Klasifikasi Genre Musik Menggunakan CNN Dengan Arsitektur Resnet-50 Dan Gradient Boost LightGBM

Alessandro, Roberto (Universitas Multi Data Palembang)
Tinaliah, Tinaliah (Universitas Multi Data Palembang)

Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Vol 15, No 1 (2026): Februari 2026

The rapid growth of digital music has driven the need for accurate and efficient automated music genre classification systems. This study evaluates a hybrid approach that integrates the ResNet-50 architecture as a feature extractor through transfer learning and LightGBM as a classifier. Using the GTZAN dataset represented as Mel-spectrograms, the research compares the effectiveness of hyperparameter optimization using Random Search and Grid Search methods. Based on performance evaluation, the hybrid scenario optimized with Grid Search yielded the best performance with an accuracy of 81.20%, outperforming the Random Search method. Nevertheless, the overall experimental results reveal that the end-to-end ResNet-50 model still provides superior performance compared to the hybrid approach. This indicates that the deep features from ResNet-50 are highly representative for separating genre classes, such that the addition of an external ensemble classifier does not yield significant improvements, although the hybrid approach still offers valuable empirical insights as a stable alternative model.Keywords: Convolutional Neural Network; ResNet-50; LightGBM; Mel-Spectogram; Klasifikasi Genre Musik;AbstrakPertumbuhan pesat musik digital mendorong kebutuhan akan sistem klasifikasi genre musik otomatis yang akurat dan efisien. Penelitian ini mengevaluasi pendekatan hibrida yang mengintegrasikan arsitektur ResNet-50 sebagai pengekstraksi fitur melalui teknik transfer learning dan LightGBM sebagai classifier. Menggunakan dataset GTZAN yang direpresentasikan dalam bentuk Mel-spectrogram, penelitian ini membandingkan efektivitas optimasi hyperparameter menggunakan metode Random Search dan Grid Search. Berdasarkan evaluasi kinerja, skenario hibrida dengan optimasi Grid Search terbukti menghasilkan kinerja terbaik dengan akurasi 81,20%, mengungguli metode Random Search. Kendati demikian, hasil eksperimen secara keseluruhan mengungkapkan bahwa model ResNet-50 end-to-end masih memberikan performa yang lebih unggul dibandingkan pendekatan hibrida. Hal ini mengindikasikan bahwa fitur mendalam dari ResNet-50 sudah sangat representatif untuk memisahkan kelas genre, sehingga penambahan classifier eksternal tidak memberikan peningkatan signifikan, meskipun pendekatan hibrida tetap menawarkan wawasan empiris penting sebagai model alternatif yang stabil.