Komparasi linear regression, random forest regression, dan multilayer perceptron regression untuk prediksi tren musik TikTok

Abstract

Prediksi korelasi feature audio terhadap lagu yang populer di TikTok merupakan hal penting dalam industri musik. Dengan bekal data yang memiliki beberapa feature audio maka dilakukan penelitian menggunakan metode Linear Regression (LR), Random Forest Regression (RFR), dan Multilayer Perceptron Regression (MLP Regression) untuk membandingkan model yang dapat memprediksi popularitas secara efektif dan feature yang mempengaruhi popularitas lagu di TikTok. Selain itu dilakukan juga Exploratory Data Analysis (EDA) untuk mendapatkan insight data. Hasil dari proses EDA yaitu popularitas lagu terbanyak berada pada range 40-80, durasi lagu antara 2-3 menit, feature loudness berkorelasi positif dengan energy, demikian juga antara artist_pop dan track_pop. Set feature importance pada model LR dan RFR untuk feature target track_pop adalah artist_pop, loudness, dan duration_ms. Metode LR memiliki hasil terbaik untuk dataset yang dipakai, dengan MSE sebesar 0.0313, RMSE sebesar 0.177, dan MAE sebesar 0.118.