Aplikasi demonstrasi yang ditulis oleh tim MongoDB di platform Dev.to menunjukkan cara membuat mesin rekomendasi lagu yang memahami suasana hati pendengar. Pengguna cukup mengetikkan frasa seperti "lagu santai untuk malam hari" dan sistem mengembalikan daftar putar yang sesuai.
Teknologi intinya mengandalkan MongoDB Vector Search dan model embedding Voyage AI. Kombinasi ini mengubah deskripsi nuansa tiap lagu serta kueri pengguna menjadi vektor numerik untuk dibandingkan secara matematis.
Metode pencarian konvensional selama ini bertumpu pada pencocokan kata kunci pada judul, artis, atau genre. Pendekatan itu gagal ketika pendengar menginginkan pengalaman mendengarkan tertentu namun tidak tahu nama artis atau judul lagu.
Kebangkitan pencarian semantik mengubah paradigma tersebut. Sistem tidak lagi hanya membaca teks, melainkan memahami makna di baliknya melalui representasi vektor. Ini merupakan kelanjutan dari adopsi besar-besaran model bahasa besar di berbagai produk konsumer.
Dalam proyek percontohan ini, tim mengambil sampel 500 lagu dari Free Music Archive. Tiap lagu dilengkapi deskripsi vibe sepanjang dua hingga tiga kalimat yang dihasilkan oleh LLM, lalu diubah menjadi embedding berdimensi 512 menggunakan model voyage-3-lite.
Dampak bagi industri musik streaming global cukup signifikan. Platform seperti Spotify atau Apple Music berpotensi mengadopsi teknik serupa untuk meningkatkan fitur discovery mereka, mengurangi ketergantungan pada kategori genre kaku.
Di Indonesia, layanan musik lokal seperti Langit Musik atau Joox masih banyak menggunakan kurasi manual dan tag genre sederhana. Kehadiran pendekatan berbasis vektor membuka peluang pengembang lokal membuat sistem rekomendasi yang lebih peka terhadap konteks budaya, misalnya musik dangdut modern untuk pesta kampung.
Tantangannya terletak pada ketersediaan data deskripsi nuansa dalam Bahasa Indonesia. Model embedding saat ini dilatih dominan dengan korpus Inggris, sehingga perlu penyesuaian atau fine-tuning agar dapat menangkap idiom musik lokal dengan akurat.
Menurut penjelasan tim pengembang, proses pencarian dilakukan dengan mengonversi kueri pengguna ke vektor melalui API Voyage AI, lalu MongoDB melakukan perhitungan cosine similarity untuk menemukan lagu dengan jarak sudut terdekat. Parameter indeks diatur dengan numDimensions 512 dan similarity cosine.
Pemilihan cosine similarity penting karena mengukur arah vektor, membuat perbandingan tetap stabil meski panjang teks deskripsi berbeda. MongoDB Atlas membutuhkan definisi struktur embedding agar dapat membangun indeks vector search yang tepat.
Ke depan, kode lengkap proyek ini tersedia secara terbuka di GitHub, memungkinkan siapa saja mengkloning dan memodifikasinya. Komunitas developer Indonesia dapat menjadikannya fondasi untuk eksperimen pencarian semantik di domain lain seperti resep masakan atau wisata.
Tren penggunaan vector database diprediksi meluas seiring turunnya biaya komputasi AI. Kemampuan merekomendasikan berdasarkan perasaan dan bukan kata kunci bakal menjadi standar baru dalam antarmuka pencarian generasi berikutnya.