 189