Evaluasi KNN dalam kategorisasi Musik Latar Game

Abstract

Musik berkontribusi untuk membuat immersive atmosphere dalam bermain game dan dapat secara efektif mendorong aksi pada layar. Maka dari itu memilih musik latar pada sebuah game merupakan hal yang tidak mudah. Karena setiap genre game membutuhkan musik latar yang tepat untuk membangun suasana yang kuat dalam game tersebut. Sehingga pemain akan lebih fokus terhadap setiap aksi yang dilakukan dalam game tersebut. Dalam hal ini, keunikan dari karakteristik pada setiap platform game akan menentukan jenis atau genre musik yang spesifik. Namun, pemilihan atau pembuatan musik untuk game saat ini masih didominasi oleh pengembang (manusia) yang memiliki pengetahuan tentang game yang dibangun dan kemampuan musikalitas dalam level tertentu. Sementara saat ini tersedia banyak musik-musik yang dapat digunakan sebagai latar suatu game, pemilihan yang tepat menjadi krusial. Oleh karena itu penerapan Machine Learning dapat dimanfaatkan untuk otomatisasi pengenalan genre pada musik. Dengan menggunakan Algoritma K-Nearest Neighbors untuk menentukan genre yang tepat serta Agglomerative Clustering untuk mengetahui seberapa berkaitannya satu genre dengan genre yang lain, sehingga dapat mengetahui genre musik yang bersesuaian dengan genre game. Hasil yang didapatkan dari penelitian ini antara lain: 1) k-Nearest Neighbors mengklasifikasi genre dengan performa yang sama pada durasi 10 dan 20 detik sebesar 48,3% namun untuk f-scorenya sebesar 44,7% dan 43,7% pada BGM 10 detik dan BGM 20 detik, 2) Agglomerative Nesting menemukan 4 klaster pada dataset BGM 10 detik dan 3 klaster pada dataset BGM 20 detik, 3) Agglomerative nesting juga menunjukkan bahwa pada dataset BGM durasi 20 detik memiliki kepadatan antar klaster yang lebih baik dibandingkan durasi 10 detik. Semakin lama durasi musik BGM maka akan semakin mudah mengklasifikasi genre walaupun terdapat sisipan suara non-musik di dalamnya.