%0 Thesis
%9 S1 - Sarjana
%A Supartini, Ni Made
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:32932
%I Universitas AMIKOM Yogyakarta
%K Random Forest, Klasifikasi, Fitur Audio, Spotify, Generasi Z, Classification, Audio Feature, Generation Z.
%T KLASIFIKASI PREFERENSI MUSIK GENERASI Z  BERDASARKAN FITUR AUDIO SPOTIFY  MENGGUNAKAN ALGORITMA  RANDOM FOREST
%U https://eprints.amikom.ac.id/id/eprint/32932/
%X Transformasi digital mengubah masyarakat dalam mengakses dan  menikmati musik melalui platform streaming seperti Spotify yang menyediakan  berbagai fitur audio sebagai representasi karakteristik lagu. Ketersediaan data  berbasis fitur audio seperti danceability, tempo, energy, dan speechiness  mendukung proses analisis musik dilakukan secara lebih sistematis dan objektif.  Pada Generasi Z, preferensi musik tidak hanya dipengaruhi oleh label genre, tetapi  juga oleh karakteristik audio suasana dan pola konsumsi musik yang dinamis.     Penelitian ini bertujuan untuk mengklasifikasi preferensi musik Generasi Z  berdasarkan fitur audio menggunakan algoritma Random Forest. Dataset yang  digunakan merupakan data lagu yang diperoleh dari Spotify Track Dataset dan  Spotify Web API dengan rentang tahun 2015 hingga 2025 dan difokuskan pada  empat genre utama, yaitu Pop, K-pop, Hip-hop dan R&B. Proses penelitian meliputi  tahapan penelitian pengumpulan data, Exploratory Data Analysis (EDA), prapemrosesan,    analisis data pembangunan model, serta evaluasi model. Algoritma  Random Forest  dipilih karena kemampuannya dalam mengolah data dengan  jumlah variabel yang cukup besar serta menghasilkan model klasifikasi yang stabil.   Hasil penelitian ini menunjukkan bahwa model Random Forest memiliki  performa yang sangat baik dalam mengklasifikasi preferensi musik Generasi Z.  Model baseline memperoleh akurasi sebesar 94% dan meningkatkan menjadi 95%  setelah dilakukan proses hyperparameter tuning. Nilai precision, recall, dan F1score    yang tinggi menunjukkan bahwa model memiliki kemampuan klasifikasi  dengan tingkat kekeliruan antar kelas rendah. Dengan demikian, model yang  dihasilkan dapat digunakan secara efektif dalam mengklasifikasi preferensi musik  berbasis fitur audio.