Sistem Rekomendasi Genre Musik Menggunakan SVM dengan Pendekatan Content-Based Filtering

Abstract

Pertumbuhan industri musik digital memunculkan fenomena information overload, menyulitkan pengguna mengeksplorasi lagu yang sesuai preferensi. Sistem rekomendasi konvensional seringkali menghasilkan rekomendasi homogen dan rentan terhadap masalah cold-start. Oleh karena itu, penelitian ini bertujuan membangun sistem rekomendasi musik berbasis web dengan pendekatan hibrida yang mengintegrasikan Support Vector Machine (SVM) dan Content-Based Filtering (CBF). Model SVM multikelas dengan Kernel Radial Basis Function (RBF) berfungsi sebagai penyaring makro untuk memprediksi 7 kelas genre berdasarkan 8 fitur audio. Selanjutnya, model CBF beroperasi di tingkat mikro menggunakan Euclidean Distance untuk mengukur kemiripan fitur antara profil riwayat pengguna dan basis data lagu. Hasil pengujian menunjukkan model SVM mencapai akurasi keseluruhan sebesar 55,39%, dengan pengenalan terbaik pada genre Classical dan HipHop. Implementasi Dynamic Hard Filtering yang membatasi ruang pencarian Euclidean Distance hanya pada genre tervalidasi terbukti efektif mereduksi anomali lintas genre. Secara keseluruhan, sistem ini berhasil menyajikan 10 rekomendasi teratas yang relevan secara musikal dan terpersonalisasi secara optimal.