IMPLEMENTASI MACHINE LEARNING DALAM PENGELOMPOKAN MUSIK MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING

Abstract

Musik merupakan bagian yang tak mungkin dapat hilang dari hidup semua orang. Banyak orang mendengarkan musik namun dengan preferensi yang berbeda karena tersedia banyak sekali jenis musik yang beragam. Banyak platform penyedia musik streaming berlomba membuat rekomendasi lagu yang sesuai dengan preferensi penggunanya namun masih sulit untuk mengelompokkan musik didalamnya. Penelitian ini bertujuan untuk menganalisis musik menggunakan algoritma Clustering K-Means, sebuah metode unsupervised machine learning, untuk mengelompokkan lagu berdasarkan fitur-fiturnya seperti tempo, nada, dan elemen-elemen lainnya. Penelitian ini dilakukan dalam konteks digitalisasi musik yang berkembang pesat, di mana platform streaming musik semakin populer dan memungkinkan personalisasi preferensi pengguna. Algoritma K-Means digunakan untuk menemukan pola dari berbagai genre musik, sehingga bisa memberikan wawasan mengenai tren musik dan preferensi pendengar. Penelitian ini melibatkan beberapa tahap utama, termasuk eksplorasi data (Exploratory Data Analysis/EDA), pengecekan missing values dan outliers, serta pemilihan fitur yang relevan. Selanjutnya, proses clustering dilakukan menggunakan algoritma K-Means dengan evaluasi melalui metode Elbow dan Silhouette untuk menentukan jumlah cluster yang optimal serta menilai kualitas clustering. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem rekomendasi musik yang lebih baik dengan meningkatkan pengetahuan di bidang machine learning, khususnya dalam penerapan algoritma K-Means untuk pengelompokan data musik. Hasil evaluasi penelitian ini memiliki Silhouette Scores 0,53 untuk data untrimmed dan trimmed yang menunjukkan model yang dibuat sudah menunjukan kualitas clustering yang baik. Serta klaster yang terbentuk memiliki indicator utama yaitu fitur duration_ms yang dominan dari fitur lain seperti tempo, valence, liveness, dan energy yang menghasilkan kelompok terbaik untuk digunakan sebagai rekomendasi playlist.