Ada lebih dari 10 juta lagu yang disimpan di platform streaming musik. Penelitian visualisasi musik dapat memberikan bantuan besar bagi industri musik untuk mengetahui pengguna mereka, konten yang pengguna inginkan, dan untuk mengetahui apa yang dapat ditingkatkan pada platform musik tersebut. Dengan banyaknya musik atau lagu yang diproduksi setiap tahun, cukup sulit untuk mendengarkan semua lagu tersebut. Sistem rekomendasi akan membantu pengguna mendapatkan informasi tentang lagu baru yang sesuai dengan apa yang telah mereka dengar sebelumnya dan akan membantu lagu baru yang dirilis untuk menjangkau pengguna lebih cepat sehingga lagu tersebut dapat menjadi populer. Pada penelitian ini, dikembangkan aplikasi berbasis web yang dapat memvisualisasikan data musik menggunakan D3.js dan memberikan rekomendasi berdasarkan preferensi pengguna menggunakan metode K-NN dan cosine similarity. Dataset yang digunakan untuk penelitian ini dikumpulkan dari Spotify pada tanggal 1 November 2020, terdiri dari 169.910 lagu dan 27.621 artis dari tahun 1920-2020. Sistem ini menunjukkan bahwa hasil visualisasi menggunakan dataset Spotify, jika era semakin mendekati tahun saat ini, maka semakin banyak lagu yang dianggap populer oleh Spotify dan mempunyai kesamaan pada setiap lagu lebih tinggi tetapi berpengaruh pada waktu untuk visualisasi lebih lama dan hasil visualisasi lebih berantakan karena semakin banyak lagu dan hubungan di antara lagu untuk divisualisasikan. Pada eksperimen rekomendasi artis, K-NN memberikan performa yang lebih baik untuk eksperimen menggunakan artisartis dari genre yang sama sebagai input dan menggunakan artis-artis dengan genre yang berbeda sebagai input. Pada kedua eksperimen tersebut, K-NN memberikan hasil artis yang lebih relevan sementara cosine similarity masih memberikan beberapa artis output yang tidak relevan. Hasil dan output yang lebih baik pada K-NN sehingg K-NN memvisualisasikan lebih banyak lagu serta hubungan di antara lagu-lagu tersebut.