IMPLEMENTASI LASSO LOGISTIC REGRESSION UNTUK KLASIFIKASI GENRE MUSIK

Klasifikasi genre musik secara otomatis masih menjadi tantangan karena setiap genre memiliki karakteristik audio yang saling mirip sehingga menyebabkan kesulitan dalam proses pengenalan sistem klasifikasi. Penelitian ini bertujuan membangun sistem klasifikasi genre musik berbasis web menggunakan metode LASSO Logistic Regression serta menganalisis pengaruh seleksi fitur terhadap performa model dibandingkan Logistic Regression dan Support Vector Machine (SVM). Dataset yang digunakan adalah GTZAN yang terdiri dari 999 file audio dengan 10 genre musik. Tahapan penelitian meliputi preprocessing, ekstraksi fitur audio menggunakan Librosa, normalisasi, seleksi fitur menggunakan regularisasi L1 (LASSO) dengan solver SAGA, serta proses klasifikasi. Hasil pengujian menunjukkan bahwa LASSO Logistic Regression dengan parameter default memperoleh performa terbaik dengan accuracy sebesar 74%, precision sebesar 73,3%, recall sebesar 74,0%, dan F1-score sebesar 73,24%. LASSO Logistic Regression dengan C=0,2 memperoleh accuracy sebesar 66%, precision sebesar 64,91%, recall sebesar 66,0%, dan F1-score sebesar 65,02%. Logistic Regression memperoleh accuracy sebesar 67%, precision sebesar 65%, recall sebesar 67%, dan F1-score sebesar 66%, sedangkan Support Vector Machine memperoleh accuracy sebesar 70,5%, precision sebesar 71,17%, recall sebesar 70,5%, dan F1-score sebesar 70,41%. Hasil penelitian menunjukkan bahwa penerapan seleksi fitur menggunakan LASSO mampu meningkatkan performa klasifikasi genre musik serta menghasilkan model yang efektif untuk diimplementasikan pada sistem klasifikasi berbasis web.