Analisis Klasifikasi Genre Musik Pop Menggunakan Regresi Logistik Dan Knearest Neighbors Pada Spotify

Kemajuan teknologi yang terus berkembang membawa banyak perubahan bagi kehidupan manusia termasuk akses terhadap hiburan seperti musik. Musik digital dapat diakses secara online melalui platform streaming musik, salah satunya adalah
Spotify. Platform yang memiliki jutaan pengguna ini unggul karena dapat mengkategorisasikan musik ke cakupan genre yang sangat luas. Penggunaan klasifikasi menjadi salah satu hal yang penting dalam memetakan setiap lagu ke genrenya masing-masing. Penelitian ini akan mengimplementasikan metode regresi
logistik dan K-Nearest Neighbors (KNN) untuk mengklasifikasikan apakah sebuah lagu bergenre pop atau non-pop. Fitur-fitur lagu yang digunakan sebagai variabel independen adalah acousticness, danceability, duration, energy, instrumentalness,
key, liveness, loudness, mode, speechiness, tempo, dan valence. Model regresi logistik mampu menghasilkan nilai F1-Score sebesar 81.1% dengan semua variabel dan 78.5% dengan variabel bebas multikolinearitas, sedangkan model KNN hanya
menghasilkan nilai F1-Score sebesar 76% dengan semua variabel dan 76.2% dengan variabel bebas multikolinearitas. Model terbaik yang ditemukan berdasarkan asumsi yang terpenuhi dan metrik yang dihasilkan adalah model regresi logistik dengan variabel bebas multikolinearitas yang mampu mencapai F1-Score sebesar 78.5%. Hasil menunjukkan bahwa regresi logistik lebih unggul
dibandingkan dengan KNN dalam mengklasifikasikan genre musik pop.