Implementasi Recurrent Neural Network (RNN) pada Sistem Rekomendasi Musik dengan Menganalisis Fitur Audio dari Spotify API

Yusriel Iqbal Ab'syar

Abstract


Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi musik berbasis web yang akurat dan personal menggunakan algoritma Recurrent Neural Network (RNN) dengan arsitektur LSTM. Sistem ini mengatasi tantangan pada sistem rekomendasi konvensional, seperti masalah cold-start dan kurangnya keberagaman, dengan menganalisis pola sekuensial pada fitur audio lagu. Metode penelitian menggunakan desain simulasi, dengan data dari dataset Kaggle yang berisi 114.000 lagu dan diperkaya dengan data dinamis dari Spotify API untuk fitur audio seperti tempo, energy, valence, danceability, dan acousticness. Hasil penelitian menunjukkan sistem berhasil diimplementasikan dengan fungsionalitas penuh dan waktu respons prediksi di bawah satu detik. Evaluasi menggunakan metrik akurasi Top-K menunjukkan performa model meningkat signifikan seiring jumlah rekomendasi, mencapai akurasi 60% untuk K=50. Kesimpulannya, sistem berbasis RNN ini efektif untuk skenario eksplorasi musik, membantu pengguna menemukan lagu baru yang relevan secara efisien tanpa memerlukan login.


References


. A. Kurniawan, “Pentingnya kualitas data dan teknik prapemrosesan dalam meningkatkan kinerja model ANN dalam sistem rekomendasi musik,” Jurnal Teknologi dan Rekayasa, vol. 12, no. 2, hlm. 123-135, 2024.

. M. Rasyid, “Penerapan Recurrent Neural Networks dalam sistem rekomendasi musik berbasis perilaku pengguna,” Jurnal Sistem Komputer Indonesia, vol. 8, no. 1, hlm. 87-101, 2023.

. Y. Wibowo dan M. Fadillah, “Optimasi model ANN dalam sistem rekomendasi musik pada layanan streaming,” Jurnal Ilmu Komputer dan Teknologi, vol. 10, no. 1, hlm. 58-70, 2023.

. S. S. Sahu, D. P. Mohapatra, and S. C. Satapathy, “A survey on music recommendation systems using deep learning techniques,” Multimedia Tools and Applications, vol. 82, hlm. 16541–16578, 2023.

. I. M. D. Putra dan S. Hartati, “Sistem Rekomendasi Destinasi Wisata Menggunakan Collaborative Filtering Berbasis Konten,” Senatik: Seminar Nasional Teknologi Informasi dan Komunikasi, vol. 7, no. 1, hlm. 88-95, 2023.

. A. Nugroho dan D. E. Cahyani, “Analisis Sentimen Ulasan Aplikasi Streaming Musik di Google Play Store Menggunakan Naive Bayes,” DoubleClick: Journal of Computer and Information Technology, vol. 7, no. 2, hlm. 101-108, 2023.

. A. S. Dewi dan E. Prasetyo, “Explainability dalam sistem rekomendasi berbasis deep learning,” Jurnal Teknologi Informasi Indonesia, vol. 14, no. 2, hlm. 76-84, 2022.

. P. Suryani dan A. Rachmat, “Implementasi GRU dalam sistem rekomendasi musik berbasis urutan waktu,” Jurnal Informatika, vol. 15, no. 3, hlm. 101-112, 2022.

. F. R. Sari dan B. H. Irawan, “Implementasi Model Seq2Seq dengan Mekanisme Atensi untuk Chatbot Layanan Akademik,” DoubleClick: Journal of Computer and Information Technology, vol. 6, no. 2, hlm. 90-97, 2022.

. F. Alfianto, “Penerapan sistem rekomendasi musik berbasis hybrid filtering pada platform streaming,” Jurnal Sistem Informasi, vol. 12, no. 3, hlm. 99-108, 2021.

. P. Setiawan, “Tantangan dan penerapan deep learning pada algoritma rekomendasi musik: Studi kasus pada Spotify,” Jurnal Ilmu Komputer dan Informatika, vol. 17, no. 3, hlm. 45-60, 2021.

. R. A. Pratama dan H. Putra, “Penggunaan RNN untuk meningkatkan akurasi rekomendasi musik berbasis perilaku pengguna,” Jurnal Pengembangan Teknologi, vol. 11, no. 1, hlm. 42-56, 2021.

. H. Sutrisno, “Sistem rekomendasi berbasis konten untuk platform streaming musik,” Jurnal Teknik Komputer, vol. 14, no. 2, hlm. 88-99, 2020.

. D. A. Firmansyah dan A. Susanto, “Penerapan Metode CNN untuk Klasifikasi Citra Makanan Khas Kediri,” Senatik: Seminar Nasional Teknologi Informasi dan Komunikasi, vol. 8, no. 1, hlm. 45-52, 2024.

. Spotify, “Understanding recommendations,” 2024. [Online]. Tersedia: https://www.spotify.com/id-id/safetyandprivacy/understandingrecommendations. [Diakses: 5 Juli 2025].

. A. B. Santoso dan L. T. Wibowo, “Optimasi Hyperparameter pada Model LSTM untuk Prediksi Rangkaian Waktu,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIK), vol. 10, no. 3, hlm. 512-520, 2023.


Refbacks

  • There are currently no refbacks.



 
PANDUAN SUBMITE ARTIKEL
 


Kantor Sekertariat:
Universitas PGRI Madiun
Jl. Auri No. 14-16  Kota Madiun 63118
Lt 3 Kantor Program Studi Teknik Informatika
email :  [email protected]
 
 

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.