Makine Öğrenmesi Yöntemleri ile GTZAN Veri Kümesine Ait Müzik Türlerinin Sınıflandırılması

Yıl 2024, , 77 - 87, 30.04.2024

Mehmet Cüneyt Özbalcı , Hasan Şahin , Turgay Tugay Bilgin

https://doi.org/10.46387/bjesr.1436204

Öz

Müzik, insan ruhuna hitap eden çok etkili bir araçtır. Geçmişten günümüze insanoğlunun yaşamının her alanında var olmuş bir sanat dalıdır. Zaman içerisinde müzik, bilgisayar bilimleri için önemli bir araştırma alanı haline gelmiştir. Müziğin sayısal verilere dönüştürülmesiyle birlikte çeşitli şekillerde işlenip analiz edilmeye başlanmıştır. Müzik türlerinin sınıflandırılması başlı başına bir problemken, gelişen teknolojiyle birlikte müzik türü sınıflandırması günümüzde popülerliğini arttırmaktadır. Müzik türlerinin sınıflandırılmasında birçok parametre temel alınabilir. Bu çalışmada, müzik türlerini sınıflandırmak için çok çeşitli öznitelikler içeren GTZAN veri kümesi kullanılmıştır. Sınıflandırma algoritmaları olarak Rastgele Orman (RF), Destek Vektör Makineleri (SVM) ve Yapay Sinir Ağları (YSA) kullanılmıştır. Bu algoritmalarla elde edilen başarı oranları sırasıyla RF için %81 SVM için %72,33 ve YSA için %67,67 olarak elde edilmiştir.

Anahtar Kelimeler

Rastgele Orman, Yapay Sinir Ağları, Destek Vektör Makineleri, Müzik Sınıflandırma

Etik Beyan

Bu çalışmanın tüm aşamalarının etik ilkeler çerçevesinde gerçekleştirildiğini beyan ederim.

Destekleyen Kurum

Yok.

Teşekkür

Yok.

Classification of Music Genres of GTZAN Dataset with Machine Learning Methods

Öz

Music is an effective tool that appeals to the human soul. It is a branch of art that has existed in every aspect of human life from past to present. Over time, music has become an important research area for computer science. With the conversion of music into numerical data, it has been processed and analyzed in various ways. While the classification of music genres is a problem in itself, music genre classification is increasing in popularity today with the technology developed. Many parameters can be taken as a basis for the classification of music genres. In this study, GTZAN dataset, which contains a wide variety of attributes, was used to classify music genres. Random Forest (RF), Support Vector Machines (SVM) and Artificial Neural Networks (ANN) were used as classification algorithms. The success rates obtained with these algorithms were 81% for RF, 72.33% for SVM and 67.67% for ANN, respectively.

Anahtar Kelimeler

Random Forest, Artificial Neural Network, Support Vector Machines, Music Classification

Kaynakça

• M.B. Er, H. Çiğ, “Türk müziği uyaranları kullanılarak insan duygularının makine öğrenmesi yöntemi ile tanınması”, Gazi University Journal of Science Part C: Design and Technology, vol. 8, no. 2, pp. 458-474, 2020.
• M. Yılmaz, H. Şahin, A. Yıldız, “Sectoral application analysis of studies made with deep learning models” Electronic Letters on Science and Engineering, vol. 17, no. 2, pp.126-140, 2021.
• S. Çeven, R. Bayır, “Ortam Sesinden İnsan Sesinin Ayrıştırılması için Filtre Geliştirilmesi”, Avrupa Bilim ve Teknoloji Dergisi, pp. 331-337, 2020.
• H.E. Kocer, M.C. Ahmed, “Turkish Speech recognition using Mel-frequency cepstral coefficients (MFCC) and Hidden Markov Model (HMM)”, Veri Bilimi, vol. 2, no. 2, pp. 39-44, 2019.
• N. Ndou, R. Ajoodha, A. Jadhav, “Music genre classification: A review of deep-learning and traditional machine-learning approaches”, In 2021 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS), IEEE, pp. 1-6, 2021.
• J. SuriyaPrakash, S. Kiran, “Obtain Better Accuracy Using Music Genre Classification Systemon GTZAN Dataset”, In 2022 IEEE North Karnataka Subsection Flagship International Conference (NKCon), IEEE, pp. 1-5, 2022.
• A. Ghildiyal, K. Singh, S. Sharma, “Music genre classification using machine learning”, In 2020 4th international conference on electronics, communication and aerospace technology (ICECA), IEEE, pp. 1368-1372, 2020.
• F. Khan, I. Tarimer, H.S. Alwageed, B.C. Karadağ, M. Fayaz, A. B. Abdusalomov, Y.I. Cho, “Effect of feature selection on the accuracy of music popularity classification using machine learning algorithms”, Electronics, vol. 11, no. 21, pp. 3518, 2022.
• G. Jawaherlalnehru, S. Jothilakshmi, “Music genre classification using deep neural networks”, International Journal of Scientific Research in Science, Engineering and Technology, vol. 4, pp. 935, 2018.
• J. Guo, A. Liu, J. Xiao, “Melody classification based on performance event vector and BRNN”, arXiv preprint arXiv:2010.07562, 2020.
• Y. Yaslan, Z. Cataltepe, “Audio genre classification with co-mrmr”, IEEE 17th Signal Processing and Communications Applications Conference, pp. 408-411, 2009.
• M. Won, S. Chun, X. Serra, “Toward interpretable music tagging with self-attention”, arXiv preprint arXiv:1906.04972, 2019.
• C. Ritter, C. Altenhofen, M. Zeppelzauer, A. Kuijper, T. Schreck, J. Bernard, “Personalized Visual-Interactive Music Classification”, In EuroVA@ EuroVis, pp. 31-35, 2018.
• R.L. Aguiar, Y.M. Costa, C.N. Silla, “Exploring data augmentation to improve music genre classification with convnets”, International Joint Conference on Neural Networks (IJCNN), IEEE, pp. 1-8, 2018.
• Z. Durdağ, P. Erdoğmuş, “Müzik türlerinin derin öğrenme ağları ile sınıflandırılması”, Sakarya University Journal of Computer and Information Sciences, vol. 2, no. 1, pp. 53-60, 2019.
• R. Thiruvengatanadhan, “Music Classification using MFCC and SVM”, International Research Journal of Engineering and Technology, vol. 5, pp. 922-924, 2018.
• W. Zhao, Y. Zhou, Y. Tie, Y. Zhao, “Recurrent neural network for MIDI music emotion classification”, IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), IEEE, pp. 2596-2600, 2018.
• S. Vishnupriya, K. Meenakshi, “Automatic music genre classification using convolution neural network”, International Conference on Computer Communication and Informatics (ICCCI), IEEE, pp. 1-4, 2018.
• K.J. Archer, R.V. Kimes, “Empirical characterization of random forest variable importance measures”, Computational statistics & Data analysis, vol. 52, no. 4, pp. 2249-2260, 2008.
• A. Atalan, H. Şahin, Y.A. Atalan, “Integration of machine learning algorithms and discrete-event simulation for the cost of healthcare resources” In Healthcare, MDPI, vol. 10, no. 10, pp. 1920, 2022.
• P. Akın, Y. Terzi, “Dengesiz veri setli sağkalım verilerinde cox regresyon ve rastgele orman yöntemlerin karşılaştırılması” Veri Bilimi, vol. 3, no. 1, pp. 21-25, 2020.
• H. Fu, K. Qi, “Evaluation model of teachers' teaching ability based on improved random forest with grey relation projection”, Scientific Programming, pp. 1-12, 2022.
• M. Schonlau, R.Y. Zou, “The random forest algorithm for statistical learning” The Stata Journal, vol. 20, no. 1, pp. 3-29, 2020.
• S. Huang, N. Cai, P.P. Pacheco, S. Narrandes, Y. Wang, W. Xu, “Applications of support vector machine (SVM) learning in cancer genomics”, Cancer genomics & proteomics, vol. 15, no. 1, pp. 41-51, 2018.
• S. Ghosh, A. Dasgupta, A. Swetapadma, “A study on support vector machine based linear and non-linear pattern classification”, International Conference on Intelligent Sustainable Systems (ICISS), IEEE, pp. 24-28, 2019.
• T.T. Bilgin, S.B. Altınışık, N.A Adıgüzel, “A Comparative Study of Classification and Clustering Methods for Data Analysis in Digital Transformation and IoT Systems”, Orclever Proceedings of Research and Development, vol. 3, no. 1, pp. 1-18, 2023.
• J. Zou, Y. Han, S.S. So, “Overview of artificial neural networks”, pp. 14-22, 2009.
• R.M. Sadek, S.A. Mohammed, A.R.K. Abunbehan, A.K.H.A. Ghattas, M.R. Badawi, M.N. Mortaja, S.S. Abu-Naser, “Parkinson's disease prediction using artificial neural network”, International Journal of Academic Health and Medical Research, vol. 3, no. 1, pp. 1-8, 2019.
• M.E. Tabar, A.C. Başara, Y. Şişman, “Çoklu regresyon ve yapay sinir ağları ile Tokat ilinde konut değerleme çalışması”, Türkiye Arazi Yönetimi Dergisi, vol. 3, no. 1, pp. 1-7, 2021.
• S. Budak, B. Akbal, “Görüntü işleme ve yapay sinir ağları ile iletişim hatlarında arıza yeri belirleme”, Konya Mühendislik Bilimleri Dergisi, vol. 8, no. 3, pp. 678-692, 2020.
• F. Aydemir, S. Arslan, “A System Design with Deep Learning and IoT to Ensure Education Continuity for Post-COVID”, IEEE Transactions on Consumer Electronics, 2023.
• S. Dörterler, “Hybridization of k-means and meta-heuristics algorithms for heart disease diagnosis”, New Trends in Engineering and Applied Natural Sciences, vol. 55, 2022.
• S. Dörterler, “Kanser Hastalığı Teşhisinde Ölüm Oyunu Optimizasyon Algoritmasının Etkisi”, Mühendislik Alanında Uluslararası Araştırmalar VIII, pp. 15, 2023.