Puteri, Chyntia Kumalasari (2019) Analisis Fitur Popularitas Lagu Pada Bisnis Layanan Streaming Musik Digital Untuk Peningkatan Kualitas Musik Menggunakan Algoritma Kohonen Self Organizing Maps (SOM). Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
09211750054007-Master_Thesis.pdf Download (2MB) | Preview |
Abstract
Konsumsi layanan musik digital sudah berkembang secara dramatis dalam beberapa tahun ini. Terjadi peningkatan konsumsi musik streaming dari 2015 hingga 2016 yaitu sebesar 76,4%. Salah satu layanan streaming musik paling populer, Spotify, telah mengalami peningkatan pelanggan dari tahun ke tahun. Adanya peningkatan ini memungkinkan pelaku bisnis / produser musik untuk meningkatkan keuntungan bisnisnya dengan menganalisis musik / lagu untuk mengetahui atribut audio yang membuat lagu tersebut dapat dinikmati oleh banyak orang. Terdapat 13 fitur audio dari setiap lagu yang telah disajikan oleh Spotify. Spotifycharts merupakan salah satu web resmi dari Spotify yang menyediakan urutan Top charts dari berbagai dunia. Charts Top 200 Global disini digunakan sebagai data yang digunakan dalam penelitian ini. Pengolahan dan analisa data dilakukan menggunakan metode Kohonen Self Organizing Maps (SOM). Metode ini berfungsi untuk mengelompokkan atribut lagu berdasarkan jumlah streaming. Pengelompokan (clustering) ini memungkinkan dapat mengetahui kelompok dari atribut audio dari musik yang paling disukai oleh pengguna Spotify. Musik yang baik adalah musik yang dapat digunakan sebagai sarana terapi. Hasil dari penelitian ini adalah dengan parameter LR = 0.9, PLR = 0.1, dan epoch = 70 hingga 500, jika dibagi menjadi 4 cluster, dapat disimpulkan bahwa cluster 2 adalah cluster yang memiliki jumlah streaming paling banyak dengan 27 lagu dimana nilai DBI terkecil diperoleh pada epoch = 200. Dengan analisis menggunakan regresi linier berganda, fitur audio yang paling berpengaruh di cluster 2 adalah fitur audio loudness dengan mode = 0 (Minor). Nilai akurasi dari penelitian ini sebesar 85%.
===================================================================================================================================
Consumption of digital music services has grown dramatically in recent years. There is an increase in music streaming consumption from 2015 to 2016, which is 76.4%. One of the most popular music streaming services, Spotify, has experienced an increase in customers from year to year. This increase enables businessmen / music producers to increase their business profits by analyzing music / songs to find out the audio attributes that make the song enjoyable for many people. There are 13 audio features of each song that Spotify has presented. Spotifycharts is one of the official webs from Spotify that provides top charts from various worlds. The Top 200 Global Charts here are used as the data in this study. Processing and analysis data are using Kohonen Self Organizing Maps (SOM) method. This method serves to group song attributes based on total streaming.The function of that method is for clustering that make it possible to find out which audio attribute groups are most liked by Spotify users. A good music is a music that can be used as a therapy. The result of this study is LR = 0.9, PLR = 0.1, and epoch = 70 to 500, if divided into 4 clusters, it can be concluded that cluster 2 is the cluster that has the most number of streams with 27 songs in which the smallest DBI value is obtained at epoch = 200. With analysis using multiple linear regression, the most influential audio feature in cluster 2 is the loudness audio feature with mode = 0 (Minor). The accuracy value of this study is 85%.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTMT 650 Put a-1 |
| Uncontrolled Keywords: | fitur audio spotify, pengelompokan, Kohonen Self Organizing Maps (SOM) |
| Subjects: | T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing |
| Divisions: | Faculty of Business and Management Technology > Management Technology > 61101-(S2) Master Thesis |
| Depositing User: | Chyntia Kumalasari Puteri |
| Date Deposited: | 26 Mar 2025 04:00 |
| Last Modified: | 26 Mar 2025 04:00 |
| URI: | http://repository.its.ac.id/id/eprint/66706 |
Actions (login required)
 |
View Item |