Analisis Tren Popularitas Musik Spotify Menggunakan Chi-Square, Regresi Linear & Anova

Quinn Abrar Athallah Sentanu, Muhammad Arkan Alamsyah, Muhammad Rivaldi, Sumanto Sumanto, Ghofar Taufiq

Abstract


Musik adalah fenomena budaya yang dinamis, dengan platform streaming seperti Spotify merevolusi konsumsi. Penelitian ini bertujuan menganalisis tren karakteristik akustik dan popularitas musik menggunakan Dataset Spotify dari tahun 2018 hingga 2022, periode krusial dominasi digital. Pentingnya topik ini terletak pada identifikasi pergeseran selera digital dan faktor-faktor yang mendorong keberhasilan musikal kontemporer. Penelitian ini menggunakan metode analisis statistik deskriptif dan pemodelan deret waktu pada metrik popularitas serta karakteristik akustik seperti danceability, energy, dan valence.Genre R&B dan Indie mencatat pertumbuhan popularitas yang paling signifikan. Disimpulkan bahwa dalam era streaming, danceability telah menjadi prediktor kuat popularitas, menandakan preferensi pendengar terhadap musik yang lebih berirama, sebuah temuan penting bagi produser musik dan pemasar



Keywords


Tren, Musik, Spotify

References


Baracskay, I., et al. (2022). The diversity of music recommender systems. Proceedings of the ACM Conference on Recommender Systems. https://doi.org/10.1145/3523227.3548488

Bevec, M., Tkalčič, M., & Pesek, M. (2024). Hybrid music recommendation with graph neural networks. User Modeling and User-Adapted Interaction, 34, 1891–1928. https://doi.org/10.1007/s11257-024-09410-4

Bevec, M., et al. (2024). Graph-based hybrid music recommendation evaluation using Spotify data. Journal of Intelligent Information Systems. https://doi.org/10.1007/s10844-024-00752-3

Cui, X., et al. (2022). Music emotion recognition and analysis: A review. Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2022.813456

Deldjoo, Y., Schedl, M., & Knees, P. (2024). Content-driven music recommendation: Evolution, state of the art and challenges. Computer Science Review, 51. https://doi.org/10.1016/j.cosrev.2023.100618

Dinnissen, K., & Bauer, C. (2022). Fairness in music recommender systems: A stakeholder mini-review. Frontiers in Big Data. https://doi.org/10.3389/fdata.2022.913608

Han, X., et al. (2023). Music emotion recognition based on neural network: A review. Electronics, 12(3). https://doi.org/10.3390/electronics12031234

Jannach, D., et al. (2023). A survey on multi-objective recommender systems. ACM Computing Surveys. https://doi.org/10.1145/3590025

Klimashevskaia, A., et al. (2024). A survey on popularity bias in recommender systems. User Modeling and User-Adapted Interaction. https://doi.org/10.1007/s11257-024-09415-z

Kostrzewa, D., et al. (2024). Attributes relevance in content-based music recommendation system. Applied Sciences, 14(2). https://doi.org/10.3390/app14020855

Marlia, S., Setiawan, K., & Juliane, C. (2024). Analisis fitur musik dan tren popularitas lagu di Spotify menggunakan K-Means dan CRISP-DM (Analysis of Music Features and Song Popularity Trends on Spotify Using K-Means and CRISP-DM). Sistemasi: Jurnal Sistem Informasi, 13(2), 595–607. https://doi.org/10.32520/stmsi.v13i2.3757

Maydianto, & Ridho, M. R. (2021). Rancang bangun sistem informasi point of sale dengan framework CodeIgniter pada CV Powershop. Jurnal Comasie, 2, 50–59.

Prehanto, D. R. (2020). Konsep sistem informasi. Scopindo Media Pustaka.

Tahiyat, A. N., Maulana, B., Saputra, A. E., Efrizoni, L., & Rahmaddeni, R. (2025). Klasterisasi lagu populer dan eksplorasi subgenre Spotify 2024 dengan K-Medoids. Jurnal Informatika dan Teknologi Komputer (JITEK, 5(1), 34–48 https://doi.org/10.55606/jitek.v5i1.5699




DOI: https://doi.org/10.30998/semnasristek.v10i1.8897

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: