ANALISIS MOST STREAMED SPOTIFY SONGS 2024 MENGGUNAKAN PENDEKATAN ALGORITMA K-MEANS CLUSTERING DENGAN OPTIMASI MENGGUNAKAN ELBOW DAN SILHOUETTE SCORE

ODE, WINDY FEBRIANTI (2024) ANALISIS MOST STREAMED SPOTIFY SONGS 2024 MENGGUNAKAN PENDEKATAN ALGORITMA K-MEANS CLUSTERING DENGAN OPTIMASI MENGGUNAKAN ELBOW DAN SILHOUETTE SCORE. Other thesis, UPN "Veteran" Yogyakarta.

	Text SKRIPSI FULL WINDY FEBRIANTI ODE 123200036.pdf Restricted to Repository staff only Download (2MB)
	Text COVER SKRIPSI.pdf Download (92kB)
	Text ABSTRAK.pdf Download (90kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (185kB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (192kB)
	Text DAFTAR ISI.pdf Download (38kB)
	Text DAFTAR PUSTAKA.pdf Download (96kB)

Abstract

Spotify, sebagai salah satu platform streaming musik terbesar di dunia, telah
menjadi tolok ukur popularitas musik global dengan jutaan lagu yang tersedia. Dalam
era data besar, analisis terhadap lagu-lagu yang paling banyak di-streaming dapat
memberikan wawasan penting bagi industri musik. Namun, analisis manual terhadap
data yang besar dan kompleks menjadi kurang efisien. Oleh karena itu, penelitian ini
menggunakan algoritma K-Means Clustering dengan optimasi menggunakan metode
Elbow dan Silhouette Score untuk mengelompokkan lagu-lagu yang paling banyak di�streaming di Spotify tahun 2024.
Penelitian ini diawali dengan proses pengumpulan data dari dataset Most
Streamed Spotify Songs 2024 yang diambil dari Kaggle, dilanjutkan dengan data
preprocessing untuk membersihkan data dari kolom-kolom yang tidak relevan.
Pengujian menggunakan algoritma K-Means clustering dengan menggunakan optimasi
penggunaan metode elbow dan silhouette score. Implementasi model ini juga
dikembangkan dalam aplikasi berbasis Streamlit untuk mempermudah analisis data
secara interaktif. Secara keseluruhan, penelitian ini memberikan kontribusi strategis
dalam mengidentifikasi tren musik dan memberikan wawasan yang dapat digunakan
oleh artis, label musik, serta pemangku kepentingan lainnya di industri musik.
Hasil penelitian menunjukkan bahwa optimasi menggunakan metode Elbow
dan Silhouette Score pada algoritma K-Means meningkatkan akurasi pengelompokan
data. Penelitian ini menghasilkan 3 klaster dengan Silhouette Score sebesar 0,66.
Dengan optimasi menggunakan metode Elbow dan Silhouette Score, jumlah klaster
optimal ditemukan sebanyak 2, dengan peningkatan Silhouette Score menjadi 0,71.
Klaster 0 mengelompokkan lagu-lagu yang tidak populer, sedangkan Klaster 1
mengelompokkan lagu-lagu yang populer.
Kata kunci: Spotify, K-Means Clustering, Elbow Method, Silhouette Score, Tren
Musik, Data Streaming.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Spotify, K-Means Clustering, Elbow Method, Silhouette Score, Tren Musik, Data Streaming
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	20 Dec 2024 06:51
Last Modified:	20 Dec 2024 06:51
URI:	http://eprints.upnyk.ac.id/id/eprint/41884

Actions (login required)

View Item