BAB II STUDI LITERATUR Bab ini membahas tentang hasil studi literatur dan eksplorasi yang dilakukan untuk menunjang pembuatan aplikasi pembangkit playlist lagu otomatis berbasis rules. Bab ini diawali dengan pembahasan mengenai teori pemaduan lagu, kemudian dilanjutkan dengan pembahasan mengenai pemrograman berbasis rules dan studi literatur mengenai aplikasi pembangkit playlist lagu yang telah dikembangkan saat ini beserta perbandingannya dengan aplikasi yang akan dikembangkan dalam Tugas Akhir ini. II.1 Aturan Pemaduan Lagu Untuk menghasilkan playlist yang baik dan sesuai dengan kebutuhan pengguna diperlukan adanya aturan-aturan dalam pemilihan lagu. Untuk dapat memenuhi kebutuhan pendengarnya yang beraneka ragam, maka pemaduan lagu yang dilakukan oleh music director yang bersangkutan haruslah mengikuti aturanaturan yang telah ditetapkan oleh stasiun radio tersebut. Penetapan aturan tersebut dirancang berdasarkan segmentasi pendengar yang sebelumnya telah ditelaah berdasarkan survei. Pada Tugas Akhir ini, keahlian music director dalam menyusun playlist lagu dipertimbangkan sebagai teknik pamaduan lagu yang akan diterapkan menjadi aturan default pada aplikasi yang dirancang. Hal ini dilakukan karena seorang music director dipercaya harus mampu memenuhi kebutuhan perdengarnya yang cukup banyak dengan karakteristik yang berbeda-beda. Dalam melakukan penyusunan playlist, terdapat beberapa faktor yang dapat dipertimbangkan untuk menentukan setiap lagu yang akan dimasukkan ke dalam playlist. Beberapa radio mengikuti prinsip-prinsip perpindahan dan penempatan lagu yang berdasarkan mood, beat, genre, waktu, cuaca dan faktor penentu lainnya. Faktor penentu dan aturan yang digunakan oleh music director dalam membentuk playlist selengkapnya dipaparkan pada Lampiran A. II-1
II-2
Berdasarkan hasil wawancara yang dilakukan dengan Trijaya FM dan Global radio, salah satu prinsip yang digunakan dalam menentukan playlist lagu adalah Mood pendengar. Prinsip ini berusaha menyesuaikan lagu-lagu yang diputarkan agar sesuai dengan mood pendengar. Penyesuaian mood ini dilakukan dengan mencari lagu-lagu yang memiliki mood yang sama dengan keadaan pendengar. Mood lagu merupakan karakteristik atau makna yang tersirat dari lagu tersebut. Mood lagu dapat dibangkitkan oleh elemen-elemen pendukung lagu tersebut, misalnya melodi, beat, instrument, lirik, memory / experience, arransement, ataupun kombinasi dari elemen-elemen terkait tersebut. Secara garis besar mood lagu dapat dikelompokkan ke dalam 2 kategori, yaitu mood positif dan mood negatif. Adapun contoh mood lagu yang bersifat positif yaitu: santai / relax, kagum, happy, bangga, jatuh cinta, lucu, damai, ceria, dan semangat. Sedangkan contoh mood lagu yang bersifat negatif yaitu:
patah hati,
cemburu, sedih, sendu, mencekam, depresi, misteri, protes, sakit hati, dan kecewa [RUS09] . Penerapan prinsip pembuatan playlist lagu dengan menyesuaikan mood pendengar ini berpedoman pada teori gelombang yang diperkenalkan oleh Prof. David T. McFarland, Associate Professor of Electronic Media di School of Journalism & Communication, Kansas State University, USA dalam bukunya yang berjudul Contemporary Radio Programming Strategies. Berdasarkan teori gelombang ini, manusia dianggap memiliki satu gelombang mood yang berulang setiap kelipatan 45 menit [MCF09]. Satu gelombang mood ini dapat digambarkan serupa dengan satu satuan gelombang traversal (1λ), yang memiliki panjang gelombang sebesar 45 menit. penggambaran satu gelombang mood dapat dilihat pada gambar II-1. Berdasarkan gambar II-1, sumbu x menggambarkan tingkatan mood suatu lagu, dimana terlihat bahwa makin ke atas mood lagu yang semakin positif sedangkan semakin ke bawah mood lagu yang semakin negatif. Sumbu y menggambarkan waktu dalam satuan menit, dimana satu gelombang memiliki interval waktu
II-3
selama 45 menit. Satu gelombang menggambarkan satu aliran perubahan gelombang emosi manusia selama 45 menit.
Gambar II-1 Gelombang Mood dalam Selang Waktu 45 Menit
Aliran perubahan emosi manusia ini dikaitkan dengan mood orang tersebut. Oleh karena itu, lagu yang disajikan dalam sebuah playlist sebaiknya terdiri dari lagulagu yang keterurutannya juga mempertimbangkan aliran mood lagu seperti sebuah gelombang. Jika mood pendengar sedang berada di atas maka sebaiknya disajikan lagu-lagu yang memiliki mood positif dan jika mood pendengar sedang berada di bawah maka sebaiknya disajikan lagu-lagu yang memiliki mood negatif. Sebagai contoh, dalam 45 menit dengan aliran gelombang dimulai dari pertengahan menuju ke atas dan kemudian ke bawah, maka lagu yang disajikan pada permulaan adalah lagu-lagu yang mengandung mood pertengahan, kemudian semakin lama semakin positif lalu kemudian turun secara perlahan berganti dengan lagu-lagu yang memiliki mood semakin negatif untuk kemudian memulai gelombang baru lagi dari mood pertengahan. Dalam membuat suatu playlist, permulaan gelombang tidak selalu harus dimulai dari pertengahan, tetapi dapat dimulai dari mana saja sesuai keinginan pendengar
II-4
dengan ketentuan setiap satu gelombang harus memiliki selang waktu selama 45 menit. Untuk membangun suasana yang ceria pada awal playlist, gelombang mood dapat dimulai dari atas terlebih dahulu dengan menghadirkan lagu-lagu yang memiliki mood sangat positif, seperti lagu-lagu yang ceria, semangat dan senang. Sebaliknya, gelombang mood dapat dimulai dari bawah terlebih dahulu untuk menghadirkan mood yang negatif pada permulaan sebuah playlist. Gambar II-2 merupakan contoh gelombang mood yang dimulai dari atas (positif) dan Gambar II-3 merupakan contoh gelombang mood yang dimulai dari bawah (negatif).
45 ‘
mood
Gambar II-2 Gelombang Mood Dimulai dari Atas
Gambar II-3 Gelombang Mood Dimulai dari Bawah
II-5
II.2 Pemrograman Berbasis Rules Rule atau aturan merupakan hal yang sudah cukup umum pada kehidupan manusia saat ini. Hal ini terlihat dari banyaknya situasi dan kondisi yang melibatkan aturan sebagai salah satu cara pencarian solusi, baik dalam bidang ilmu pengetahuan, teknologi dan ilmu sosial. Dalam kehidupan bermasyarakat pun, manusia memiliki aturan-aturan yang berlaku di dalam keluarga, organisasi dan lingkungan sekitarnya yang harus diikuti guna membangun kehidupan bermasyarakat yang ideal. Dua buah contoh aturan yang diterapkan dalam kehidupan bermasyarakat adalah sebagai berikut: 1. Lampu lalu lintas, merupakan suatu aturan yang dirancang untuk dipatuhi oleh para pemakai jalan, baik yang menggunakan kendaraan atau pejalan kaki agar dapat tertib berlalu-lintas 2. Hukum merupakan bentuk aturan tertulis yang dibuat untuk dipatuhi oleh masyarakat pada suatu wilayah tertentu dengan sangsi-sangsi yang harus dijalankan jika aturan tersebut dilanggar Aturan juga banyak digunakan untuk menyelesaikan suatu permasalahan, termasuk dalam bidang teknologi informasi. Salah satu contoh penerapan aturan dalam bidang teknologi informasi adalah rule based system yang merupakan bagian dari bidang artificial intelligence. II.2.1 Definisi Sistem Berbasis Rules Rule based system atau sistem berbasis aturan merupakan bagian dari bidang artificial intelligence yang menggunakan aturan-aturan terdefinisi untuk menyelesaikan suatu permasalahan yang diberikan. Sistem ini juga dikenal dengan sebutan sistem pakar (expert system) yang bertujuan memetakan keahlian suatu pakar ke dalam suatu sistem yang otomatis. Adapun sistem berbasis aturan terdiri dari sekumpulan fakta-fakta dan aturan terdefinisi yang akan mengelola tindakan yang harus dilakukan terhadap fakta-
II-6
fakta tersebut untuk menghasilkan keluaran berupa suatu konklusi ataupun fakta baru. Aturan dalam sistem ini terdiri dari sekumpulan bentuk pernyataan if then else. Oleh karena itu permasalahan yang dapat dikelola oleh sistem barbasis aturan ini haruslah berupa permasalahan yang dapat direpresentasikan ke dalam bentuk pernyataan if then else untuk kemudian dikelola. Banyaknya aturan yang didefinisikan dalam sistem ini patut dipertimbangkan karena akan mempengaruhi performansi sistem dalam melakukan pengelolaan data [LIL00]. Adapun pola dasar dari aturan yang dimaksud dalam sistem berbasis aturan adalah sebagai berikut [LIG06]:
Aturan :
Dimana dalam hal ini merupakan formula / suatu kondisi yang harus dipenuhi agar aturan yang telah dibuat dapat dijalankan, sedangkan merupakan suatu kondisi yang mendefinisikan efek yang ditimbulkan dari aturan yang diterapkan. ini dapat berupa formula yang bersifat logis, suatu tindakan ataupun suatu keputusan yang diambil. dapat juga disebut sebagai sisi kiri dari suatu aturan (left hand side) dan sebagai sisi kanan dari suatu aturan (right hand side).
Left Hand Side (LHS) =
Right Hand Side (RHS) =
II-7
Untuk lebih jelasnya, berikut ini merupakan contoh aturan sederhana yang telah direpresentasikan ke dalam bentuk pernyataan if then else.
turun hujan
jalanan akan basah
IF turun hujan THEN jalanan basah
II.2.2 Komponen Utama Pada Sistem Berbasis Rules Dalam suatu sistem berbasis aturan (rule based system), setidaknya terdapat tiga kompenen utama yang harus ada untuk menjalankan sistem berbasis aturan tersebut. Ketiga komponen utama tersebut antara lain [FRE09]: 1. Facts, merupakan sekumpulan fakta yang akan menjadi kondisi atau state awal dalam suatu rule based system 2. Rules, merupakan sekumpulan aturan yang akan digunakan untuk mencapai solusi dari kondisi awal 3. Inference Engine atau Interpreter, merupakan mesin pengelola keseluruhan proses yang terjadi. Interpreter akan mencocokan fakta-fakta yang ada untuk kemudian dicari aturan yang sesuai. Gambar II-4 merupakan gambaran umum arsitektur yang terdapat dalam suatu rule based system. Adapun inference engine akan menjalankan fungsinya dengan tahapan sebagai berikut: 1. Inference engine akan mencocokan fakta-fakta yang terdapat pada working memory dengan aturan-aturan yang terdapat dalam knowledge base 2. Inference engine memilih aturan mana yang sesuai dengan fakta tersebut
II-8
3. Inference engine mengelola fakta dengan aturan yang telah dipilih untuk memunculkan fakta baru atau solusi dari permasalahan.
Gambar II-4 Rule Based System Architecture
II.3 Aplikasi Pembangkit Playlist Lagu Secara umum, playlist lagu merupakan sekumpulan lagu yang disusun serta dikelompokkan berdasarkan keinginan pendengarnya. Tidak hanya stasiun radio yang membutuhkan playlist lagu untuk diperdengarkan, masyarakat awam pun seringkali membuat playlist lagunya sendiri untuk menemani aktivitasnya. Pada umumnya cara yang dilakukan untuk membuat sebuah playlist lagu adalah dengan memilih dan memasukkan lagu secara manual ke dalam playlist. Hal ini tentunya cukup memakan waktu karena pendengar tersebut harus melihat satu per satu lagu yang berada pada tempat penyimpanan lagu. Saat ini terdapat beberapa cara membuat playlist lagu yang dapat menghemat waktu bila dibandingkan dengan cara manual yang biasa dilakukan. Salah satu cara yang paling banyak digunakan pada music player adalah menghasilkan playlist lagu secara acak dari kumpulan basis data lagu. Cara ini lebih dikenal sebagai fitur shuffle. Kualitas playlist acak yang dihasilkan bergantung pada algoritma pengacakan yang digunakan. Pembuatan playlist lagu secara acak ini seringkali menghasilkan playlist yang kurang sesuai dengan keinginan pendengarnya. Oleh karena itu, saat ini telah
II-9
banyak
dikembangkan
metode-metode
yang
lebih
mendekati
keinginan
penggunanya dalam membuat playlist lagu. Bidang artificial intelligence juga turut berperan dalam menghasilkan pembangkit playlist lagu yang mendekati keinginan pendengarnya. Beberapa metode yang telah berkembang saat ini antara lain: pembangkitan playlist lagu berdasarkan lagu-lagu yang biasa didengar (listening habbit), pembangkitan playlist lagu berdasarkan hint lagu yang diberikan, pembangkitan playlist lagu berdasarkan aturan yang diberikan dan berbagai metode lainnya. II.3.1 Pembangkitan Playlist Lagu Berdasarkan Hint Pembangkitan playlist lagu berdasarkan hint ini merupakan metode yang telah diterapkan oleh beberapa pengembang. Secara garis besar, cara pembangkitan playlist pada metode ini adalah dengan mencari lagu yang memiliki keserupaan atau kesamaan dengan beberapa contoh lagu yang diberikan pengguna sebagai hint. Dengan kata lain pengguna menyatakan lagu-lagu hint tersebut sebagai lagu yang disukainya untuk kemudian dicari lagu-lagu yang memiliki similaritas dengan hint tersebut [AND06]. Teknik pembangkitan playlist lagu dengan menggunakan hint ini dapat dikatakan bekerja berdasarkan pembelajaran dari lagu-lagu hint yang diberikan. Namun playlist yang dihasilkan tidak mempertimbangkan keterurutan dan pemaduan antar lagu. Selain itu, tidak ada pengaturan yang dapat dilakukan terhadap pembentukan playlist sehingga lagu-lagu yang terdapat dalam playlist masih dapat dikatakan tersusun secara acak. Berikut ini merupakan beberapa contoh metode pembangkitan playlist lagu otomatis berdasarkan hint. II.3.1.1 AutoDJ Salah satu perusahaan yang mengembangkan metode pembangkitan playlist lagu berdasarkan hint adalah Microsoft dengan proyeknya yang dikenal sebagai AutoDJ. AutoDJ bekerja menggunakan teknik Gaussian Process Regression
II-10
(GPR) untuk menentukan lagu mana yang akan dimasukan ke dalam playlist berdasarkan hint yang diberikan pengguna. GPR bekerja sebagai mesin pembelajaran (machine learning) yang mempelajari karakteristik hint dan mencari lagu yang memiliki similiritas dengan lagu hint tersebut. GPR menjalankan fungsi utamanya dengan masukan berupa sekumpulan vektor yang berisi deskripsi metadata lagu. Metadata lagu berasal dari hasil input informasi oleh editor ke dalam suatu lagu. Pada GPR metadata tersebut terbagi ke dalam tujuh kategori yaitu: genre, subgenre, style, mood, rhythm type, rhythm description dan vocal code [PLA03]. II.3.1.2 PATS Metode alternatif lain untuk membangkitkan playlist lagu berdasarkan hint adalah Personalized Automatic Track Selection (PATS) yang dikembangkan di laboratorium Philips. Pada metode ini, hint yang diberikan oleh pengguna dibatasi hanya sebanyak satu lagu saja. Metadata lagu yang dilibatkan lebih banyak jumlahnya yaitu 18 atribut : year, style, tempo, musicians, instruments, ensembele strength, soloists, composer, producer, standard/classic, place, live, label, rhythm, progression. Dua prinsip utama PATS dalam membangkitkan playlist lagu adalah keterhubungan antar lagu (coherence) dan variasi lagu. PATS menghasilkan playlist yang antar lagu di dalamnya memiliki keterhubungan satu sama lain sesuai dengan hint yang diberikan. Namun diusahakan sedemikian rupa agar playlist yang dihasilkan juga bervariasi dan tidak monoton [AND06]. II.3.2 Pembangkitan Playlist Lagu Berdasarkan Constraints Metode alternatif lain yang dapat digunakan untuk melakukan pengacakan lagu adalah dengan membangkitkan playlist berdasarkan constraints. Constraints merupakan aturan-aturan yang diberikan pengguna sebelum playlist dibangkitkan. Aturan-aturan tersebut dapat dianalogikan sebagai mesin penyeleksi lagu. Mesin
II-11
penyeleksi akan menentukan apakah lagu yang sedang diproses sesuai dengan aturan atau tidak, jika sesuai maka lagu tersebut akan ditambahkan ke dalam playlist dan jika tidak sesuai maka lagu tersebut tidak akan dimasukkan ke dalam playlist. Contoh aturan yang dapat digunakan untuk menyeleksi lagu adalah berdasarkan genre, rating atau batasan-batasan lainnya. Berikut merupakan beberapa contoh aplikasi pembangkit playlist berdasarkan constraints yang telah dikembangkan sampai saat ini. II.3.2.1 Smart Playlist pada iTunes Apple iTunes merupakan contoh aplikasi yang menggunakan constraints dalam membentuk playlist lagu. Kemampuan pada iTunes ini dikenal dengan nama fitur “Smart Playlist”. Pengguna dapat mendefinisikan aturan yang dinginkan berdasarkan pilihan yang disediakan oleh smart playlist tersebut. Pada Smart Playlist cukup banyak pilihan yang disediakan sebagai constraints seperti tahun pembuatan lagu, penyanyi, rating, komposer, genre, dan batasan lain yang keseluruhannya berjumlah 40 pilihan. Dengan Smart Playlist, pengguna juga dapat memasukkan batasan jumlah lagu yang diinginkan. Kelebihan dari fitur ini adalah bahwa iTunes dapat menyimpan history pemutaran lagu yang dilakukan oleh pengguna. iTunes menyimpan informasi lagu mana saja yang belum pernah didengarkan, jarang didengarkan dan sering didengarkan. Dalam menghasilkan playlist, Smart Playlist lebih memprioritaskan lagu-lagu yang sering didengarkan dibandingkan lagu-lagu yang tidak pernah didengarkan, dengan pertimbangan bahwa lagu yang sering didengarkan adalah lagu yang disukai oleh pengguna. Disamping kelebihan tersebut, playlist yang dihasilkan oleh Smart Playlist juga memiliki kekurangan yaitu keterurutan lagu yang dihasilkan smart playlist masih belum dapat diatur sesuai keinginan pengguna. Selain itu, aturan yang dapat dibuat pengguna masih terbatas dan tidak mempertimbangkan keserasian antar lagu. Adapun tampilan dari Smart Playlist ditunjukkan pada gambar II-5.
II-12
Gambar II-5 Fitur Smart Playlist pada iTunes
II.3.2.2 Create Auto Playlist pada Windows Media Player Tidak jauh berbeda dengan smart playlist, fitur create auto playlist yang disediakan oleh windows media player 11 juga akan melakukan pembangkitan playlist lagu berdasarkan aturan yang diberikan oleh pengguna. Playlist yang dihasilkan dapat dibatasi berdasarkan jumlah lagu, jumlah ukuran file atau waktu. Kelebihan dari fitur ini adalah dapat mengikut-sertakan file berupa video, tv show ataupun gambar-gambar dalam playlist yang dihasilkan. Pemilihan lagu dapat dilakukan dengan mencari lagu berdasarkan kesamaan nilai batasan, mencari lagu berdasarkan yang setidaknya mengandung nilai batasan ataupun mencari lagu yang sama sekali tidak sama dengan nilai batasan yang diberikan. Disamping kelebihan tersebut, playlist yang dihasilkan oleh fitur ini tidak menggunakan prinsip pemaduan antar item dalam mengkombinasikan urutan setiap itemnya (lagu, video, picture atau tv show). Aturan yang dapat didefinisikan juga masih terlalu sederhana jika digunakan untuk melakukan pembangkitan playlist dengan jumlah pendengar yang cukup banyak dan memiliki karakteristik berbeda satu sama lain. Adapun tampilan fitur create auto playlist ditunjukkan pada gambar II-6.
II-13
Gambar II-6 Fitur Create Auto Playlist pada Windows Media Player 11
II.3.2.3 Selector pada rangkaian produk RCS Kedua contoh yang telah dijelaskan sebelumnya merupakan contoh aplikasi pembangkit playlist lagu berdasarkan aturan yang cukup sederhana. Dalam menentukan playlist lagu yang akan diputarkan pada suatu program acara radio, seorang music director memiliki aturan yang lebih kompleks untuk diterapkan dalam proses pembangkitan playlist lagu. Sebagai contoh, pada malam di hari raya idul fitri, lagu-lagu yang diputarkan memiliki kecenderungan bernuansa keagamaan (lagu keagamaan umat muslim), tenang dan sesuai dengan mood pendengar di malam hari. Tentunya hal ini membuat music director memerlukan pembangkit playlist lagu yang dapat memenuhi banyak aturan dimana aturan-aturan tersebut dapat dikelola dan diubah
II-14
sewaktu-waktu. Salah satu contoh aplikasi yang dikembangkan dan digunakan oleh beberapa stasiun radio terkemuka adalah Selector. Selector marupakan salah satu dari 3 rangkaian produk yang dikembangkan oleh RCS Sound Software. Selector digunakan oleh beberapa music director untuk melakukan penjadwalan pemutaran lagu. Selector memiliki fitur pengacakan lagu berdasarkan aturan-aturan yang ditetapkan oleh music director. Cara kerja aplikasi ini adalah dengan terlebih dahulu mendefinisikan opsi atribut yang diperlukan oleh music director untuk disisipi pada lagu. Kemudian music director akan mendefinisikan aturan-aturan pengacakan lagu untuk setiap urutan lagu [SEL09]. Kelemahan sistem ini adalah music director harus mendefinisikan aturan pambangkitan lagu pada tiap urutan lagu satu per satu. Sebagai contoh, misalkan music director akan merancang lagu apa saja yang akan diputar selama satu jam, maka terlebih dahulu harus ditentukan perkiraan jumlah lagu yang akan dimainkan. Kemudian music director harus mendefinisikan aturan untuk setiap pemilihan lagu. Misalnya, lagu pertama harus lagu yang dirilis pada tahun 2009 dan ber-genre “pop”, sementara lagu kedua harus lagu yang bertema ulang tahun, demikian seterusnya sampai lagu terakhir [ARS09]. Selain itu, selector disewakan dengan lisensi yang cukup mahal. Ditambah lagi jika dirangkaikan dengan produk lain yaitu AirWaves sebagai pendukung periklanan dan MasterControl sebagai media player pada ruang siaran, dimana ketiga rangkaian ini harus dihubungkan dengan sebuah linker yang harganya cukup mahal. Tampilan utama aplikasi Selector ditunjukkan pada gambar II-7, sementara gambar II-8 menampilkan proses scheduling pada aplikasi Selector.
II-15
Gambar II-7 Aplikasi Selector
Gambar II-8 Scheduling pada Selector
II-16
II.3.2.4 Studi Banding Aplikasi Pembangkit Playlist Lagu Berdasarkan Constraints Dalam Tugas akhir ini, aplikasi pembangkit playlist yang akan dikembangkan bekerja berdasarkan constraints / aturan yang diberikan oleh pengguna. Aplikasi akan mencari lagu-lagu yang memenuhi aturan tersebut untuk dapat dimasukkan ke dalam playlist. Berikut merupakan perbandingan antara aplikasi pembangkit playlist yang akan dikembangkan dalam Tugas Akhir ini dengan beberapa jenis aplikasi pembangkit playlist berdasarkan constraints yang telah ada saat ini. Untuk mempermudah studi banding, aplikasi pembangkit playlist lagu otomatis yang akan dikembangkan dalam Tugas Akhir ini akan diberi nama Playlist Generator. Tabel II-1 Studi Banding Aplikasi Pembangkit Playlist Berdasarkan Constraints
Faktor Pembanding
Smart
Create Auto
Selector
Playlist
Playlist
Playlist
(RCS)
Generator
(iTunes)
(wmp)
Ya
Ya
Ya
Ya
Ya
Ya
Ya
Ya
Tidak
Tidak
Tidak
Ya
Metode pendefinisian
Pengaturan
Pengaturan
Pengaturan
Pengaturan
aturan
untuk semua untuk semua untuk setiap untuk semua
Pendefinisian aturan oleh pengguna Pendefinisian aturan seleksi Pendefinisian aturan pemaduan antar lagu
lagu
pada lagu
pada lagu
pada lagu
pada
playlist
playlist
playlist
playlist
Penyimpanan aturan
Tidak
Tidak
Ya
Ya
Lagu dapat langsung
Ya
Ya
Terhubung
Terhubung
dengan
dengan
player lain
player lain
Ya
Ya
dimainkan
Playlist dapat disimpan
Ya
Ya
