Perbandingan Metode K-Means dan Hierarchical Clustering pada Rekomendasi Musik Berbasis Audio Spotify Features Sistem

Samuel Mahesa Sinulingga (Universitas Esa Unggul)
Farrel Reyhan Putra (Universitas Esa Unggul)
Andhika Dwi Rachmawanto (Universitas Esa Unggul)
Michael Jeconiah Yonathan (Universitas Esa Unggul)
Valentino Wijaya (Universitas Esa Unggul)
Vitri Tundjungsari (Universitas Esa Unggul)

Informatics and Computer Engineering Journal
Vol 6 No 1 (2026): Periode Februari 2026

Penelitian ini membandingkan metode K-Means dan Hierarchical Clustering dalam sistem rekomendasi musik berbasis audio features Spotify. Dataset yang digunakan berasal dari Spotify Tracks Dataset yang terdiri dari sekitar 114.000 lagu, kemudian melalui tahap pra-pemrosesan diperoleh sekitar 81.000 lagu valid. Untuk efisiensi komputasi, digunakan 5.000 lagu sebagai data eksperimen. Clustering dilakukan menggunakan 6 cluster dengan sembilan atribut audio. Evaluasi menggunakan Silhouette Score dan Davies–Bouldin Index menunjukkan bahwa K-Means memperoleh nilai Silhouette Score 0,1900 dan Davies–Bouldin Index 1,4445, sedangkan Hierarchical Clustering memperoleh nilai Silhouette Score 0,1782 dan Davies–Bouldin Index 1,4522. Hasil ini menunjukkan bahwa K-Means menghasilkan cluster yang lebih kompak. Sistem rekomendasi yang dibangun mampu memberikan rekomendasi lagu yang relevan berdasarkan kemiripan karakteristik audio.