Abstrak Industri yang mengalami perkembangan yang signifikan adalah industri musik. Contoh perkembangannya adalah banyaknya platform aplikasi penyedia layanan musik online. Banyaknya data yang disimpan menyebabkan sulitnya menganalisa data yang ada, kehadiran Machine Learning dirasa mampu untuk menjawab tantangan tersebut. Meningkatkan user experience menjadi penting untuk memikat user agar menggunakan aplikasi yang dimiliki. Sistem rekomendasi menjadi salah satu cara untuk meningkatkannya.

more »

... litian ini bertujuan untuk membuat sistem yang dapat menyajikan rekomendasi musik sesuai dengan preferensi user sehingga tingkat kenyamanan user akan meningkat. Pengembangan sistem pada penelitian ini menggunakan metode Extreme Programming dengan beberapa tahapan, yaitu planning, design, coding, dan testing. Penelitian ini memanfaatkan Machine Learning dalam pencarian pola data serta metode Content-Based Filtering (CBF) dalam pencarian rekomendasinya. Sistem rekomendasi dengan metode CBF mampu menghasilkan tingkat kemiripan lagu rata-rata hingga 0,6684, serta nilai precision mencapai 0,125 dan 0,200 pada recall. Hasil Performance Testing dan System Testing yang diperoleh menyatakan bahwa sistem rekomendasi dapat berjalan baik dengan rata-rata response time mencapai 3,5 detik. Kesimpulan dari penelitian ini adalah sistem rekomendasi dengan metode CBF mampu menghasilkan rekomendasi yang sesuai dengan preferensi user, tetapi dengan data yang belum cukup banyak, diperlukan algoritma yang lebih efektif untuk data yang lebih besar. Abstract The industry that is experiencing significant development is the music industry. An example of its development is the many online music service providers of application platforms. The amount of data stored makes it difficult to analyze existing data, the presence of Machine Learning is felt to be able to answer these challenges. Improving user experience is important to attract users to use the applications they have. The recommendation system is one way to improve that. This research aims to create a system that can present music recommendations according to user preferences so that the user's comfort level will increase. The system developed in this research uses the Extreme Programming method with several stages, namely planning, design, coding, and testing. This research utilizes Machine Learning in searching for data patterns and Content-Based Filtering (CBF) methods in finding recommendations. The recommendation system with the CBF method can produce a song similarity level of up to 0.6684, as well as the value of precision reaching 0.125 and 0.200 at recall. The results of Performance Testing and System Testing obtained stated that the recommendation system can run well with an average response time 3.5 seconds. The conclusion of this research is that the recommendation system using the CBF method can produce recommendations that are in accordance with user preferences, but with not too much data. More effective algorithms are needed for larger data.