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:	Users 30 not found.
Date Deposited:	17 Jul 2025 07:18
Last Modified:	17 Jul 2025 07:18
URI:	https://repository.unas.ac.id/id/eprint/13776

Actions (login required)

View Item