Model Rekomendasi Lagu Berbasis Genre Menggunakan Metode Random Forest Dan Decision Tree

Abstract

Abstrak— Penelitian ini mengembangkan model sistem rekomendasi lagu berbasis genre menggunakan algoritma Random Forest dan Decision Tree. Proses pemodelan dimulai dengan analisis feature importance untuk mengidentifikasi sepuluh fitur audio utama yang paling berpengaruh terhadap klasifikasi genre. Evaluasi performa dilakukan menggunakan teknik cross-validation guna memastikan hasil yang konsisten dan dapat digeneralisasi. Hasil pengujian menunjukkan bahwa algoritma Random Forest memberikan performa yang lebih unggul dibandingkan Decision Tree, ditunjukkan oleh nilai akurasi, presisi, recall, dan F1-score yang lebih tinggi. Secara kuantitatif, model Random Forest mencatat rata-rata akurasi sebesar 83%, sedangkan Decision Tree hanya mencapai 79%. Keunggulan ini menegaskan bahwa Random Forest merupakan metode yang lebih efektif dan andal untuk digunakan dalam membangun model rekomendasi lagu berdasarkan genre.

Kata Kunci— Sistem Rekomendasi, Genre Musik, Random Forest, Decision Tree, Feature Importance, Cross-Validation, Machine Learning.