Modeling Popularitas Lagu Di Spotify Menggunakan Xgboost Dan Random Forest Berdasarkan Fitur Audio

Acandra, Acandra (2025) Modeling Popularitas Lagu Di Spotify Menggunakan Xgboost Dan Random Forest Berdasarkan Fitur Audio. Bachelor thesis, Universitas Nasional.

	Text COVER.pdf Download (836kB)
	Text BAB I.pdf Download (295kB)
	Text BAB II.pdf Download (497kB)
	Text BAB III.pdf Download (539kB)
	Text BAB IV.pdf Download (989kB)
	Text BAB V.pdf Download (203kB)
	Text LAMPIRAN_BW.pdf Download (1MB)

Abstract

Popularitas lagu di platform streaming musik seperti spotify dipengaruhi oleh berbagai fitur audio seperti danceability, energy, valence, loudness, tempo, speechiness, acouticness, instrumentalness, dan liveness dapat mencerminkan prediksi tingkat popularitas yang lebih akurat Imanulloh et al. (2023). namun belum banyak penelitian yang secara eksplisit membandingkan efektivitas algoritma machine learning dalam prediksi popularitas lagu. Masih terdapat tantangan dalam menentukan fitur audio mana yang memiliki pengaruh paling signifikan terhadap popularitas lagu, serta bagaimana kombinasi fitur tersebut dapat meningkatkan akurasi prediksi model machine learning. Penelitian ini bertujuan untuk modeling popularitas lagu di spotify berdasarkan fitur audio menggunakan algoritma xgboost dan Random Forest. Data diperoleh dari dataset spotify yang berisi berbagai fitur audio, seperti instrumentalness, liveness, tempo, acousticness, speechiness, dan loudness. Model dikembangkan dengan membagi data menjadi dua bagian: 80% untuk pelatihan dan 20% untuk pengujian. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. XGBoost menunjukkan performa yang lebih baik dalam mengklasifikasikan popularitas lagu. XGBoost berhasil mencapai akurasi yang lebih tinggi, yaitu 0.9235, serta recall yang cukup baik, yaitu 0.9065, yang mengindikasikan kemampuan model ini dalam mendeteksi lagu yang populer dengan akurat. Meskipun nilai precision-nya sedikit lebih rendah 0.7922, hal ini tetap menunjukkan bahwa XGBoost lebih unggul dalam mengurangi kesalahan dalam mengklasifikasikan lagu yang tidak populer sebagai populer, dibandingkan dengan Random Forest. Di sisi lain, Random Forest menghasilkan akurasi 0.8791 dan recall 0.8631, yang menunjukkan kinerja yang baik, tetapi precision-nya yang rendah 0.6905 menunjukkan bahwa model ini lebih sering membuat kesalahan dalam mengidentifikasi lagu populer.

Item Type:	Thesis (Bachelor)
Subjects:	M Music and Books on Music > M Music M Music and Books on Music > MT Musical instruction and study
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Miss Rahma Rahmawati
Date Deposited:	17 Jul 2025 07:18
Last Modified:	17 Jul 2025 07:18
URI:	http://repository.unas.ac.id/id/eprint/13776

Actions (login required)

View Item