<![CDATA[Sistem rekomendasi lagu berbasis Collaborative Filtering menghadapi keterbatasan fundamental berupa cold-start problem ketika berhadapan dengan lagu atau pengguna baru yang belum memiliki riwayat interaksi. Penelitian ini mengimplementasikan pendekatan Content-Based Filtering (CBF) menggunakan algoritma K-Means Clustering berbasis ekstraksi fitur audio untuk mengatasi permasalahan tersebut. Dataset yang digunakan terdiri dari 3.200 file lagu dalam format mp3, wav, aac, dan m4a yang dikumpulkan dari penyimpanan lokal, mencakup enam genre populer, yaitu Pop, Rock, Jazz, Electronic/EDM, Hip-Hop/Rap, dan Classical. Fitur audio diekstraksi menggunakan library Librosa, menghasilkan representasi numerik berupa Mel-Frequency Cepstral Coefficients (MFCC), Spectral Centroid, Zero Crossing Rate (ZCR), RMS Energy, Spectral Rolloff, Chroma STFT, Tempo, dan Beat Count. Setelah normalisasi Z-Score untuk menyeragamkan skala fitur, algoritma K-Means Clustering diterapkan dan dievaluasi menggunakan Within-Cluster Sum of Squares (WCSS) dan Calinski-Harabasz (CH) Index, menghasilkan partisi optimal pada k=6 yang selaras dengan representasi enam genre dalam dataset, dengan nilai WCSS 95,616,62 dan CH Index 85,92. Sistem rekomendasi menghasilkan output Top-N menggunakan dua metrik jarak, yaitu Euclidean Distance dan Cosine Similarity, yang dievaluasi menggunakan Overlap Coefficient, Jaccard Similarity, dan Intra-List Similarity (ILS). Hasil evaluasi menunjukkan konvergensi mutlak antara kedua metode pada Top-3 dengan nilai Jaccard Similarity 1,0, sementara rata-rata skor ILS stabil pada rentang 0,5 yang mengindikasikan keseimbangan optimal antara relevansi dan diversitas rekomendasi. Sistem diimplementasikan dalam aplikasi web berbasis Flask dengan visualisasi Diagram Venn dan heatmap sebagai pendukung evaluasi interaktif.]]>
Copyrights © 2026
