Komparasi Algoritma K-Means, K-Medoid, Agglomeartive Clustering Terhadap Genre Spotify

Article Sidebar

PDF
Published: Apr 2, 2021
DOI: https://doi.org/10.35329/jiik.v7i1.186
Keywords:
Komparasi, Data Mining, K-Means, K-Medoid, Agglomerative Clustering, Sportify

Main Article Content

Ana Rohmah Zaidah
Sistem informasi, UIN Sunan Ampel Surabaya, Indonesia
Chandra Indira Septiarani
Program Studi Sistem informasi, UIN Sunan Ampel Surabaya, Indonesia
Mar’atus Sholikhatun Nisa
Program Studi Sistem informasi, UIN Sunan Ampel Surabaya, Indonesia
Ahmad Yusuf
Program Studi Sistem informasi, UIN Sunan Ampel Surabaya, Indonesia
Noor Wahyudi
Program Studi Sistem informasi, UIN Sunan Ampel Surabaya, Indonesia

Abstract

Perkembangan teknologi di berbagai bidang kehidupan manusia berdampak pada kebutuhan manusia yang semakin kompleks seperti contohnya muncul layanan streaming musik yang bisa didengarkan dengan mudah dari berbagai platform. Platform streaming musik yang banyak digunakan saat ini salah satunya spotify.com, menurut berita yang dirilis kompas.com spotify yang mengalami kenaikan 130 juta pelanggan baru sejak pandemi, sebagai platform yang memiliki pengguna yang banyak perlu penelitian lebih lanjut tentang konten streaming musik  untuk menawarkan user experience yang lebih baik dan upaya meningkatkan persaingan dengan platform streaming lain. Penelitian ini menggunakan data publik Global Top 50 yang dianalisis menggunakan algoritma k-means, k-medoid, agglomative clustering Berdasarkan hasil penelitian metode cluster terbaik yang digunakan untuk clustering lagu spotify adalah agglomerative hierarchical clustering metode Average Linked dengan 3 atau 4 klaster. Klaster paling direkomendasikan adalah sebesar 3 klaster karena klaster ke 4 hanya berisi 1 anggota saja. Pada pengelompokkan 3 klaster, klaster ke-1 berisi 2833 anggota, klaster ke-2 berisi 145 anggota, dan klaster ke-3 berisi 21 anggota.

Downloads

Download data is not yet available.

Article Details

Issue
Vol 7 No 1 (2021): Edisi April
Section
Articles
Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Authors who publish with this journal agree to the following terms:

  • Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work’s authorship and initial publication in this journal.
  • Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
  • Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

References

[1] M. M. A. Amirah, A. W. Widodo, and C. Dewi, ‘Pengelompokan Lagu Berdasarkan Emosi Menggunakan Algoritma Fuzzy C-Means’, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, vol. 2548, p. 964X, 2017.
[2] K. C. Media, ‘Komentar Berita : Jumlah Pelanggan Spotify Tembus 130 Juta di Tengah Pandemi Covid-19’, KOMPAS.com. https://tekno.kompas.com/komentar/2020/05/02/14020097/jumlah-pelanggan-spotify-tembus-130-juta-di-tengah-pandemi-covid-19 (accessed Jan. 26, 2021).
[3] S. Y. M. Netti and I. Irwansyah, ‘Spotify: Aplikasi Music Streaming untuk Generasi Milenial’, Jurnal Komunikasi, vol. 10, no. 1, pp. 1–16, 2018.
[4] A. HUSNA, ‘SEGMENTASI PELANGGAN MENGGUNAKAN MODEL RFM DAN TEORI ROUGH SET UNTUK MEMAHAMI KARAKTERISTIK PELANGGAN (STUDI KASUS: PT. ABBOTT INDONESIA, Tbk CABANG MALANG)’, 2015.
[5] S. Sindi, W. R. O. Ningse, I. A. Sihombing, F. I. R. Zer, and D. Hartama, ‘Analisis algoritma k-medoids clustering dalam pengelompokan penyebaran covid-19 di indonesia’, JurTI (Jurnal Teknologi Informasi), vol. 4, no. 1, pp. 166–173, 2020.
[6] Z. Arifin, S. Santosa, and M. A. Soeleman, ‘Klasterisasi Genre Cerpen Kompas Menggunakan Agglomerative Hierarchical Clustering-Single Linkage’, Jurnal Cyberku, vol. 13, no. 2, pp. 2–2, 2017.
[7] W. M. P. Dhuhita, ‘Clustering Menggunakan Metode K-mean Untuk Menentukan Status Gizi Balita’, Jurnal Informatika Darmajaya, vol. 15, no. 2, pp. 160–174, 2015.












[8] G. Gustientiedina, M. H. Adiya, and Y. Desnelita, ‘Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan’, Jurnal Nasional Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 17–24, 2019.
[9] B. Wira, A. E. Budianto, and A. S. Wiguna, ‘Implementasi Metode K-Medoids Clustering Untuk Mengetahui Pola Pemilihan Program Studi Mahasiwa Baru Tahun 2018 Di Universitas Kanjuruhan Malang’, Rainstek: Jurnal Terapan Sains & Teknologi, vol. 1, no. 3, pp. 53–68, 2019.
[10] F. Hardiyanti, H. S. Tambunan, and I. S. Saragih, ‘PENERAPAN METODE K-MEDOIDS CLUSTERING PADA PENANGANAN KASUS DIARE DI INDONESIA’, KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), vol. 3, no. 1, 2019.
[11] A. T. R. Dani, S. Wahyuningsih, and N. A. Rizki, ‘Penerapan Hierarchical Clustering Metode Agglomerative pada Data Runtun Waktu’, Jambura Journal of Mathematics, vol. 1, no. 2, pp. 64–78, 2019.
[12] M. Reddy, V. Makara, and R. Satish, ‘Divisive Hierarchical Clustering with K-means and Agglomerative Hierarchical Clustering’, Int J of Comp Science Trands and Tech (IJCST), vol. 5, no. 5, pp. 5–11, 2017.
[13] I. Purnama, R. Saputra, and A. Wibowo, ‘Implementasi Data Mining Menggunakan Crisp-Dm Pada Sistem Informasi Eksekutif Dinas Kelautan Dan Perikanan Provinsi Jawa Tengah’, 2014.
[14] T. S. Madhulatha, ‘An overview on clustering methods’, arXiv preprint arXiv:1205.1117, 2012.