Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Pilar Nusa Mandiri SINTECH (Science and Information Technology) Journal
Nur Rohman
Universitas Budi Luhur
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
CLUSTERING OF POPULAR SPOTIFY SONGS IN 2023 USING K-MEANS METHOD AND SILHOUETTE COEFFICIENT Rohman, Nur; Wibowo, Arief
Jurnal Pilar Nusa Mandiri Vol. 20 No. 1 (2024): Pilar Nusa Mandiri : Journal of Computing and Information System Publishing Pe
Publisher : LPPM Universitas Nusa Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/pilar.v20i1.4937

Abstract

The rapid advancement of technology and globalization in this era has brought about comprehensive and easily accessible music streaming services, one of which is Spotify. According to Kompas.com, Spotify has experienced a rise in subscribers up to 130 million, as a platform that offers various features besides music streaming. Spotify also provides a better user experience and has the ability to compete with other music streaming platforms. The mission of this research is to classify popular Spotify song data in 2023, which can aid in a deeper understanding of listener preferences or music trends. Based on the test results, there were 2 clusters obtained with cluster 0 containing 863 data and cluster 1 containing 90 data. From the testing results conducted in the K-Means analysis, a Silhouette Coefficient of 0.81 was obtained, which falls into the category of Strong Structure. From these results, it can be suggested that cluster formation was done very well to provide more personalized and relevant music recommendations to Spotify platform users. By understanding the preferences and patterns of listeners revealed through clustering, streaming services can enhance user experience by providing more tailored content.
Perbandingan Metode K-Medoids dan Metode K-Means Dalam Analisis Segmentasi Pelanggan Mall Rohman, Nur; Wibowo, Arief
SINTECH (Science and Information Technology) Journal Vol. 7 No. 1 (2024): SINTECH Journal Edition April 2024
Publisher : Prahasta Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31598/sintechjournal.v7i1.1507

Abstract

Memahami pelanggan sangat penting untuk mengelola operasi perusahaan. Dengan mengetahui dan memahami setiap pelanggan, dapat meningkatkan komunikasi layanan produk dengan menyesuaikan kebutuhan dan layanan kepada setiap pelanggan. Namun, analisis pelanggan sangat luas sehingga sulit untuk memahami kebutuhan masing-masing pelanggan. Hal ini dapat mencakup berbagai karakteristik dan perilaku pelanggan. Oleh karena itu, diperlukan segmentasi pelanggan untuk mengelompokkan pelanggan berdasarkan perilaku dan karakteristiknya. Tujuan dari penelitian ini adalah membandingkan metode clustering untuk mendapatkan metode yang lebih baik dan optimal dalam mengelompokkan cluster untuk segmentasi pelanggan. Dari permasalahan tersebut, peneliti menerapkan metode CRISP-DM dengan focus pada analisis cluster atau pengelompokkan dengan membandingkan algoritma K-Means dan K-Medoids terhadap Analisa segmentasi pelanggan pada mall. Pada penerapan perbandingan metode K-Means dan K-Medoids, digunakan metode elbow untuk menentukan jumlah cluster yang optimal. Hasil dari metode elbow menunjukkan bahwa penggunaan lima cluster untuk metode K-Means dan empat cluster untuk metode K-Medoids merupakan pilihan yang tepat dalam kasus ini. Langkah selanjutnya adalah mencari nilai Silhouette Coefficient setiap metode yang digunakan dalam perbandingan untuk menentukan metode clustering yang lebih optimal.  Hasil nilai yang diperoleh dari metode Silhouette Coefficient masing-masing metode adalah k-means adalah 0,553 dan k-medoid adalah 0,485, sehingga algoritma pengelompokan segmentasi pelanggan terbaik pada penelitian ini adalah algoritma K-means karena memiliki nilai koefisien siluet maksimum.
Co-Authors Arief Wibowo