Analisis Penerapan Algoritma Markov Chain Untuk Sistem Rekomendasi Lagu
| Format: | Bachelors |
|---|---|
| Terbitan: |
#CREATOR_ORGNAME#
, 2021
|
| Subjects: | |
| Online Access: |
http://digilib.polban.ac.id\/download.php?id=39885 |
Daftar Isi:
- Jumlah lagu yang sudah diproduksi hingga saat ini sudah tidak terhitung banyaknya dengan berbagai genre, jenis lagu, dan penyanyi yang beragam. Namun, tidak setiap orang memiliki preferensi lagu yang serupa satu sama lain. Oleh karena itu diperlukan suatu sistem yang mampu memberikan rekomendasi berbagai lagu, yang disebut sistem rekomendasi lagu. Kebanyakan sistem rekomendasi lagu yang berkembang saat ini lebih memperhatikan kesamaan artis dan genre lagu, sehingga rekomendasi yang dihasilkan tidak selalu sesuai dengan apa yang diinginkan. Jarang juga ada sistem rekomendasi lagu yang memperhatikan unsur lain dalam lagu seperti melodi, tempo, birama, dan sebagainya. Padahal unsur-unsur tersebut terhitung penting dan dapat mempengaruhi rekomendasi lagu yang akan diberikan. Maka dari itu, penulis mengajukan sebuah sistem rekomendasi berdasarkan fitur tempo (BPM) lagu menggunakan algoritma Rantai Markov dan metode klusterisasi K-Means. Rantai Markov (Markov chain) adalah sebuah model matematik yang digagas oleh Andrey Markov pada tahun 1913 untuk mendefinisikan sebuah proses yang terdiri dari sejumlah keadaan (state) yang terbatas dan perpindahan/transisi antara satu state ke state yang lain (atau menuju state yang sama) sebagai sebuah probabilitas. Melihat transisi dari lagu yang diputar oleh user dapat diinterpretasikan sebagai probabilitas, algoritma ini dipilih sebagai basis dari sistem rekomendasi. Tahap-tahap yang dilalui dalam mengembangkan sistem rekomendasi ini adalah perhitungan BPM lagu dengan Mix Meister, pengelompokkan data lagu berdasarkan BPM dengan K-Means clustering menggunakan WEKA, pengubahan isi data history playlist menjadi nomor cluster, dan pelatihan model menggunakan algoritma Markov Chain. Setelah sistem berhasil dikembangkan, penulis menguji sistem dengan memberikan data tes untuk mengukur kesamaan antara hasil rekomendasi sistem dan data acuan. Berdasarkan hasil pengujian data tes, sistem mampu memberikan rekomendasi kepada user dengan input sebuah lagu, dan memiliki ukuran performa berupa rata-rata nilai kesalahan RMSE 23.782. Hasil ini juga menunjukkan bahwa performa dari sistem sangat tergantung terhadap seberapa banyak data yang tersedia selama tahap pelatihan sistem. Kata kunci: K-Means, Rantai Markov, Sistem Rekomendasi, Sistem Rekomendasi Lagu, Tempo.