<![CDATA[Perkembangan teknologi telah mengubah cara pengguna menikmati musik, dengan platform seperti Spotify menyediakan jutaan lagu dari berbagai genre. Namun, dengan jumlah lagu yang sangat besar, pengelompokan lagu berdasarkan karakteristik audio menjadi tantangan tersendiri. Penelitian ini bertujuan untuk mengelompokkan lagu-lagu di Spotify berdasarkan fitur audio menggunakan algoritma K-Means dan K-Means++. Dataset yang digunakan mencakup atribut seperti danceability, energy, valence, tempo, loudness, speechiness, instrumentalness, acousticness, dan liveness. Metode klasterisasi K-Means dan K-Means++ diterapkan untuk membagi lagu ke dalam tiga klaster utama, berdasarkan hasil Elbow Method. Lalu kluster dilabeli dengan Energik, Mellow, dan Ceria berdasarkan analisis hasil rata-rata pada tiap cluster. Evaluasi menggunakan Silhouette Score menunjukkan bahwa K-Means++ menghasilkan klasterisasi yang lebih optimal dibandingkan K-Means, dengan nilai 0.32246467825287023. Klaster Energik menjadi kelompok terbesar (56.5%), diikuti oleh Mellow (24.3%) dan Ceria (19.2%). Visualisasi menunjukkan pemisahan klaster yang cukup jelas, meskipun terdapat sedikit beririsan antara klaster Ceria dan Energik.]]>
Copyrights © 2025
