Klasifikasi Genre Musik Pada Spotify Dengan Menggunakan XGBoost

Abstract

Genre musik merupakan salah satu elemen penting dalam mengkategorikan dan merekomendasikan lagu pada platform streaming seperti Spotify. Penelitian ini bertujuan untuk membangun model klasifikasi genre musik menggunakan algoritma XGBoost berdasarkan fitur-fitur numerik dari lagu yang tersedia pada dataset Spotify. Data yang digunakan bersumber dari situs Kaggle, kemudian dipangkas dan difokuskan hanya pada tiga genre utama, yaitu Pop, Rock, dan Jazz. Proses penelitian diawali dengan tahapan praproses data, normalisasi menggunakan Min-Max Scaling, dan eksplorasi data melalui statistik deskriptif, histogram, serta analisis korelasi. Model XGBoost diterapkan dengan pengujian parameter learning rate (ETA) pada rentang 0,01 hingga 0,1. Hasil terbaik diperoleh pada nilai ETA sebesar 0,05 dengan akurasi mencapai 96%, serta nilai precision, recall, dan f1- score yang tinggi dan seimbang di setiap kelas. Selanjutnya, dilakukan benchmarking terhadap algoritma pembanding yaitu K-Nearest Neighbors, Naive Bayes, dan Decision Tree. Hasil evaluasi menunjukkan bahwa XGBoost memberikan performa paling unggul dalam seluruh metrik evaluasi. Penelitian ini membuktikan bahwa XGBoost merupakan algoritma yang efektif dan akurat dalam mengklasifikasikan genre musik berdasarkan fitur numerik, serta unggul dibandingkan algoritma klasik lainnya. Temuan ini dapat menjadi dasar dalam pengembangan sistem rekomendasi musik yang lebih cerdas dan personal. Music genre is a crucial element in categorizing and recommending songs on streaming platforms like Spotify. This study aims to build a music genre classification model using the XGBoost algorithm based on the numerical features of songs available in the Spotify dataset. The data used was sourced from the Kaggle website and then trimmed and focused on only three main genres: Pop, Rock, and Jazz. The research process began with data preprocessing, normalization using Min-Max Scaling, and data exploration through descriptive statistics, histograms, and correlation analysis. The XGBoost model was implemented by testing the learning rate (ETA) parameter in the range of 0.01 to 0.1. The best results were obtained at an ETA of 0.05, achieving 96% accuracy, as well as high and balanced precision, recall, and f1-score values across each class. Next, benchmarking was conducted against comparison algorithms including KNearest Neighbors, Naive Bayes, and Decision Tree. The evaluation results showed that XGBoost provided superior performance across all evaluation metrics. This research demonstrates that XGBoost is an effective and accurate algorithm for classifying music genres based on numerical features, outperforming other classical algorithms. These findings can form the basis for developing smarter and more personalized music recommendation systems.