PEMANFAATAN SPOTIFY API UNTUK REKOMENDASI JUDUL LAGU MENGGUNAKAN ALGORITMA RECURRENT NEURAL NETWORK

Ab'syar, Yusriel Iqbal (2025) PEMANFAATAN SPOTIFY API UNTUK REKOMENDASI JUDUL LAGU MENGGUNAKAN ALGORITMA RECURRENT NEURAL NETWORK. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

[img] Text (Full Text)
RAMA_55201_2113020104.pdf - Accepted Version
Restricted to Registered users only
Available under License Creative Commons Public Domain Dedication.

Download (4MB) | Request a copy
[img] Text (Similarity)
RAMA_55201_2113020104_SIMILARITY.pdf - Accepted Version
Available under License Creative Commons Public Domain Dedication.

Download (964kB)
[img] Text (Cover sd BAB 1 + References)
RAMA_55201_2113020104_0723098303_0707079001_01_front_ref.pdf - Accepted Version
Available under License Creative Commons Public Domain Dedication.

Download (732kB)
[img] Text (BAB 2)
RAMA_55201_2113020104_0723098303_0707079001_02.pdf - Accepted Version
Restricted to Registered users only
Available under License Creative Commons Public Domain Dedication.

Download (374kB) | Request a copy
[img] Text (BAB 3)
RAMA_55201_2113020104_0723098303_0707079001_03.pdf - Accepted Version
Restricted to Registered users only
Available under License Creative Commons Public Domain Dedication.

Download (950kB) | Request a copy
[img] Text (BAB 4)
RAMA_55201_2113020104_0723098303_0707079001_04.pdf - Accepted Version
Restricted to Registered users only
Available under License Creative Commons Public Domain Dedication.

Download (557kB) | Request a copy
[img] Text (BAB 5)
RAMA_55201_2113020104_0723098303_0707079001_05.pdf - Accepted Version
Restricted to Registered users only
Available under License Creative Commons Public Domain Dedication.

Download (147kB) | Request a copy
[img] Text (References)
RAMA_55201_2113020104_0723098303_0707079001_06_ref.pdf - Bibliography
Available under License Creative Commons Public Domain Dedication.

Download (121kB)
[img] Text (Lampiran)
RAMA_55201_2113020104_0723098303_0707079001_07_lamp.pdf - Accepted Version
Restricted to Registered users only
Available under License Creative Commons Public Domain Dedication.

Download (3MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi musik berbasis web yang akurat dan personal menggunakan algoritma Recurrent Neural Network (RNN) dengan arsitektur LSTM. Metode RNN dipilih karena kemampuannya dalam mengenali pola sekuensial pada data, yang dalam penelitian ini adalah fitur audio lagu seperti tempo, energy, valence, danceability, dan acousticness. Sistem ini memanfaatkan Spotify API untuk mengambil data fitur lagu secara dinamis dan real-time tanpa memerlukan login pengguna, sehingga memberikan fleksibilitas dan kemudahan penggunaan. Aplikasi dikembangkan menggunakan Python dengan framework Flask. Hasil penelitian menunjukkan bahwa sistem berhasil diimplementasikan dan mampu memberikan rekomendasi lagu yang personal berdasarkan preferensi pengguna. Pengujian fungsional membuktikan bahwa seluruh alur kerja sistem berjalan sesuai rancangan. Dari sisi non-fungsional, sistem terbukti responsif dengan waktu prediksi di bawah satu detik dan dinilai ramah pengguna (user-friendly). Evaluasi non-fungsional menggunakan metrik Top-K Accuracy menunjukkan performa sistem yang baik, di mana dari 10 skenario pengujian, sistem berhasil mencapai rata-rata akurasi sebesar 0,70 atau 70% dalam memberikan 5 rekomendasi lagu. Sistem ini diharapkan dapat meningkatkan pengalaman pengguna dalam menemukan musik baru yang sesuai dengan selera mereka secara lebih efektif.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Sistem Rekomendasi Musik, Recurrent Neural Network (RNN), Spotify API, Deep Learning, Personalisasi.
Subjects: 410 Engineering science > 459 Computer science
410 Engineering science > 461 Information systems
410 Engineering science > 462 Information technology
Divisions: Fakultas Teknik dan Ilmu Komputer > S1-Teknik Informatika
Depositing User: Yusriel Iqbal Ab'syar
Last Modified: 06 Aug 2025 16:37
URI: http://repository.unpkediri.ac.id/id/eprint/20007

Actions (login required)

View Item View Item