Analisis Prediksi Mood Genre Musik Pop Menggunakan Algoritma K-Means dan C4.5

(1)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4597

Hal 1006−1013 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Analisis Prediksi Mood Genre Musik Pop Menggunakan Algoritma K-Means dan C4.5

Lia Nurhalimah^*, Teguh Iman Hermanto, Ismi Kaniawulan Teknik Informatika, Sekolah Tinggi Teknologi Wastukancana, Purwakarta, Indonesia

Email: ^1,*[email protected], ²[email protected], ³[email protected] Email Penulis Korespondensi: [email protected]

Submitted 31-07-2022; Accepted 16-08-2022; Published 30-08-2022 Abstrak

Spotify merupakan platform streaming musik yang memiliki berbagai fitur yang beragam dan selalu terupdate dalam hal musik terkini.

Fitur dalam spotify memiliki suatu hal yang menarik untuk para pengguna dalam menikmati musik dengan lebih maksimal baik dalam mendengarkan lagu berdasarkan lagu, artis terpopuler dan genre. Penelitian tentang penggolongan lagu berdasarkan suasana hati dengan menggunakan energi dan valensi pada suatu lagu sering dilakukan, terutama pada lagu-lagu pop barat. Pada setiap musik yang dipikirkan memiliki energi emosional yang terpancar dan kuat berhubungan dengan psikologi manusia. Permasalahan spotify belum adanya fitur untuk mendengarkan lagu berdasarkan suasana hati. Jika lagu pop dikategorikan berdasarkan suasana hati, akan lebih mudah bagi orang untuk mendengarkan lagu pop dan memilih yang sesuai berdasarkan suasana hati. Dalam penelitian ini akan mengelompokkan data musik pop berdasarkan 4 kategori suasana hati model Thayer’s dengan menggunakan algoritma k-means dan c4.5. Tujuan penelitian ini melakukan analisis prediksi mood genre musik pop menggunakan algoritma k-means dan c4.5. Metodologi penelitian yang digunakan yaitu SEMMA, tahapan pada semma yaitu sample, explore, modify, model dan assess. Atribut yang digunakan yaitu danceability, energy, tempo dan valence. Dari atribut tersebut dibuat pengklusteran data menggunakan algoritma k- means menggunakan RapidMiner. Kemudian divisualisasikan menggunakan Power BI. Hasil penelitian dari klsuter data dikelompokkan menjadi suasana hati yang terdiri dari angry, sad, cheerful dan happy. Suasana hati yang paling banyak terdapat pada suasana hati cheerful. Kemudian dilakukan evaluasi assess menggunakan perhitungan confusion matrix yang menghasilkan tingkat akurasi sebesar 91,9%.

Kata Kunci: Spotify; Genre; Pop; Mood; SEMMA; K-Means Clustering; C4.5; Rapidminer; Power BI; Confusion Matrix;

Abstract

Spotify is a music streaming platform that has a variety of diverse features and is always updated in terms of the latest mus ic. The features in spotify have an interesting thing for users to enjoy music more optimally both in listening to songs based on songs, most popular artists and genres. Research on classifying songs based on mood by using energy and valence in a song is often done, especially in western pop songs. In every thought music has emotional energy that radiates and is strongly related to human psychology. The problem with spotify is that there is no feature to listen to songs based on mood. If pop songs are categorized by mood, it will be easier for people to listen to pop songs and choose the appropriate one based on mood. In this study, pop music data will be grouped based on 4 categories of Thayer's mood models using the k-means and c4.5 algorithms. The purpose of this study is to analyze the mood prediction of the pop music genre using the k-means and c4.5 algorithms. The research methodology used is SEMMA, the stages in Semma are sample, explore, modify, model and assess. The attributes used are danceability, energy, tempo and valence. From these attributes, data clustering is made using the k-means algorithm using RapidMiner. Then visualized using Power BI. The results of the research from cluster data are grouped into moods consisting of angry, sad, cheerful and happy. The most abundant mood is in the cheerful mood. Then evaluate the assess using the calculation of the confusion matrix which produces an accuracy rate of 91.9%.

Keywords: Spotify; Genre; Pop; Mood; SEMMA; K-Means Clustering; C4.5; Rapidminer; Power BI; Confusion Matrix

1. PENDAHULUAN

Perkembangan teknologi semakin hari semakin berkembang pesat. Hal tersebut banyak dimanfaatkan sebagai peluang bisnis atau industri salah satunya industri musik. Masyarakat saat ini sudah banyak yang meninggalkan penggunaan radio, televisi, CD, DVD maupun MP3 [1]. Sehingga beralih pada layanan streaming yang memudahkan pengguna dalam mengakses informasi kapan dan dimana saja. Streaming musik merupakan salah satu layanan streaming yang digunakan oleh para pendengar musik [2].

Spotify adalah penyedia layanan streaming musik nomor satu di dunia [3]. Layanan streaming musik terpopuler yang paling banyak digunakan saat ini oleh para pendengar musik [4]. Spotify menyediakan beberapa fitur lagu berdasarkan kategori seperti lagu, nama penyanyi, album dan genre [5]. Pada spotify terdapat berbagai macam jenis genre musik. Salah satunya genre Pop. Genre Pop merupakan salah satu genre musik terpopuler [6]. Genre pop disebut populer karena memiliki daya tarik massa yang lebih dibandingkan dengan genre musik lainnya [7]. Jika lagu pop diklasifikasikan berdasarkan suasana hati (mood), maka dengan hal ini akan memudahkan orang jika ingin mendengarkan lagu pop dan memilih yang sesuai dengan suasana hati (mood) mereka. Namun pada umumnya penelitian klasifikasi mood hanya dilakukan pada lagu pop barat [8]. Menurut Thayer, suasana hati (mood) adalah perasaan-perasaan yang cenderung kurang intens dan yang terjadi karena situasi dan kondisi yang sedang dialami [9]. Oleh karena itu perlu diterapkan data mining pada analisis prediksi mood genre pop menggunakan algoritma k-means dan c4.5 untuk mengetahui mood yang paling banyak dirasakan orang dalam mendengarkan musik pop.

Data mining merupakan kumpulan data besar dengan konsep menemukan pengetahuan baru dari proses penggalian informasi dengan menggunakan teknik tertentu [10]. Teknik pada data mining ialah clustering dan klasifikasi. Algoritma K-Means dan C4.5 saat ini banyak digunakan pada algoritma clustering dan klasifikasi. Algoritma K-Means Clustering

(2)

Hal 1006−1013 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom termasuk metode data mining yang prosesnya dilakukan tanpa pengawasan (unsupervised) dan menjadi sebuah metode pengelompokkan yang melakukan sistem partisi pada datanya [11]. Sedangkan algoritma C4.5 merupakan metode data mining yang digunakan dalam membuat sebuah pohon keputusan (decision tree) dari data yang memiliki karakteristik objek saling berhubungan [12].

Salah satu penelitian yang dilakukan oleh I Gede Harsemadi¹, I Made Sudarma² dengan judul penelitian

“Penggolongan Musik Terhadap Suasana Hati Menggunakan Metode K-Means”. Berdasarkan hasil penelitiannya didapati hasil berupa penggolongan 4 jenis suasana hati model Thayer (contenment/kepuasan; bahagia, exuberance/bersemangat; gembira, depression/depresi; sedih, dan anxious/cemas; gelisah). Hasil clustering dengan nilai rata-rata silhoutte coefficient dari 40-400 data uji menunjukkan nilai 0,6268807 yang tergolong dalam medium structure atau tingkat kekompakkan data pada suatu cluster yang tergolong baik [13].

Tinjauan penelitian selanjutnya dilakukan oleh I Putu Bayu Wira Brata¹, I Dewa Made Bayu Atmaja Darmawan² dengan judul penelitian “Mood Classification of Balinese Songs with the K-Means Clustering Method Based on the Audio-Content feature”. Berdasarkan hasil yang didapatkan adalah klasifikasi mood lagu berdasarkan fitur audio yaitu energy, dan valence yang diperoleh dari dataset Spotify API. Data yang diambil yaitu 4 mood class pada setiap lagu.

Sehingga tidak ada satupun dari 50 lagu masuk kedalam kelas mood marah. Klasifikasi menggunakan 3 cluster menghasilkan akurasi sebesar 40% sedangkan menggunakan 4 cluster menghasilkan akurasi 32%. Hal ini dikarenakan data diketahui senang, santai, dan sedih [14].

Penelitian selanjutnya dilakukan oleh Sandag¹, Green Arter², Adinda Marcellina Manueke³ dengan judul penelitian

“Predictive Models for Popularity of Solo and Group Singers in Spotify Using Decision Tree”. Berdasarkan hasil yang didapatkan algoritma terbaik ada pada algortima Decision Tree. Memiliki nilai accuracy, recall, precision dan RMSE terbaik dibanding dengan algoritma lainnya. Terdapat juga hasil dari fitur penting yaitu energy, duration, dan loudness, dan bobot terendah masuk kedalam instrumentals. Sehingga sebagian besar lagu populer mempunyai audio yang energik, spesifik dan keras. Sedangkan lagu instrumental kurang atraktif [15].

Hasil dari penelitian ini dapat digunakan sebagai bahan pertimbangan bagi pengguna spotify dalam memilih lagu berdasarkan suasana hati yang dirasakan. Hasil penelitian ini berkaitan dalam bidang operasional riset khususnya masalah prediksi mood. Selain itu dapat juga dijadikan referensi pengambilan keputusan dan penentuan kebijakan perusahaan dimasa yang akan datang khususnya dalam prediksi mood yang sesuai.

2. METODOLOGI PENELITIAN

Penelitian ini menggunakan metode SEMMA dalam melakukan pengolahan data yang terdiri dari sample (tahap pengumpulan data), explore (tahap deskripsi data), modify (tahap transformasi data), model (tahap pemodelan data) dan assess (tahap evaluasi data). Penelitian ini dilakukan dalam beberapa tahapan, seperti pada gambar berikut :

Gambar 1. Tahapan pada SEMMA 2.1 Sample

Pada tahap pengumpulan data (sample) ini, dilakukan pengumpulan data terkait lagu genre “pop” pada website spotify memanfaatkan API Spotify dengan menggunakan tools R Studio. Data yang dikumpulkan disimpan dalam format XLSX pada sebuah file. Selanjutnya data tersebut dibaca dan dilakukan proses persiapan data.

(3)

Hal 1006−1013 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom 2.2 Explore

Pada tahap ini dilakukan explorasi terhadap dataset yang sudah didapatkan dengan menjelaskan deskripsi data dan visualisasi data. Deskripsi data menjelaskan mengenai gambaran besar dari informasi yang digunakan. Visualisasi data memperlihatkan informasi secara visual dari data.

2.3 Modify

Pada tahap ini melalukan modifikasi data dengan menciptakan, memilih dan mengubah variable untuk fokus pada proses pemilihan model menjadi data akhir agar mudah diproses. Tahap ini pula dilakukan proses pengurangan data yang sudah dipertimbangkan pada tahap sebelumnya.

2.4 Model

Pada tahap ini dilakukan pemodelan data menggunakan tools RapidMiner untuk mencari kombinasi data yang dapat memprediksi hasil analisis data yang diinginkan.Dalam hal ini peneliti menggunakan pemodelan K-Means dan C4.5.

2.5 Assess

Pada tahap ini terdiri dari penilaian data dengan mengevaluasi kegunaan dan keandalan model dari proses data mining.

Untuk evaluasi yang digunakan yaitu menggunakan confusion matrix terdiri dari accuracy, precision dan recall.

3. HASIL DAN PEMBAHASAN

Hasil dari penelitian bertujuan menentukan mood genre pop di spotify yang dilakukan dengan analisis prediksi mood genre pop menggunakan algoritma K-Means dan C4.5 sehingga dapat diketahui mood yang paling banyak dirasakan oleh para pendengar lagu di spotify.

3.1 Sample

Proses pengumpulan data (sample) dilakukan dengan menggunakan API Spotify. Data yang diambil bersifat mentah dan berisikan keseluruhan atribut yang ada pada lagu di spotify seperti artist_name, artis_id, energy, track_name hingga key_mode. Lagu yang diambil berdasarkan kata kunci genre “pop” yang menghasilkan data sebanyak 3.962 data dan 39 atribut. Berikut hasil pengumpulan data musik genre pop dapat dilihat pada gambar 2.

Gambar 2. Data Musik Genre Pop di Spotify 3.2 Explore

Setelah melakukan pengumpulan data maka selanjutnya melakukan eksplorasi struktur dataset. Seperti yang dijelaskan pada bab sebelumnya, dataset yang diperoleh sebanyak 39 atribut.

Tabel 1. Atribut Pada Lagu

No Nama Atribut Keterangan

1 Artist_Name Nama artis

2 Artist_Id Id Artis

3 Album_Id Id Album

4 Album_Type Tipe Album

5 Album_Images Gambar Album

6 Album_Release_Date Tanggal Rilis Album 7 Album_Release_Year Tahun Rilis Album

8 Album_Release_Date_Precision Presisi Tanggal Rilis Album

(4)

Hal 1006−1013 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom 9 Danceability Elemen musik yang termasuk tempo, stabilitas ritme, kekuatan beat dan

keteraturan keseluruhan.

10 Energy Trek yang energik terasa cepat, keras dan berisik.

11 Key Kunci dari trek

12 Loudness Keseluruhan kenyaringan trek dalam desibel (dB).

13 Mode Modalitas (besar atau kecil) dari suatu trek, jenis skala dari mana konten melodinya diturunkan.

14 Speechiness Trek yang mendeteksi keberadaan kata-kata yang diucapkan di trek.

15 Acousticness Ukuran kepercayaan dari 0,0 hingga 1,0 dari apakah trek akustik. 1.0 mewakili kepercayaan tinggi trek adalah akustik.

16 Instrumentalness Penilaian musik berdasarkan ragam instrumen yang digunakan dalam satu lagu

17 Liveness Mendeteksi keberadaan audiens dalam rekaman.

18 Valence Kepositifan musik yang disampaikan oleh sebuah trek.

19 Tempo Kecepatan dari bagian yang diberikan dan diturunkan langsung dari durasi beat rata-rata.

20 Track_Id Trek Id

21 Analysis_Url -

22 Time_Signature Simbol yang melambangkan satuan satuan waktu di musik

23 Artist Artis

24 Available_Markets Jumlah orang yang bersedia atau mampu membeli layanan tertentu

25 Disc_Number -

26 Duration_Ms Durasi lagu dalam satuan ms

27 Explicit Pada sebuah lagu menunjukkan liriknya mengandung kata-kata tidak senonoh atau umpatan

28 Track_Href -

29 Is_Local -

30 Track_Name Nama Trek

31 Track_Priview_Url Url Tampilan Trek

32 Track_Number Nomer Trek

33 Type Tipe

34 Track_Url Alamat Url Trek

35 External_Urls.Spotify Alamat Luar Spotify

36 Album_Name Nama Album

37 Key_Name Nama Kunci Lagu

38 Mode_Name Nama Mode

39 Key_Mode Mode Kunci lagu

3.3 Modify

Tahap ini melakukan modifikasi data dengan menciptakan, memilih dan mengubah variable untuk fokus pada proses pemilihan model menjadi data akhir. Pada tahap ini atribut yang awalnya 39 menjadi 4 atribut dengan tujuan untuk memudahkan dalam pemilihan model menjadi data akhir. Untuk hasil akhir atribut yang akan digunakan yaitu dancebility, energy, tempo dan valence. Dari keempat atribut tersebut yang akan digunakan dalam tahap pengkategorian adalah valance dengan menjadikan label mood. Pada tahap pengkategorian atribut valence yang awalnya numeric dikategorikan menjadi nilai kategori dari hasil pengklusteran menggunakan algoritma K-Means. Nilai valance di kategorikan berdasarkan data dari jurnal (Brata, Darmawan, 2021) yang menyebutkan bahwa “Ukuran dari 0.0 hingga 1.0 yang mendeskripsikan musik positif yang disampaikan oleh sebuh trek. Trek dengan valance tinggi terdengar lebih positif (Misal, Bahagia, ceria, gembira), sedangkan trek dengan valance rendah terdengar negatif (Misal, Sedih, tertekan, marah)”.Keseluruhan dari atribut valence diberikan nilai kategori seperti pada tabel 2.

Tabel 2. Mood No Keterangan Nilai

1 Angry C1

2 Sad C2

3 Cheerful C3

4 Happy C4

Data hasil transformasi ini mengacu pada penelitian sebelumnya yang berjudul ‘Mood Classification of Balinese Songs with the K-Means Clustering Method Based on the Audio-Content Feature oleh (Brata dan Darmawan,2021)” yang akan digunakan dalam proses perhitungan data mining menggunakan algoritma C4.5. Pada tahap ini terdapat batasan nilai untuk pembagian cluster, diantaranya:

a. C1 (Angry) = 0.2-0.4 b. C2 (Sad) = 0.4-0.6

(5)

Hal 1006−1013 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom c. C3 (Cheerful) = 0.6-0.8

b. C4 (Happy) = 0.8-1.0 3.4 Model

Tahap ini melakukan pemodelan dengan menggunakan tools RapidMiner. Data hasil preprocessing dan transfromasi data kemudian disimpan dengan format Microsoft Excel (xlxs.). Data yang diambil adalah 3.962 data dan 4 atribut data yang sudah melewati proses Pre-Processing meliputi data dancebility, energy, tempo dan valence. Setelah dilakukan analisis data yang sesuai dengan kebutuhan sistem, yaitu melakukan klastering dengan algoritma K-Means dan klasifikasi dengan algoritma C4.5. Gabungan algoritma clustering dan klasifikasi memiliki peran masing-masing. Algoritma clustering yaitu K-Means berperan melakukan pemetaan berupa klaster dan hasilnya kemudian diproses menggunakan algoritma klasifikasi yaitu C4.5 untuk melihat nilai aturan berupa pohon keputusan.

Model algoritma clustering dengan menggunakan tools RapidMiner Studio 9.10 ditampilkan pada gambar 3.

Gambar 3. View Process K-Means pada RapidMiner Studio

Pada gambar 3 ditampilkan beberapa parameter digunakan untuk menghasilkan output yang sesuai dengan tujuan, diantaranya: retrieve, clustering (k-means) dan perfomance. Setiap parameter memiliki tugasnya masing-masing.

Retrieve (Raw) yang digunakan untuk input data (gambar 2) diproses menuju clustering (k-means) dan terakhir akan diukur perfomance dari hasil yang diperoleh. Gambar 4 merupakan tampilan pengaturan parameter pada algoritma k- means.

Gambar 4. Pengaturan parameter pada metode K-Means

Hasil pemetaan berupa klaster pada sebaran genre musik pop di Spotify akan ditampilkan seperti pada gambar 5.

Gambar 5. Hasil pemetaan klaster

(6)

Hal 1006−1013 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Pada gambar 5 ditampilkan hasil dari pemetaan atau pengelompokkan, terdapat 4 klaster yaitu cluster 0 terdapat 1.505 data, cluster 1 terdapat 1.012 data, cluster 2 terdapat 374 data dan cluster 3 terdapat 1.070 data. Hasil pemetaan klaster yang dikonversi ke format xlxs akan ditampilkan seperti pada gambar 6.

Gambar 6. Hasil Data Export Pemetaan Klaster

Selanjutnya hasil pemetaan tersebut diproses menggunakan algoritma C4.5 (decision tree) untuk melihat informasi berupa pohon keputusan. Berikut hasil dari pohon keputusan atau decision tree yang dengan menggunakan software RapidMiner Studio 9.10 seperti yang terlihat pada gambar 7.

Gambar 7. Hasil pohon keputusan secara keseluruhan

Dari pohon keputusan dapat diambil suatu informasi berdasarkan atribut bahwa label valance ditetapkan hanya 1 mood yaitu Angry. Untuk label valance jika mood Sad berada diantara nilai 0.601. Untuk label valance jika mood Happy berada diantara nilai kurang dari 0.800 . Untuk label valance jika mood Cheerful berada diantara nilai lebih dari 0.800.

Hasil dari pemetaan mood dapat divisualisasikan dengan menggunakan software Power BI seperti yang terlihat pada gambar 8.

(7)

Hal 1006−1013 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Gambar 8. Hasil keseluruhan mood 3.5 Assess

Setelah melakukan pemodelan, pada tahapan assess akan dilakukan proses evaluasi terhadap model yang sudah dibuat menggunakan Confusion Matrix. Berikut hasil dari confusion matrix pada gambar 9.

Gambar 9. Hasil Evaluasi Confusion Matrix

Berdasarkan hasil pengujian dengan Confusion Matrix maka didapatkan hasil dengan mood paling baik adalah cheerful dan nilai akurasi sebesar 91,9% class precision Angry 100%, class precision Sad 90.83%, class precision Happy 82.63%

dan class precision Cheerfull 92.97%. Serta class recall Angry 91.06%, class recall Sad 92.04%, class recall Happy 100% dan class recall Cheerful 87.82%.

4. KESIMPULAN

Pada penelitian ini didapatkan pengelompokkan musik terhadap suasana hati (mood) dengan menerapkan metode data mining menggunakan algoritma K-means dan C4.5, dimana pada cluster yang ditentukan yaitu 4 cluster berdasarkan penggolongan 4 jenis suasana hati (mood) model Thayer’s yaitu angry, sad, happy dan cheerful. Hasilnya adalah mampu mencapai akurasi sebesar 91,9% class precision Angry 100%, class precision Sad 90.83%, class precision Happy 82.63%

dan class precision Cheerfull 92.97%. Serta class recall Angry 91.06%, class recall Sad 92.04%, class recall Happy 100% dan class recall Cheerful 87.82% dari hasil penelitian dapat terlihat kecenderungan lagu dengan mood cheerful

(8)

Hal 1006−1013 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom yang paling banyak diakses. Sebagai saran untuk penelitian selanjutnya, gunakan fitur Spotify API selain fitur danceability, energy, tempo dan valence seperti loudness, liveness, speechniness karena Spotify API menyediakan berbagai fitur dataset.

REFERENCES

[1] R. Kusumah, M. Ariyanti, and D. Sumrahadi, “Analis Perbandingan Positioning Aplikasi Musik Digital Berdasarkan Pendekatan Pengalaman Pengguna ( Studi Pengguna I-Tunes , Joox , Melon Dan Spotify ) Comperative Analysis of Positioning Application Digital Music Based User Exoerience Approach ( Studi O,” vol. 4, no. 3, pp. 2511–2518, 2017.

[2] Z. R. Karyono, Y. T. Mursityo, and H. Muslimah Az-Zahra, “Analisis Perbandingan Pengalaman Pengguna Pada Aplikasi Music Streaming Menggunakan Metode UX Curve (Studi Pada Spotify dan JOOX),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol.

3, no. 7, pp. 6422–6429, 2019, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/5721

[3] N. A. Saputri, “Ekonomi Politik Media Dalam Industri Musik Digital Spotify,” Komunika, pp. 6–11, 2021, [Online]. Available:

http://www.ejournal.radenintan.ac.id/index.php/komunika/article/view/9406%0Ahttp://www.ejournal.radenintan.ac.id/index.ph p/komunika/article/download/9406/4935

[4] A. Rohmah Zaidah, C. Indira Septiarani, M. Sholikhatun Nisa, A. Yusuf, and N. Wahyudi, “Komparasi Algoritma K-Means, K- Medoid, Agglomeartive Clustering Terhadap Genre Spotify,” J. Ilm. Ilmu Komput., vol. 7, no. 1, pp. 49–54, 2021, doi:

10.35329/jiik.v7i1.186.

[5] R. F. Rachmandany, A. P. Kharisma, and I. Arwani, “Pengembangan Aplikasi Autoplay dengan Konsep Context-Aware menggunakan Spotify API berbasis Android,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, pp. 6616–6623, 2019.

[6] Amrizal, “Peranan Musik Klasik Dan Musik Pop Dalam Pembelajaran,” J. Pengabdi. Kpd. Masy., vol. 20, no. 76, pp. 1–5, 2014.

[7] S. R. Situmorang, “Strategi Pemasaran Wayang Kampung Sebelah,” J. Tata Kelola Seni, vol. 1, no. 2, pp. 82–100, 2017, doi:

10.24821/jtks.v1i2.1643.

[8] I. N. Mardika and I. D. P. Sumantra, “Lagu Pop Bali Dalam Pelestarian Budaya Bali,” Kulturist. J. Bhs. dan Budaya, vol. 4, no.

1, p. 74, 2020, doi: 10.22225/kulturistik.4.1.1595.

[9] M. A. Rahman, “Pengaruh Suasana Hati dan Kompetensi terhadap Kinerja Usaha melalui Kewirausahaan terhadap UMKM di Desa Tanjung Bumi Kab. Bangkalan,” Iqtishodiyah J. Ekon. dan Bisnis Islam, vol. 7, no. 1, pp. 74–90, 2021.

[10] T. D. Astuti, T. I. Hermanto, and I. Kaniawulan, “Analisa data mining menggunakan algoritma apriori untuk meningkatkan cross selling dan up selling (Studi kasus Rumah Makan Mas Nur Purwakarta),” J. Teknol. dan Inf., vol. 6, no. 2, pp. 69–77, 2016.

[11] D. I. Ramadhani, O. Damayanti, O. Thaushiyah, and A. R. Kadafi, “Penerapan Metode K-Means Untuk Clustering Desa Rawan Bencana Berdasarkan Data Kejadian Terjadinya Bencana Alam,” vol. 9, no. 3, pp. 749–753, 2022, doi:

10.30865/jurikom.v9i3.4326.

[12] Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” Edik Inform., vol. 2, no. 2, pp. 213–219, 2017, doi:

10.22202/ei.2016.v2i2.1465.

[13] I. G. Harsemadi and I. M. Sudarma, “Penggolongan Musik Terhadap Suasana Hati Menggunakan Metode K-Means,” Konf. Nas.

Sist. Inform. 2017, pp. 49–54, 2017.

[14] I. P. B. W. Brata and I. D. M. B. A. Darmawan, “Mood Classification of Balinese Songs with the K-Means Clustering Method Based on the Audio-Content Feature,” JELIKU (Jurnal Elektron. Ilmu Komput. Udayana), vol. 9, no. 3, p. 331, 2021, doi:

10.24843/jlk.2021.v09.i03.p03.

[15] G. A. Sandag and A. M. Manueke, “Predictive Models for Popularity of Solo and Group Singers in Spotify Using Decision Tree,”

2020 2nd Int. Conf. Cybern. Intell. Syst. ICORIS 2020, 2020, doi: 10.1109/ICORIS50180.2020.9320838.