Sistem rekomendasi merupakan komponen penting dalam meningkatkan pengalaman pengguna
di platform digital, termasuk layanan streaming musik seperti Spotify. Namun, pendekatan
tradisional seperti collaborative filtering memiliki keterbatasan dalam memahami konteks urutan
interaksi pengguna, yang esensial dalam dunia musik. Untuk mengatasi masalah ini, penelitian
ini mengusulkan model rekomendasi lagu berikutnya (next-item recommender system) berbasis
sequence prediction yang menggabungkan tiga komponen utama: Gated Recurrent Unit (GRU),
attention mechanism, dan item embeddings. Model dikembangkan dan dievaluasi menggunakan
Spotify Playlist Dataset dari Kaggle, dengan fokus pada urutan lagu dalam playlist pengguna.
Eksperimen dilakukan terhadap tiga varian model, yaitu Full Model, GRU-only, dan Full Model
dengan embedding size 128. Hasil menunjukkan bahwa GRU merupakan komponen utama yang
efektif dalam menangkap pola urutan lagu, namun GRU-only menunjukkan gejala overfitting
meskipun nilai metriknya tinggi. Komponen attention terbukti membantu generalisasi model
dengan menyoroti elemen penting dalam sekuens, sementara peningkatan ukuran embedding
tidak memberikan perbaikan signifikan terhadap performa. Evaluasi menggunakan metrik
Hit@K (K = 5, 10, 15) menunjukkan bahwa pendekatan ini mampu memberikan prediksi yang
akurat dan stabil. Penelitian ini menunjukkan potensi integrasi GRU, attention, dan embeddings
dalam membangun sistem rekomendasi lagu yang lebih kontekstual dan personal.