Penerapan Algoritma Klastering K-Means Untuk Fitur Atribut Pada Layanan Streaming Musik Spotify

Abstract

Penelitian ini mencoba mencari fitur atribut pada track lagu yang memiliki jumlah paling banyak pada setiap lagu pada aplikasi spotify, sekaligus mencoba menerapkan metode klaster pada dataset yang diperoleh dari kaggle sebagai data pabrik. Spotify merupakan salah satu aplikasi streaming musik yang paling diminati oleh beberapa pendengar. Menggunakan algoritma k-means dan davies Bouldin Indeks(DBI) sebagai metode validasi dari hasil klastering k-means.Adapun metode yang digunakan dalam penelitian ini adalah CRISP-DM sebagai standarisasi pengolahan data mining lintas industri yang dinilai cocok dalam melakukan penelitian dan proses data mining, dari melakukan pemahaman bisnis sampai melakukan tahap evaluasi. Hasil didapatkan dari penelitian berupa atribut yang berpengaruh pada lagu adalah instrumentalness dan valance terhadap lagu yang populer di aplikasi spotify serta atribut yang secara keseluruhan seimbang dari antar klaster adalah loudness. Dengan dataset lagu yang popularitas di atas 60, genre pop menjadi yang paling banyak dalam jumlah deretan lagunya. Pada percobaan klaster dengan menggunakan algoritma k-means serta evaluasi davies Bouldin indeks(DBI) memperoleh jumlah klaster yang dibagi menjadi 9 adalah yang paling optimal dari percobaan pembagian jumlah klaster dari 2 kelompok sampai 10 kelompok. Pada penelitian ini akan dilakukan dengan menggunakan aplikasi rapidminer sebagai alat bantu peneliti untuk melakukan pengujian dan perhitungan.