Ända sedan de första systemen för att automatisera processen att genreklassificeramusikstycken presenterades i början av 2000-talet, har en mängd olika tillvägagångssätt och tekniker framförts. De flesta av dessa system använder hela låtens musikarrangemang, men det har publicerats arbeten som undersöker ifall individuella instrumentstämmor innehåller tillräckligt med information för att klassificera genrer. Iföreliggande arbete presenteras ett sådant tillvägagångssätt, med syfte att undersökaifall gitarrstämmorna i musikstycken innehåller tillräckligt med information för attklassificera genrer. Maskininlärningsmetoden Support Vector Machines används föratt finna de optimala gränserna mellan olika musikgenrer genom att lära sig från träningsdata. Modellens noggrannhet utvärderas sedan med hjälp av testdata. När detgäller tränings- och testdata används en del av GTZAN-datasetet. GTZAN-datasetetär ett vanligt förekommande dataset inom musikgenreklassificering och består av 10genrer med 100 musikstycken i varje genre. För denna studie är endast stycken sominnehåller gitarr av intresse, varav endast en del av datasetet används. Gitarrstämmorna separeras sedan från varje musikstycke. För varje insamlad gitarrstämma extraheras och används en uppsättning särdrag för att beskriva de signifikanta egenskaperna hos de genrer som skall klassificeras. Genom att använda de extraheradesärdragen uppnås en noggrannhetsgrad på 96,46% för gitarrstämmorna. Som referens tillämpas samma process på hela arrangemanget av samma musikstycken, somuppnår en noggrannhetsgrad på 93,22%. Resultatet av denna studie visar att gitarrstämmorna i musikstycken innehåller tillräckligt med information för att klassificerastyckets genre.
Ever since the first systems for automating the process of classifying music into genres were presented in the early 2000s, many approaches using different methods &techniques have been put forward. Although most of these systems use the wholemusic arrangement, there have been papers published investigating whether individual instruments contain sufficient information to classify genre. In this paper, onesuch approach is presented, with the aim of exploring whether the guitar part ofsongs contains sufficient information to classify the genre of the song. Support Vector Machines are used to obtain the optimal class boundaries between different genres of music by learning from training data. The accuracy of the model is then evaluated using test data. As for training and test data, part of the GTZAN dataset is used.The GTZAN dataset is a commonly used dataset within the area of music genre classification, consisting of 10 genres with 100 songs each. For the purpose of thisstudy, only the songs containing guitar are of interest, thus only part of the dataset isused. The guitar part is then separated from each of the songs. For each of the collected guitar parts, a set of features is extracted which are used to outline the significant characteristics of the genres to be classified. Using the extracted feature sets, aclassification accuracy of 96.46% is achieved for the guitar parts. As a reference, thesame process is applied for the full arrangement of the same songs, achieving an accuracy of 93.22%. The result of this study shows that the guitar part of songs doescontain sufficient information to classify the genre of the song.