IMPLEMENTASI METODE CLUSTERING DENGAN ALGORITMA K-MEANS PADA SISTEM REKOMENDASI LAGU BERBASIS SIMILARITAS FITUR AUDIO

Sistem rekomendasi lagu berbasis Collaborative Filtering menghadapi
keterbatasan fundamental berupa cold-start problem ketika berhadapan dengan lagu
baru atau pengguna baru yang belum memiliki riwayat interaksi. Penelitian ini
mengimplementasikan pendekatan Content-Based Filtering (CBF) menggunakan
algoritma K-Means Clustering berbasis ekstraksi fitur audio untuk mengatasi
permasalahan tersebut. Dataset yang digunakan terdiri dari 3.200 file lagu dalam
format mp3, wav, aac, dan m4a yang dikumpulkan dari penyimpanan lokal. Fitur
audio diekstraksi menggunakan library Librosa, menghasilkan representasi
numerik berupa Mel-Frequency Cepstral Coefficients (MFCC), Spectral Centroid,
Zero Crossing Rate (ZCR), RMS Energy, Spectral Rolloff, Chroma STFT, Tempo,
dan Beat Count. Setelah normalisasi Z-Score untuk menyeragamkan skala fitur,
algoritma K-Means Clustering diterapkan dan dievaluasi menggunakan WithinCluster Sum of Squares (WCSS) dan Calinski-Harabasz (CH) Index, menggunakan
partisi optimal pada k=6 dalam dataset, dengan nilai WCSS 95.616,62 dan CH
Index 85,92. Sistem rekomendasi menghasilkan output Top-N menggunakan dua
metrik jarak yaitu Euclidean Distance dan Cosine Similarity, yang dievaluasi
menggunakan Overlap Coefficient, Jaccard Index, dan Intra-List Similarity (ILS).
Hasil evaluasi menunjukkan konvergensi mutlak antara kedua metode pada Top-3
dengan nilai Jaccard Index 1,0, sementara rata-rata skor ILS stabil di rentang 0,5
yang mengindikasikan keseimbangan optimal antara relevansi dan diversitas
rekomendasi. Sistem diimplementasikan dalam aplikasi web berbasis Flask dengan
visualisasi Diagram Venn dan Heatmap sebagai pendukung evaluasi interaktif.