Keywords
Spotify API
K-Nearest Neighbor
How to Cite
Abstract
Sistem rekomendasi lagu berbasis fitur audio menjadi solusi untuk membantu pengguna menemukan lagu baru sesuai preferensi mereka. Penelitian ini bertujuan mengembangkan sistem rekomendasi lagu menggunakan algoritma K-Nearest Neighbor (KNN) dengan memanfaatkan fitur audio dari Spotify API seperti tempo, energy, valence, acousticness, dan danceability. Metode penelitian yang digunakan adalah waterfall, dimulai dari analisis kebutuhan, pengumpulan dataset dari Kaggle, normalisasi data, hingga implementasi dan evaluasi menggunakan metrik Top K-Accuracy. Hasil pengujian menunjukkan bahwa sistem mampu memberikan rekomendasi dengan tingkat akurasi sebesar 68%, yang berarti 3-4 lagu dari 5 lagu yang direkomendasikan relevan dengan preferensi pengguna. Penelitian ini membuktikan bahwa KNN dapat diterapkan secara efektif dalam sistem rekomendasi musik berbasis fitur audio, sehingga meningkatkan pengalaman pengguna dalam menikmati musik.
References
[1] A. Wahyudin, A. Anisyah, D. Ahmaddifa, K. Bandung, A. P. Interface, and F. Cloud, “Pengembangan Sistem Notifikasi Real-Time untuk Aplikasi Manajemen Persuratan Multiplatform menggunakan Firebase Cloud Messaging dan Application Programming Interface,” vol. 09, pp. 284–300, 2024.
[2] F. A. Anderson and M. M. Mutoffar, “Tinjauan Pusataka: Penerapan Teknologi Artifical Intelligence Pada Fitur ‘Made For You’ Aplikasi Spotify,” INTEK J. Inform. dan Teknol. Inf., vol. 7, no. 1, pp. 41–46, 2024.
[3] R. C. Maringka, A. Khoirunnita, R. Maringka, E. Utami, and K. Kusnawi, “Analisa Perkembangan Musik Pada Spotify Menggunakan Structured Query Language (SQL),” CogITo Smart J., vol. 7, no. 1, pp. 1–14, 2021, doi: 10.31154/cogito.v7i1.287.1-14.
[4] R. Amanda, “Music streaming dalam industri musik era industri 4.0,” J. Stud. Komun. (Indonesian J. Commun. Stud., vol. 6, no. 1, pp. 358–382, 2022, doi: 10.25139/jsk.v6i1.3772.
[5] A. R. Ilhami, A. Putra, A. C. Aurelie, K. Junaidi, and S. Israwana, “Implementasi MapReduce Pada Dataset Spotify Top Music Untuk Mengetahui Artist yang paling banyak Didengar Dalam Kurun Waktu 10 Tahun,” J. Netw. Comput. Appl., vol. 2, no. 2, pp. 37–51, 2023, [Online]. Available: https://jurnal.netplg.com/
[6] G. A. V. M. Giri, M. L. Radhitya, M. A. Raharja, and I. W. Supriana, “SISTEM REKOMENDASI MUSIK BERDASARKAN DATA KONTEKS PADA LISTENING HISTORY MUSIK DAN KETERKAITAN ARTIS INDONESIA,” J. Resist. (Rekayasa Sist. Komputer), vol. 5, no. 1, pp. 86–93, Apr. 2022, doi: 10.31598/jurnalresistor.v5i1.1044.
[7] S. R. Cholil, T. Handayani, R. Prathivi, and T. Ardianita, “Implementasi Algoritma Klasifikasi K-Nearest Neighbor (KNN) Untuk Klasifikasi Seleksi Penerima Beasiswa,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 6, no. 2, pp. 118–127, 2021, doi: 10.31294/ijcit.v6i2.10438.
[8] J. Wang, “A Critical Research of Spotify’s Business Model—The Case of Discover Weekly,” BCP Soc. Sci. Humanit., vol. 21, 2023, doi: 10.54691/bcpssh.v21i.3873.
[9] Sitti Aliyah Azzahra, Syafran Nurrahman, and Aep Saefullah, “Integrasi Kecerdasan Buatan Dalam Sistem Rekomendasi Produk Untuk E-Commerce,” J. Sains dan Teknol., vol. 3, no. 1, pp. 21–28, 2024, doi: 10.58169/saintek.v3i1.394.
[10] F. R. Hariri and L. W. Rochim, “Sistem Rekomendasi Produk Aplikasi Marketplace Berdasarkan Karakteristik Pembeli Menggunakan Metode User Based Collaborative Filtering,” Teknika, vol. 11, no. 3, pp. 208–217, Nov. 2022, doi: 10.34148/teknika.v11i3.538.
[11] D. Dhimas et al., “Sistem Rekomendasi Laptop Menggunakan Metode Collaborative Filltering Dan Weighted Product Pada Toko Online Indojaya Computer,” vol. 4, pp. 594–604, 2025.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Nur Kholiq Yoga Witanto, Daniel Swanjaya, Danar Pamungkas