<![CDATA[Transformasi digital telah menjadikan platform streaming seperti Spotify sebagai medium utama dalam konsumsi musik global. Memprediksi popularitas lagu pada platform tersebut menjadi sebuah urgensi krusial bagi industri, namun upaya ini menuntut kemampuan pemrosesan big data yang melebihi batas kapasitas komputasi mesin tunggal konvensional. Oleh karena itu, penelitian ini mengusulkan implementasi arsitektur komputasi terdistribusi menggunakan klaster Apache Spark yang dibangun di atas jaringan Virtual Private Network (VPN) ZeroTier. Prediksi skor popularitas lagu dilakukan menggunakan dataset masif berukuran 1,15 juta rekaman historis berdasarkan atribut karakteristik audio dan meta datanya. Setelah melalui pembersihan dan optimasi partisi data secara paralel, pemodelan diproses dengan melatih algoritma Random Forest Regressor menggunakan pustaka Spark MLlib. Hasil evaluasi regresi menunjukkan performa memadai dengan nilai R² sebesar 0,6071, RMSE 9,9513, dan MAE 7,6349. Analisis tingkat kepentingan fitur mengungkap temuan krusial; fitur akustik audio bawaan seperti danceability dan energy secara kumulatif hanya berkontribusi kurang dari 8%. Proses prediksi justru didominasi secara absolut oleh faktor kontekstual musik, yaitu indeks genre dan tahun rilis sebesar 92,05%. Dari segi infrastruktur, pemantauan log mengindikasikan ketidakseimbangan beban kerja dinamis antar eksekutor serta tantangan latensi jaringan VPN. Secara keseluruhan, penelitian ini membuktikan kelayakan klaster terdistribusi berbasis VPN untuk pemrosesan analitik musik skala raksasa, sekaligus menyimpulkan bahwa tren selera pasar dan era perilisan jauh lebih menentukan popularitas lagu dibandingkan elemen struktural akustiknya.]]>
