Sebelum kemajuan layanan streaming musik, rekomendasi musik banyak didapatkan dari orang terdekat yang mempengaruhi selera musik seseorang. Namun, saat ini layanan streaming musik menawarkan berbagai fitur musik discovery, seperti berdasarkan mood, negara, dan genre. Namun, Music Recommendation System sebagai dasar fitur music discovery belum banyak mengadaptasi pengaruh dari pengguna terdekat. Social influence dalam Music Recommendation System menggambarkan bagaimana seseorang mempengaruhi preferensi musik orang terdekatnya. Tingkat social influence dipertimbangkan dari hubungan saling mengikuti, lagu dan genre yang disukai kedua pengguna yang dimodelkan dalam Property graph untuk memudahkan adaptasi model. Lagu pengguna dengan tingkat social influence tinggi digunakan pada perhitungan similarity measures berdasarkan audio properties untuk menghasilkan rekomendasi akhir, Ditunjukan hasil korelasi rata-rata sebesar 0.9505 dan tingkat error 0.1710. Dalam hal kesesuaian dengan selera pengguna, dari 10 lagu yang direkomendasikan, hasil rata-rata dari lagu yang disukai dalam list rekomendasi adalah 71?ngan jumlah lagu baru dari list rekomendasi yang disukai yaitu 25%.
