KLASTERISASI LAGU PADA PLATFORM SPOTIFY BERDASARKAN FITUR AUDIO MENGGUNAKAN ALGORITMA K-MEANS DAN K-MEANS++
Main Article Content
Abstract
Perkembangan teknologi telah mengubah cara pengguna menikmati musik, dengan platform seperti Spotify menyediakan jutaan lagu dari berbagai genre. Namun, dengan jumlah lagu yang sangat besar, pengelompokan lagu berdasarkan karakteristik audio menjadi tantangan tersendiri. Penelitian ini bertujuan untuk mengelompokkan lagu-lagu di Spotify berdasarkan fitur audio menggunakan algoritma K-Means dan K-Means++. Dataset yang digunakan mencakup atribut seperti danceability, energy, valence, tempo, loudness, speechiness, instrumentalness, acousticness, dan liveness. Metode klasterisasi K-Means dan K-Means++ diterapkan untuk membagi lagu ke dalam tiga klaster utama, berdasarkan hasil Elbow Method. Lalu kluster dilabeli dengan Energik, Mellow, dan Ceria berdasarkan analisis hasil rata-rata pada tiap cluster. Evaluasi menggunakan Silhouette Score menunjukkan bahwa K-Means++ menghasilkan klasterisasi yang lebih optimal dibandingkan K-Means, dengan nilai 0.32246467825287023. Klaster Energik menjadi kelompok terbesar (56.5%), diikuti oleh Mellow (24.3%) dan Ceria (19.2%). Visualisasi menunjukkan pemisahan klaster yang cukup jelas, meskipun terdapat sedikit beririsan antara klaster Ceria dan Energik.
Article Details
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
Marlia, S., Setiawan, K., Juliane, C., Bisnis, S. I., Informasi, S., Likmi, S., Jalan, B., Juanda, I. H., & 96, N. (2024). Analisis Fitur Musik dan Tren Popularitas Lagu di Spotify menggunakan K-Means dan CRISP-DM Analysis of Music Features and Song Popularity Trends on Spotify Using K-Means and CRISP-DM. http://sistemasi.ftik.unisi.ac.id
Nuriska, D., Irawan, B., Bahtiar, A., & Rinaldi Dikananda, A. (2023). KLASTERISASI DATA LAGU TERPOPULER SPOTIFY 2023 BERDASARKAN SUASANA HATI MENGGUNAKAN ALGORITMA K-MEANS. In Jurnal Mahasiswa Teknik Informatika (Vol. 7, Issue 6).
Nugroho, N., & Adhinata, F. D. (2022). Penggunaan Metode K-Means dan K- Means++ Sebagai Clustering Data Covid-19 di Pulau Jawa. Teknika, 11(3), 170–179. https://doi.org/10.34148/teknika.v11i3.502
Nurhalimah, L., Hermanto, T. I., & Kaniawulan, I. (2022). Analisis PrediksiMood Genre Musik Pop Menggunakan Algoritma K-Means dan C4.5.JURIKOM (Jurnal Riset Komputer), 9(4), 1006. https://doi.org/10.30865/jurikom.v9i4.4597
Odelia, F., & Sembiring, S. (2024). Analisis Kepuasan Pengguna AplikasiSpotify Dengan Menggunakan Metode UTAUT. Jurnal Media Akademik (JMA), 2(2), 3031–5220. https://doi.org/10.62281
Putra Nugraha, R., Laxmi, G. F., & Riana, F. (2024). PENERAPAN K-MEANS++ UNTUK PENGELOMPOKAN MAHASISWA BERPOTENSI DROP OUT (STUDI KASUS: UNIVERSITAS IBN KHALDUN BOGOR). In Jurnal Mahasiswa Teknik Informatika (Vol. 8, Issue 3).
Reyhan Jarsi Yoga, Basuki Rahmat, & Eka Prakarsa Mandyartha. (2024). Analisis Klaster dan Klasifikasi Emosi Dalam Musik K-Pop dengan K-Means dan Algoritma C 4.5. Neptunus: Jurnal Ilmu Komputer Dan Teknologi Informasi, 2(3), 147–160. https://doi.org/10.61132/neptunus.v2i3.228
Ramdani, C., & Safadila, N. (2022). LEDGER: Journal Informatic andInformation Technology Analisis Data Akademis dengan Menerapkan 62 Algoritme K-Means dan K-Means++. OPEN ACCESS LEDGER, 1(4). https://doi.org/10.20895/LEDGER.V1I4.918
Riziq sirfatullah Alfarizi, M., Zidan Al-farish, M., Taufiqurrahman, M.,Ardiansah, G., & Elgar, M. (2023). PENGGUNAAN PYTHONSEBAGAI BAHASA PEMROGRAMAN UNTUK MACHINE LEARNING DAN DEEP LEARNING. In Karimah Tauhid (Vol. 2, Issue1).
Rohman, N., & Wibowo, A. (2024). CLUSTERING OF POPULAR SPOTIFYSONGS IN 2023 USING K-MEANS METHOD AND SILHOUETTE COEFFICIENT. Jurnal Pilar Nusa Mandiri, 20(1), 18–24. https://doi.org/10.33480/pilar.v20i1.4937