Dalam era digital saat ini, industri musik mengalami perubahan yang signifikan. Platform streaming seperti Spotify telah merevolusi cara kita mendengarkan dan menemukan musik. Jutaan lagu dari berbagai genre dan artis tersedia dengan mudah, menghadirkan tantangan baru dalam mengelompokkan dan memahami preferensi musik pengguna. Klasterisasi musik adalah salah satu metode yang digunakan untuk menganalisis dan mengelompokkan lagu berdasarkan karakteristik musiknya. Salah satu pendekatan yang umum digunakan adalah penggunaan metode KMeans dan teknik reduksi dimensi PCA (Principal Component Analysis). Metode KMeans adalah algoritma klasterisasi yang populer dalam dunia data mining dan pembelajaran mesin. Metode ini mengelompokkan data ke dalam kelompok-kelompok yang memiliki kemiripan tertentu berdasarkan fitur-fitur yang diberikan. Dalam konteks klasterisasi musik Spotify, fitur-fitur ini dapat meliputi tempo, energi, danceability, valence, dan banyak lagi. Dengan menggunakan metode KMeans, kita dapat mengidentifikasi kelompok-kelompok musik yang memiliki karakteristik yang serupa. Langkah pertama dalam analisis klasterisasi musik Spotify adalah menerapkan metode KMeans. Kita akan menggunakan fitur-fitur musik yang disediakan oleh Spotify API untuk menggambarkan setiap lagu. Fitur-fitur ini dapat mencakup informasi seperti tempo, durasi, instrumen, dan banyak lagi. Dengan menggunakan metode KMeans, kita dapat mengelompokkan lagu-lagu berdasarkan karakteristik musik mereka. Kelompok-kelompok ini akan membantu kita mengidentifikasi kesamaan dalam preferensi musik dan mengungkapkan pola-pola yang mungkin tersembunyi dalam data musik Spotify. Setelah melakukan klasterisasi dengan KMeans, langkah selanjutnya adalah menerapkan PCA. PCA akan membantu mengurangi dimensi data musik ke beberapa komponen utama yang paling signifikan. Reduksi dimensi ini berguna untuk menghilangkan kelebihan variabel dan memperoleh representasi yang lebih sederhana namun informatif dari data musik. Dengan menggunakan PCA, kita dapat memvisualisasikan data musik dalam ruang yang lebih rendah dimensi dan mengidentifikasi fitur-fitur yang paling berkontribusi terhadap variasi dalam dataset. Dengan memahami dan mengelompokkan musik berdasarkan karakteristiknya menggunakan metode KMeans, kemudian mengurangi dimensi data menggunakan PCA, kita dapat membantu pengguna Spotify menemukan lagu-lagu baru yang sesuai dengan preferensi mereka. Analisis klasterisasi musik Spotify dengan metode KMeans dan PCA tidak hanya memberikan wawasan tentang preferensi musik individu, tetapi juga dapat digunakan untuk mengidentifikasi tren dan pola dalam musik secara keseluruhan. Dalam penelitian ini, kami akan menerapkan metode KMeans dan PCA pada data musik Spotify untuk mengungkapkan struktur dan kelompok musik yang ada. Melalui kombinasi kedua metode ini, kita akan memperoleh pemahaman yang lebih baik tentang preferensi musik pengguna dan karakteristik musik yang saling terkait.

Dalam artikel ini, kami akan fokus pada peramalan harga closing saham PT Aneka Tambang Tbk (ANTAM) menggunakan model ARIMA (AutoRegressive Integrated Moving Average). ANTAM merupakan perusahaan pertambangan terkemuka di Indonesia yang terdaftar di Bursa Efek Indonesia (BEI). Data yang digunakan data deret waktu pada rentang tahun 2017-2022