Catalog Detail

Spotify menyediakan informasi genre pada tingkat artis, bukan pada tingkat lagu, sehingga karakteristik audio setiap lagu tidak dapat langsung direpresentasikan melalui label genre tersebut. Kondisi ini mendorong penggunaan metode pengelompokan untuk menemukan pola kemiripan lagu tanpa bergantung pada label genre tradisional. Penelitian ini mengevaluasi kinerja dua model clustering, yaitu DBSCAN dan Hierarchical Agglomerative Clustering (HAC), dalam mengelompokkan lagu berdasarkan sembilan fitur audio Spotify: danceability, energy, loudness, speechiness, acousticness, instrumentalness, liveness, valence, dan tempo. Dataset publik "Spotify Tracks Genre" dari Kaggle digunakan dengan total 83.573 data bersih setelah proses penghapusan duplikasi dan nilai kosong. Sepuluh skenario eksperimen dilakukan melalui grid search pada subsample 15.000 data untuk menentukan parameter optimal. Evaluasi menggunakan tiga metrik internal, yakni Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Index. Hasil menunjukkan bahwa kedua algoritma memperoleh Silhouette Score pada kategori struktur lemah (0,31), namun DBSCAN menunjukkan separasi cluster yang lebih baik berdasarkan DBI (0,75). HAC menghasilkan profil lima cluster yang secara musikologis dapat dibedakan. Temuan ini mengonfirmasi bahwa fitur audio Spotify mampu membentuk pola pengelompokan lagu meskipun batas antar kelompok tidak sepenuhnya tegas.
Kata Kunci: clustering, genre musik, fitur audio spotify, DBSCAN, hierarchical agglomerative clustering, evaluasi cluster