EFEK NORMALISASI DATA GENRE MUSIC TERHADAP KINERJA KLASIFIKASI DENGAN RANDOM FOREST

  • Wahyudi Wahyudi FMIPA ULM
  • M Reza Faisal FMIPA ULM
  • Dwi Kartini FMIPA ULM
  • Irwan Budiman FMIPA ULM
  • Andi Farmadi FMIPA ULM
Kata Kunci: Normalisasi, Random Forest, Min-Max, Confusion Matrik, Akurasi

Abstrak

Penelitian ini mengenai klasifikasi genre music menggunakan metode Random Forest. Pengujian ini menggunakan dataset dari GitHub atau GITZAN tentang genre music dengan jumlah label ada 10, jumlah fitur ada 26 dan jumlah keseluruhan data ada 1000. Penelitian ini dibagi menjadi dua tahap, yaitu dengan klasifikasi seluruh data tanpa dinormalisasi, dan dengan menggunakan seluruh data yang dinormalisasi. Pada penelitian ini Min-Max digunakan untuk metode normalisasi data, dan untuk perhitungan akurasi menggunakan metode Confusion Matrix. Performa akurasi yang dihasilkan ketika menggunakan seluruh data dengan data yang tidak dinormalisasi menghasilkan akurasi sebesar 66,3%, sedangnkan performa akurasi yang dihasilkan ketika menggunakan seluruh data dengan data dinormalisasi menghasilkan akurasi sebesar 65,1%. Dari dua percobaan tersebut bahwa dengan dilakukan normalisasi tidak memiliki efek yang membuat kinerja akurasi meningkat, dan malah membuat kinerja akurasi menurun.

Diterbitkan
2021-03-09
##submission.howToCite##
Wahyudi, W., M Reza Faisal, Dwi Kartini, Irwan Budiman, & Andi Farmadi. (2021). EFEK NORMALISASI DATA GENRE MUSIC TERHADAP KINERJA KLASIFIKASI DENGAN RANDOM FOREST. Journal of Data Science and Software Engineering, 2(01), 56-63. Diambil dari https://jurnalmahasiswamipa.ulm.ac.id/index.php/integer/article/view/42
Terbitan
Vol 2 No 01 (2021)
Bagian
Artikel