Model Rekomendasi Musik Berbasis Representasi Semantik Lirik Lagu Menggunakan BERT

Pertumbuhan pesat platform musik digital menimbulkan permasalahan information overload yang menyulitkan pengguna dalam menemukan lagu sesuai dengan preferensi mereka. Penelitian ini mengusulkan model rekomendasi musik berbasis konten melalui analisis semantik lirik lagu dengan pendekatan Natural Language Processing menggunakan model Bidirectional Encoder Representations from Transformers. Tahapan penelitian meliputi pengumpulan data lirik lagu berbahasa Indonesia, pembersihan data, prapemrosesan teks, pembentukan representasi embedding lirik secara kontekstual, serta perhitungan kemiripan antarlirik menggunakan cosine similarity. Kinerja model dievaluasi menggunakan metrik Mean Squared Error dan akurasi. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai tingkat akurasi sebesar 83,69% dengan nilai Mean Squared Error sebesar 1,4066. Hasil ini mengindikasikan bahwa representasi lirik berbasis Bidirectional Encoder Representations from Transformers mampu menangkap makna semantik lirik secara efektif dan meningkatkan relevansi rekomendasi musik secara kuantitatif. Dengan demikian, pendekatan analisis semantik berbasis lirik berpotensi meningkatkan akurasi dan personalisasi sistem rekomendasi musik berbasis konten.