VOKASI NEWS – Sistem rekomendasi musik merupakan salah satu komponen penting dalam layanan streaming digital. Hal ini karena membantu pengguna menemukan lagu yang sesuai dengan preferensinya. Pada era saat ini, jumlah lagu yang tersedia di platform digital seperti Spotify dan Joox sangat melimpah. Hal ini mengakibatkan pengguna memerlukan sistem yang dapat mempersonalisasi pilihan konsumen.
Salah satu pendekatan yang banyak digunakan adalah Content-Based Filtering. Metode ini memberikan rekomendasi berdasarkan kesamaan antara item yang telah disukai pengguna dengan item lain yang ada dalam dataset. Penelitian ini mengembangkan sistem rekomendasi musik berbasis konten dengan mengkombinasikan dua jenis atribut. Adapun dua aspek tersebut yaitu teks dalam bentuk tags dan atribut numerik yang terdiri dari danceability, energy, valence, dan tempo.
Empat atribut numerik tersebut dipilih berdasarkan referensi penelitian terdahulu yang menyatakan bahwa fitur-fitur tersebut memiliki pengaruh signifikan terhadap preferensi musik pengguna. Sedangkan atribut tags ditambahkan berdasarkan masukan dari seorang ahli musik karena mampu merepresentasikan genre, suasana, atau gaya musik secara umum.
Penelitian Kebutuhan Rekomendasi Musik dengan Minat Konsumen
Dataset penelitian ini diperoleh dari platform Kaggle yang berisi informasi dasar lagu seperti track_id, name, artist, year, serta berbagai atribut numerik dan teks. Tahap awal dilakukan pre-processing dengan menghapus kolom yang tidak relevan, mengatasi nilai kosong, normalisasi atribut numerik. Selain itu juga mengonversi kolom tags menjadi representasi vektor menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF).
Setelah data bersih diperoleh, tahap pengembangan model dilakukan dengan memuat dataset hasil pre-processing, matriks TF-IDF untuk data teks, serta matriks numerik yang telah dinormalisasi. Proses perhitungan similarity dilakukan menggunakan cosine similarity, baik pada vektor TF-IDF maupun matriks numerik. Kemudian kedua nilai similarity digabungkan dengan bobot seimbang 50% untuk menghasilkan skor akhir yang merepresentasikan tingkat kemiripan antar lagu. Menurut ahli musik yang terlibat dalam penelitian ini, tags dapat berfungsi sebagai penyaring awal untuk mengelompokkan lagu berdasarkan kategori umum seperti genre atau era musik, misalnya “80s”.
Akan tetapi, penyaringan ini masih bersifat kasar, sehingga perlu ditambahkan perhitungan numerik untuk menyaring lebih detail lagu-lagu dalam kategori yang sama. Dengan cara ini, sistem dapat memberikan hasil rekomendasi yang lebih relevan karena tidak hanya melihat kesamaan kategori umum, tetapi juga memperhatikan detail karakteristik musikal seperti tempo, energi, atau nuansa emosional.
Implementasi Sistem Terhadap Playlist
Implementasi sistem dilakukan dengan menggunakan dua komponen utama, yaitu Flask dan Laravel. Flask digunakan sebagai backend yang bertugas menangani seluruh perhitungan rekomendasi dan menyediakan endpoint API. Endpoint ini mencakup pencarian lagu berdasarkan judul atau artis, serta rekomendasi lagu berdasarkan kumpulan track_id dalam sebuah playlist. Mekanisme ini memungkinkan rekomendasi dihitung secara menyeluruh berdasarkan keseluruhan playlist pengguna, bukan hanya dari satu lagu individu.
BACA JUGA: [Peran Human Resource Development (HRD) dalam Inovasi Layanan Hotel]
Laravel digunakan sebagai frontend yang menampilkan hasil rekomendasi sekaligus menjadi manajemen data playlist. Selain itu, Laravel juga menyimpan playlist dan lagu yang dibuat pengguna ke dalam basis data sehingga sistem dapat berjalan lebih terintegrasi. Integrasi antara Flask dan Laravel dilakukan melalui komunikasi API sehingga hasil perhitungan yang dilakukan Flask dapat langsung ditampilkan kepada pengguna melalui antarmuka Laravel.
Hasil Penelitian dan Evaluasi Sistem Rekomendasi Musik
Hasil pengujian menunjukkan bahwa sistem mampu memberikan rekomendasi yang relevan dan bervariasi. Setiap playlist yang dimasukkan pengguna diproses menjadi sebuah vektor gabungan yang merepresentasikan preferensi musiknya. Dengan demikian, rekomendasi tidak hanya berpusat pada satu lagu, tetapi memperhitungkan pola keseluruhan dari beberapa lagu yang dipilih. Lagu yang sudah ada di dalam playlist tidak ditampilkan lagi dalam hasil rekomendasi agar hasilnya tetap unik dan tidak duplikat.
Evaluasi sistem dilakukan dengan melibatkan seorang ahli musik yang menilai relevansi lagu hasil rekomendasi. Berdasarkan evaluasi tersebut, atribut tags dinilai cukup efektif dalam menyaring lagu secara umum, sedangkan atribut numerik sangat membantu memperhalus hasil akhir sehingga sistem dapat membedakan lagu yang secara umum mirip tetapi memiliki karakteristik berbeda. Hal ini membuat rekomendasi menjadi lebih tepat sasaran dan sesuai dengan kebutuhan pengguna.
Secara keseluruhan, penelitian ini berhasil mengembangkan sistem rekomendasi musik berbasis konten dengan mengkombinasikan atribut teks dan numerik. Perhitungan cosine similarity pada kedua jenis atribut yang digabungkan menghasilkan rekomendasi yang lebih akurat dibandingkan jika hanya menggunakan salah satunya. Evaluasi ahli membuktikan bahwa sistem mampu memberikan hasil yang sesuai dengan preferensi pengguna dan dapat diaplikasikan dalam layanan musik digital.
Kedepannya, penelitian ini dapat dikembangkan dengan menambahkan pendekatan hybrid yang menggabungkan metode berbasis konten dengan Collaborative Filtering, serta menggunakan data playlist nyata dari platform streaming untuk memperkaya validasi sistem. Dengan demikian, sistem ini memiliki potensi besar untuk meningkatkan pengalaman pengguna dalam menemukan musik baru yang relevan dengan selera konsumen.
***
Penulis : Muhammad Arif Bucholi
Editor: Puspa Anggun Pertiwi
