Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Fikko Nanda Ramadhani
Program Studi Teknik Informatika, Universitas Duta Bangsa Surakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Algoritma Random Forest, Logistic Regression, Support Vector Machine, dan Gradient Boosting untuk Klasifikasi Popularitas Lagu Menggunakan TF-IDF Fikko Nanda Ramadhani; Naaq Shal Ramadanu; Adit Ramadan; Muhammad Ridwan Martana Putra; Aprilisa Arum Sari
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan platform musik digital menghasilkan data dalam jumlah besar yang dapat dimanfaatkan untuk memperoleh informasi melalui teknik data mining, salah satunya klasifikasi. Penelitian ini bertujuan membandingkan performa algoritma Random Forest, Logistic Regression, Support Vector Machine (SVM), dan Gradient Boosting dalam mengklasifikasikan popularitas lagu menggunakan dataset Top 500 Songs. Tahapan penelitian meliputi preprocessing data, pembentukan label berdasarkan posisi lagu pada tangga lagu menjadi kategori Top 10 dan Non Top 10, transformasi data menggunakan TF-IDF pada atribut deskripsi lagu, standardisasi fitur numerik menggunakan StandardScaler, pembagian data dengan rasio 80% data latih dan 20% data uji, serta pembangunan model klasifikasi. Evaluasi dilakukan menggunakan matrix Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil pengujian menunjukkan bahwa Logistic Regression memperoleh performa terbaik dengan nilai akurasi sebesar 84%, diikuti Support Vector Machine sebesar 82%, Random Forest sebesar 80%, dan Gradient Boosting sebesar 78%. Hasil penelitian menunjukkan bahwa algoritma Logistic Regression lebih efektif dibandingkan algoritma lainnya dalam mengklasifikasikan popularitas lagu pada dataset yang direpresentasikan menggunakan TF-IDF. Penelitian ini diharapkan dapat menjadi referensi dalam pemilihan algoritma klasifikasi untuk data teks pada bidang musik digital.
Co-Authors Adit Ramadan Aprilisa Arum Sari Muhammad Ridwan Martana Putra Naaq Shal Ramadanu