<![CDATA[Pertumbuhan layanan streaming musik seperti Spotify menghadirkan kebutuhan akan sistem pengelompokan lagu yang mampu meningkatkan pengalaman pengguna melalui rekomendasi yang lebih akurat. Untuk meningkatkan pengalaman pengguna, diperlukan sistem pengelompokan lagu berdasarkan kemiripan fitur audio seperti danceability, energy, acousticness, instrumentalness, liveness, speechiness, dan valence. Penelitian ini membandingkan dua algoritma clustering, yaitu K-Means dan K-Medoids, dalam mengelompokkan lagu-lagu Spotify berdasarkan fitur audio tersebut. Algoritma K-Means dikenal efisien dalam komputasi, sementara K-Medoids lebih robust terhadap outlier. Evaluasi dilakukan menggunakan Davies-Bouldin Index (DBI) untuk mengukur kualitas pemisahan antar-kluster. Hasil penelitian menunjukkan bahwa K-Means memberikan hasil terbaik pada k = 3 dengan DBI 0,857, sedangkan K-Medoids memberikan hasil terbaik pada k = 9 dengan DBI 0,844. Meskipun K-Medoids sedikit lebih baik dalam hal kualitas klaster, K-Means lebih unggul dalam efisiensi waktu komputasi. Penelitian ini memberikan wawasan penting mengenai efektivitas kedua algoritma dalam sistem rekomendasi musik berbasis clustering dan dapat memperkaya literatur tentang pengelompokan lagu di platform streaming]]>
Copyrights © 2026
