The Comparison of Logistic Regression Methods and Random Forest for Spotify Audio Mode Featurre Classification
DOI:
https://doi.org/10.33096/ijodas.v1i3.16Keywords:
fitur-fitur penting, fitur mode, klasifikasi, random forest, regresi logistikAbstract
Studi ini membandingkan kemampuan dari metode regresi logistik dan random forest dalam melakukan klasifikasi fitur mode. Fitur mode ini merupakan fitur yang terdapat di dalam data fitur audio. Secara keseluruhan, data ini berisikan data dari musik atau lagu yang dirilis di platform Spotify yang di dalamnya terdapat berbagai fitur dari masing-masing musik. Dalam melakukan studi ini, metode regresi logistik dan metode random forest ini diterapkan dalam bahasa pemrograman Python. Setelah dilakukannya studi ini dapat disimpulkan bahwa metode random forest dapat melakukan klasifikasi yang lebih baik walaupun dengan selisih yang cukup dekat. Karena kedua metode ini adalah metode yang baik dalam melakukan klasifikasi. Fitur penting yang ditampilkan oleh random forest juga memberikan hasil yang lebih memuaskan, karena fitur yang dihasilkan memang fitur yang berkaitan dengan fitur mode dan sesuai dengan teori musik.
Downloads
References
M. Muttaqin, Seni Musik Klasik Jilid 1 untuk SMK, Jilid 1., vol. 1. Jakarta: Direktorat Pembinaan Sekolah Menengah Kejuruan, Direktorat Jenderal Manajemen Pendidikan Dasar dan Menengah, Departemen Pendidikan Nasional, 2008.
L. Fang, J. Shang, and N. Chen, “Perception of western musical modes: A Chinese study,” Front. Psychol., vol. 8, no. OCT, pp. 1–8, 2017, doi: 10.3389/fpsyg.2017.01905.
I. Press, “The Affective Character of the Major and Minor Modes in Music Author ( s ): Kate Hevner Source : The American Journal of Psychology , Jan ., 1935 , Vol . 47 , No . 1 ( Jan ., 1935 ), Published by : University of Illinois Press Stable URL : http://www.jsto,” vol. 47, no. 1, pp. 103–118, 1935.
A. . Fallis, Analisis Regresi Logistik, vol. 53, no. 9. 2013.
H. D. Anggana, “Penerapan Model Klasifikasi Regresi Logistik, Support Vector Machine , Classification and Regression Tree Terhadap Data Kejadian Difteri Di Provinsi Jawa Barat,” Euclid, vol. 5, no. 2, p. 20, 2018, doi: 10.33603/e.v5i2.1121.
D. W. Hosmer and S. Lemeshow, “Applied Logistic Regression.” pp. 1–375, 2000, doi: 10.1074/jbc.272.33.20373.
H. Wibowo, W. Rahayu, P. S. Matematika, U. N. Jakarta, and R. L. Biner, “OVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL,” p. 53, 2007.
R. A. Haristu, “PENERAPAN METODE RANDOM FOREST UNTUK PREDIKSI WIN RATIO PEMAIN PLAYER UNKNOWN BATTLEGROUND,” Universitas Sanata Dharma, 2019.
L. Breiman, “Random Forest,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001, doi: 10.1017/CBO9781107415324.004.
M. Sandri and P. Zuccolotto, “A bias correction algorithm for the gini variable importance measure in classification trees,” J. Comput. Graph. Stat., vol. 17, no. 3, pp. 611–628, 2008, doi: 10.1198/106186008X344522.
Breiman L, Cutler A. 2003. Manual on Setting Up, Using, and Understanding Random Forest V4.0. [terhubung berkala]. http://oz.berkeley.edu/users/breiman/Using_random_forests_v4.0.pdf.
Hilbe, J. M. (2011). Logistic Regression Lotion Logistic Regression Regression. 2, 113.
Jamalus. (1988.). Buku pengajaran musik melalui pengalaman musik panduan pengajar/ Jamalus. Jakarta :: Proyek Pengembangan Lembaga Pendidikan Tenaga Kependidikan,.
Nirwana. S.R.A. 2015. Regresi Logistik Multinomial dan Penerapannya dalam Menentukan Faktor yang Berpengaruh pada Pemilihan Program Studi di Jurusan Matematika UNM. Skripsi. Universitas Negeri Makassar. Makassar.
Polamuri, Saimadhu. How Random Forest Algorithm Works In Machine Learning https://dataaspirant.com/2017/05/22/random-forest-algorithm-machine-learing/
Williams G. (2011) Random Forests. In: Data Mining with Rattle and R. Use R. Springer, New York, NY
Published
Issue
Section
License
Authors retain copyright and full publishing rights to their articles. Upon acceptance, authors grant Indonesian Journal of Data and Science a non-exclusive license to publish the work and to identify itself as the original publisher.
Self-archiving. Authors may deposit the submitted version, accepted manuscript, and version of record in institutional or subject repositories, with citation to the published article and a link to the version of record on the journal website.
Commercial permissions. Uses intended for commercial advantage or monetary compensation are not permitted under CC BY-NC 4.0. For permissions, contact the editorial office at ijodas.journal@gmail.com.
Legacy notice. Some earlier PDFs may display “Copyright © [Journal Name]” or only a CC BY-NC logo without the full license text. To ensure clarity, the authors maintain copyright, and all articles are distributed under CC BY-NC 4.0. Where any discrepancy exists, this policy and the article landing-page license statement prevail.
