The Development and Evaluation of a Personalized Music Recommender System Based on the Solid Framework

Kireina Kalila Putri, Dr. techn. Khabib Mustofa, S.Si., M.Kom.; Dr. techn. Kabul Kurniawan, S.Kom., M.Cs.

2026 | Skripsi | ILMU KOMPUTER

Sistem rekomendasi musik telah banyak digunakan di berbagai platform untuk mendorong pengguna untuk berinteraksi dengan konten yang sesuai dengan preferensi mereka, termasuk pada layanan streaming musik seperti Last.fm dan Spotify. Walaupun rekomendasi yang diberikan sudah terpersonalisasi, data pengguna yang memungkinkan hal tersebut disimpan dalam penyimpanan terpusat. Untuk mengatasi masalah ini, MuseRec dikembangkan untuk penelitian ini. MuseRec adalah sebuah sistem rekomendasi musik yang menggunakan kerangka kerja Solid agar data setiap pengguna dapat disimpan secara pribadi dalam penyimpanan yang terdesentralisasi.

Sistem yang dikembangkan ini mengintegrasikan Retrieval-Augmented Generation (RAG) yang memungkinkan Large Language Model (LLM) untuk mengambil informasi yang spesifik untuk seorang pengguna dalam Solid Pod yang mereka miliki selama proses rekomendasi berlangsung. Hal ini bertujuan untuk meningkatkan personalisasi dan juga mengurangi risiko halusinasi dari rekomendasi yang didapat. MuseRec dievaluasi melalui pengujian pengguna yang melibatkan 14 partisipan menggunakan metode paired t-test dan analisis tematik. Hasil penelitian menunjukkan bahwa penyertaan riwayat rekomendasi tidak meningkatkan kualitas rekomendasi secara signifikan, sementara sistem rekomendasi yang sudah ada sebelumnya dinilai jauh lebih unggul dalam relevansi rekomendasi dan long-term usage dari pengguna. Terlepas dari temuan tersebut, para partisipan mengapresiasi pendekatan rekomendasi MuseRec yang menjaga privasi serta memberikan kendali penuh kepada pengguna, dan juga mengakui potensinya dalam menemukan musik baru. Secara keseluruhan, penelitian ini menunjukkan kelayakan integrasi sistem penyimpanan terdesentralisasi berbasis Solid dengan sistem rekomendasi yang didukung oleh RAG, sekaligus dengan peluang untuk lebih meningkatkan akurasi rekomendasi, personalisasi, dan pengalaman pengguna.

Recommender systems have been widely adopted across various platforms to encourage users to engage with content that aligns with their preferences, including music streaming services such as Last.fm and Spotify. While these systems emphasize personalized recommendations, the user data that enables such personalization is typically stored in centralized databases. To address this concern, this study developed MuseRec, a music recommender system that adopts the Solid framework to enable decentralized personal data storage.

The developed system integrates Retrieval-Augmented Generation (RAG), allowing a large language model (LLM) to retrieve user-specific information stored within a user's Solid Pod during the recommendation process to improve personalization while reducing the risk of hallucination. MuseRec was evaluated through user testing involving 14 participants using a paired t-test and thematic analysis. The results indicated that incorporating previous recommendation history did not significantly improve recommendation quality, while existing commercial recommendation systems were rated significantly higher in recommendation relevance and continued usage. Despite these findings, participants appreciated MuseRec's privacy-preserving, user-controlled recommendation approach and recognized its potential for music discovery. Overall, this study demonstrates the feasibility of combining Solid-based decentralized storage with RAG-driven recommendation, while highlighting opportunities to further improve recommendation accuracy, personalization, and user experience.

Kata Kunci : Music recommender systems, Solid framework, personalization, development, user testing, evaluation