Rekap musik tahunan muncul begitu saja di aplikasi dan langsung menampilkan angka yang terasa personal. Prosesnya terlihat sederhana dari sisi pengguna.
Padahal, Spotify Wrapped disusun dari catatan aktivitas selama satu tahun penuh yang jumlahnya sangat besar. Setiap pemutaran lagu meninggalkan jejak yang perlu dikumpulkan dan diolah.
Membedah prosesnya memberi gambaran nyata tentang pekerjaan sehari-hari seorang praktisi data. Karena itu, Spotify Wrapped sering dipakai sebagai contoh pengantar di kelas pengolahan data.
Perjalanan Data dari Pemutaran Lagu ke Rekap Tahunan
Setiap kali sebuah lagu diputar, sistem mencatat peristiwa tersebut lengkap dengan waktu dan durasi dengarnya. Catatan semacam ini disebut data peristiwa.
Data tersebut dikumpulkan lewat aliran yang berjalan terus menerus, bukan sekali sehari. Volumenya sangat besar karena berasal dari jutaan pengguna di banyak negara.
Setelah terkumpul, data dirapikan dan disimpan dalam bentuk yang siap dianalisis. Tahap inilah yang menjadi fondasi seluruh perhitungan Spotify Wrapped.
Baru setelah itu perhitungan ringkasan per pengguna dapat dijalankan tanpa membebani sistem utama yang melayani pemutaran lagu.
Komponen Pekerjaan Data di Baliknya
Empat komponen berikut menjadi bagian utama dari proses semacam ini.
1. Pengumpulan dan Pembersihan Data
Tidak semua catatan layak dihitung, misalnya lagu yang hanya diputar beberapa detik lalu dilewati. Aturan penyaringan perlu ditetapkan agar hasilnya masuk akal. Pada rekap seperti Spotify Wrapped, keputusan sesederhana batas durasi dengar bisa mengubah lagu mana yang muncul sebagai favorit.
2. Data Pipeline yang Berjalan Terjadwal
Data pipeline mengatur perpindahan data dari sumber menuju tempat penyimpanan analitik. Proses ini berjalan bertahap dengan pemeriksaan di tiap langkah. Kegagalan pada satu tahap harus bisa diulang tanpa merusak data yang sudah benar, sehingga perancangannya menuntut ketelitian.
3. Agregasi Perhitungan per Pengguna
Ringkasan seperti total menit dengar maupun daftar lagu terbanyak dihitung dengan mengelompokkan data per pengguna. Perhitungan sebesar itu tidak dijalankan seketika, melainkan disiapkan lebih dulu. Cara ini membuat tampilan Spotify Wrapped bisa terbuka cepat meski perhitungannya sebenarnya berat.
4. Pemeriksaan Mutu Sebelum Ditampilkan
Hasil perhitungan diperiksa lebih dulu untuk menghindari angka yang jelas keliru, misalnya total waktu yang melebihi jumlah jam dalam setahun. Pemeriksaan semacam ini mencegah kesalahan yang bisa merusak kepercayaan pengguna. Bagian ini sering disebut sebagai penjagaan mutu data.
Kenapa Rekap Terasa Personal
Perhitungannya memakai data milik masing-masing pengguna, sehingga hasilnya berbeda bagi setiap orang. Kesan personal muncul dari pemilihan angka yang paling menggambarkan kebiasaan seseorang.
Selain itu, pengelompokan selera dilakukan dengan membandingkan pola dengar antarpengguna. Dari situ muncul istilah maupun kategori yang terasa unik.
Meskipun demikian, seluruh perhitungan tetap berdasarkan pola, bukan pemahaman atas alasan seseorang menyukai lagu tertentu.
Sisi Privasi yang Perlu Diperhatikan
Data kebiasaan mendengarkan termasuk informasi pribadi. Karena itu, pengelolaannya menuntut aturan yang jelas mengenai apa yang boleh ditampilkan dan disimpan.
Ringkasan yang dibagikan pengguna ke media sosial pun sebaiknya dipahami isinya lebih dulu. Angka kebiasaan harian bisa memperlihatkan lebih banyak hal dibanding yang disadari.
Padahal, pertimbangan semacam ini justru menjadi bagian penting dari pekerjaan praktisi data yang bertanggung jawab.
Latihan Kecil yang Bisa Dicoba Mahasiswa
Data pendengaran pribadi umumnya bisa diunduh dari layanan musik yang dipakai. Berkas tersebut cukup untuk latihan pengolahan data sederhana.
Latihan pertama berupa menghitung total durasi dengar per bulan, lalu mencari lagu yang paling sering diputar. Perhitungan semacam ini sudah menyerupai versi kecil dari Spotify Wrapped.
Setelah terbiasa, coba tambahkan penyaringan, misalnya hanya menghitung lagu yang diputar lebih dari tiga puluh detik. Perubahan hasil dari aturan sekecil itu memperlihatkan betapa besar pengaruh keputusan pembersihan data.
Dari sini terlihat bahwa Spotify Wrapped bukan sekadar tampilan menarik, melainkan hasil rangkaian keputusan teknis yang disusun rapi.
Mendalami Analisis Data Secara Terstruktur
Universitas Nusa Mandiri (UNM) dapat menjadi salah satu alternatif pendidikan yang dipertimbangkan bagi yang tertarik menekuni bidang ini. Kampus tersebut telah terakreditasi BAN-PT secara resmi.
Lulusannya memiliki bukti kompetensi yang diakui secara nasional, sesuatu yang cukup berpengaruh saat membangun karier profesional di bidang teknologi. Biaya pendidikannya ramah dan fleksibel dengan pembayaran yang dapat dilakukan secara daring.
Program studi Sains Data dan Informatika membahas pengolahan data berskala besar, perancangan alur data, sampai penyajian hasilnya. Bagi anda yang penasaran dengan proses di balik Spotify Wrapped, pilihan tersebut layak masuk pertimbangan.
Kesimpulannya, Spotify Wrapped memperlihatkan bahwa pekerjaan data tidak berhenti pada perhitungan akhir. Pengumpulan, pembersihan, dan pemeriksaan mutu justru menyita porsi terbesar. Rekap seperti Spotify Wrapped hanyalah tampilan akhir dari rangkaian panjang yang berjalan sepanjang tahun.
