ABSTRAKSI: Genre musik adalah salah satu data musik digital yang ditentukan oleh seseorang untuk mengklasifikasikan musik berdasarkan semua persamaan karakter yang dimiliki tiap jenisnya. Karakteristik yang dimaksud biasanya dilihat dari frekuensi musik, stuktur ritmik, struktur instrumentasi, dan konten harmoni yang dimiliki musik tersebut. Pengklasifikasian genre musik ini berguna untuk menyusun kelompok besar musik yang terdapat di Web. Saat ini pengklasifikasian genre musik masih dilakukan secara manual. Pengklasifikasian genre musik secara otomatis akan dapat menggantikan pengklasifikasian secara manual sehingga pengklasifikasianya tidak lagi bersifat relatif. Pengklasifikasian dapat dilakukan dengan standarisasi yang telah kita tentukan.
Pada tugas akhir ini digunakan input berupa file suara dalam format .wav berdurasi 25 - 35 detik dengan dua macam ekstraksi ciri dari dua macam referensi yang berbeda, yaitu berdasarkan konten frekuensi dan tekstur timbralnya. Metode pengenalan yang digunakan adalah Jaringan Syaraf Tiruan metode Self-Organizing Maps (SOMs).
Pengujian dilakukan dengan dua macam ekstraksi ciri untuk setiap lagu. Hasil akurasi terbaik didapatkan pada ekstraksi ciri satu, yaitu metode konten frekuensi. Secara keseluruhan akurasi sistem yang dibuat sebesar 61.62 % dengan rata-rata waktu komputasi 9-12 detik per lagu.Kata Kunci : Ekstraksi ciri, klasifikasi suara, klasifikasi genre musik, SOMs(Self-Organizing Maps)ABSTRACT: Musical genres are one of digital music data decided by human to be categorized by the common characteristics shared by it members. These characteristics typically are related to the frequency content, rhytmic structure, instrumentations, and also the harmony content itself. Genre hierarchies will be so usefull to structure the large collections of music that now available freely on the Web. Currently musical annotation is performed manual. Automatic musical genre classifications can replace the human user in this process so that this kind of classification will not be relative anymore and can be classified by its standarization.
In this final project, the input is sound file in .wav format with 30-seconds duration, with two ways of feature extractions from two kinds of different refferences, based on the frequency contents and the timbral texture. The recognition method which being used is SOMs Neural Network.
Tests are done by using two ways of feature extraction for each songs. The most accurate result is from the first feature extraction, which is frequency content method. Overall, the system accuracy is 61,62 % with average computation time of 9-12 seconds per song.Keyword: Feature Extractions, Audio Classification, Musical Genre Classifications, SOMs