Optimalisasi Metode Random Forest Dengan Feature Selection Dan Hyperparameter Tuning Untuk Klasifikasi Genre Musik

Latar Belakang: Mendengarkan musik merupakan bagian penting dari kehidupan manusia. Faktor subjektif dalam mengenali genre musik turut menambah tingkat kesulitan dalam proses klasifikasi. Oleh karena itu, diperlukan pendekatan yang
cermat dan handal untuk menganalisis serta mengelompokkan data musik. Metode Random Forest telah menjadi salah satu metode yang diminati dalam klasifikasi genre musik. Diperlukan optimalisasi algoritma yang akurat dengan pemilihan fitur yang sesuai (Feature Selection) dan Hyperparameter Tuning.
Tujuan: Penelitian ini bertujuan untuk menerapkan Feature Selection dan Hyperparameter Tuning pada optimalisasi algoritma Random Forest untuk klasifikasi genre musik.
Metode Penelitian: Penelitian ini diawali dengan pengumpulan data yang akan digunakan untuk proses klasifikasi genre musik. Kemudian data tersebut diolah terlebih dahulu pada proses preprocessing untuk memperoleh data bersih yang akan
digunakan pada saat klasifikasi. Sebelum melakukan klasifikasi, fitur yang dimiliki dataset dipilih melalui proses Feature Selection supaya fitur yang digunakan pada
saat klasifikasi yaitu fitur yang dapat merepresentasikan kelas genre musik. Metode yang digunakan pada saat klasifikasi yaitu Random Forest. Selanjutnya dilakukan
proses Hyperparameter Tuning untuk mendapatkan nilai yang paling optimal dari parameter metode Random Forest.
Hasil: Hasil pengujian pada saat klasifikasi menunjukan bahwa metode Random Forest memiliki nilai yang baik untuk melakukan klasifikasi genre musik dengan nilai ROC AUC sebesar 0.909. Proses optimalisasi berhasil meningkatkan kinerja random Forest dengan nilai ROC AUC sebesar 0.913.
Kesimpulan: Optimalisasi yang dilakukan pada Random Forest berhasil meningkatkan kinerja model dengan peningkatan nilai ROC AUC sebesar 0.004 dan memiliki nilai evaluasi yang termasuk kedalam kategori excellent.