Perkembangan yang pesat pada audio processing dirasakan banyak membantu dalam memajukan perkembangan musik digital. Musik terdiri dari berbagai macam genre dan jenis sesuai dengan konten musik tersebut. Perkembangan musik digital terutama pada klasifikasi genre dirasakan telah membantu dalam kemudahan mempelajari dan mencari suatu lagu. Hal tersebut mendorong diciptakannya kemudahan dalam variasi klasifikasi genre yang mampu mengoptimalisasikan proses pembelajaran yang dapat dilakukan dengan mudah, simple dan memiliki kualitas yang baik dalam ketepatan pencarian suatu lagu. Sehingga diperlukan suatu pengembangan proses pembelajaran tersebut dengan berbagai metode dan algoritma yang lebih baik. Dan dalam perkembangannya dibatasi terlebih dahulu hanya pada klasifikasi genre yang memiliki kualitas yang baik dalam ketepatan klasifikasinya.
Pada penelitian sebelumnya, digunakan Jaringan Syaraf Tiruan Backpropagation dengan akurasi 67%. Selanjutnya digunakan Hidden Markov Model (HMM) sebagai metode klasifikasi namun HMM disini masih bersifat diskrit sehingga diperlukan proses untuk mengubah ciri yang bernilai kontinu ke simbol HMM yang bersifat diskrit. Akurasi terbaik yang dicapai HMM adalah 80%. Untuk mengatasi kelemahan HMM dikembangkan metode klasifikasi menggunakan Continous Density Hidden Markov Model (CD-HMM). CD-HMM merupakan pengembangan dari HMM yang tidak membutuhkan proses diskritisasi dari inputnya ke simbol sehingga input dari ciri yang kontinu bisa langsung diproses. Pada penelitian sebelumnya jumlah genre masih terbatas hanya tiga genre yaitu pop, rock, dan dance. Dalam tugas akhir ini, peneliti melakukan perbandingan antara HMM dan CD-HMM pada klasifikasi genre. Jumlah kelas pada penelitian ini adalah lima genre yang terdiri dari reggae, rock, classical, country, dan jazz.
Klasifikasi lima genre lagu dengan tipe genre reggae, rock, classical, country, dan jazz, memiliki akurasi tertinggi adalah 83,2% untuk jumlah data latih 75 tiap kelas genre, jumlah data uji 25 tiap kelas genre. Parameter CD-HMM yang terbaik adalah k-means pada mixture model sebesar 1 dan iterasi pelatihan CD-HMM sebesar 10. Akurasi klasifikasi HMM yang tertinggi adalah 61.6% untuk kondisi data latih dan data uji yang sama pada pengujian CD-HMM dengan parameter nilai kuantisasi sebesar 10, nilai jumlah hidden state sebesar 10, dan iterasi pelatihan sebesar 10.