SISTEM REKOMENDASI MUSIK DENGAN MULTIMODAL FUSION ATTENTIVE NETWORKS

Musik merupakan salah satu media hiburan yang sering dimanfaatkan oleh masyarakat. Platform musik terus meningkatkan organisasi musik dengan menyediakan berbagai lagu untuk didengarkan oleh penggunanya. Secara umum sistem rekomendasi musik menggunakan metode Collaborative Filtering yang memiliki kinerja yang baik, tetapi metode ini memiliki masalah terhadap informasi yang tidak memiliki interaksi umpan balik antara item dan pengguna (cold-start). Sistem rekomendasi Content-Based diusulkan untuk mengatasi masalah tersebut yang akan difokuskan pada pendekatan multimodal fusion agar dapat mengoptimalkan hasil rekomendasi. Sistem rekomendasi ini mempertimbangkan dua pendekatan dengan fokus utama mengekstraksi fitur dari modalitas individu seperti judul lagu menggunakan model Word2Vec dan lirik menggunakan model BERT yang kemudian digabungkan melalui arsitektur deep learning untuk memprediksi rekomendasi lagu berikutnya. Hasil pengujian menggunakan black-box testing menunjukkan bahwa perangkat lunak secara fungsional mengeluarkan hasil yang sesuai dengan yang diharapkan dan sudah mencapai tujuan yang sesuai dengan kebutuhan pengguna. Penerapan algoritma rekomendasi akan diuji menggunakan confusion matrix dan memperoleh nilai akurasi yang cukup akurat yaitu sebesar 84%