COLLABORATIVE FILTERING DALAM SISTEM REKOMENDASI LAGU BERDASARKAN HASIL EKSTRAKSI TWEET

Naufal Lingga Ibrahim, - (2017) COLLABORATIVE FILTERING DALAM SISTEM REKOMENDASI LAGU BERDASARKAN HASIL EKSTRAKSI TWEET. S1 thesis, Universitas Pendidikan Indonesia.

[img] Text
S_KOM_1304414_Title.pdf

Download (98kB)
[img] Text
S_KOM_1304414_Abstract.pdf

Download (89kB)
[img] Text
S_KOM_1304414_Table_of_Content.pdf

Download (139kB)
[img] Text
S_KOM_1304414_Chapter1.pdf

Download (430kB)
[img] Text
S_KOM_1304414_Chapter2.pdf
Restricted to Staf Perpustakaan

Download (914kB)
[img] Text
S_KOM_1304414_Chapter3.pdf

Download (520kB)
[img] Text
S_KOM_1304414_Chapter4.pdf
Restricted to Staf Perpustakaan

Download (674kB)
[img] Text
S_KOM_1304414_Chapter5.pdf

Download (151kB)
[img] Text
S_KOM_1304414_Bibliography.pdf

Download (216kB)
[img] Text
S_KOM_1304414_Appendix.pdf
Restricted to Staf Perpustakaan

Download (357kB)
Official URL: http://repository.upi.edu

Abstract

Musik merupakan kebutuhan hiburan bagi banyak orang. Pertumbuhan industri musik pun sangat cepat dan menuntut para penikmat, produsen dan penggerak bisnis yang memanfaatkan musik untuk dapat selalu mendapatkan musik yang sesuai dengan seleranya. Banyak cara untuk mendapatkan rekomendasi lagu yang sesuai dengan selera pendengar. Rekomendasi lagu dapat dihasilkan dengan menggunakan metode User-Based Collaborative Filtering sebagai sistem rekomendasi. Pada penelitian ini dilakukan pengambilan data dari Twitter berupa teks atau biasa disebut tweet. Tweet kemudian diekstraksi sehingga menghasilkan data lagu yang dimaksud. Data lagu yang diputar setiap pengguna kemudian menjadi bahan bagi sistem rekomendasi dibuat menggunakan User- Based Collaborative Filtering. User-Based Collaborative Filtering memberikan rekomendasi berdasarkan keterkaitan antar pengguna yang memiliki kemiripan. Kemiripan antar pengguna dihitung menggunakan Jaccard Similarity. Dari 5541 data pengguna yang disimpan pada database, tidak seluruh pengguna dapat diberikan rekomendasi. Sistem dapat memberikan rekomendasi kepada 493 pengguna karena sistem rekomendasi dengan User-Based Collaborative Filtering sangat bergantung kepada banyaknya data yang dimiliki setiap pengguna. Dengan kata lain, semakin banyak data yang didapat untuk menjadi bahan rekomendasi, maka rekomendasi yang dihasilkan akan lebih baik. Kurangnya jumlah pengguna juga berdampak pada hasil pengujian sistem, sistem rekomendasi yang diuji hanya menghasilkan nilai precision sebesar 8,5% dan nilai recall sebesar 14,6%. Hasil evaluasi dari sistem rekomendasi terbilang kecil dikarenakan banyaknya pengguna yang tidak memiliki kemiripan dengan pengguna lain, sehingga tidak dapat menghasilkan rekomendasi yang baik.-----Music becomes the people need nowadays. The music industrial growth was really significant and forcing the listeners, producers, and music-based business owners to always deliver and obtain the appropriate music for a specific taste. There are several ways to acquire the recommended song that suitable for the listeners. Song recommendation could be prompt with using User-Based Collaborative Filtering as a recommendation system. In this research, the author obtains the text data from Twitter or well known as Tweet. This Tweet being extracted in order to find the specific song data. The song data which played by the Twitter users becomes a material for the recommendation system using the User- Based Collaborative Finding method. User-Based Collaborative Filtering gives song recommendation by the similarity of the users. The similarity of the users calculated by using Jaccard Similarity. From the 5541 data users, there are only 493 users that can be suggested by the song recommendation system because this method really dependant on how many data that users have. In conclusion, a higher number of data that the user shared in Twitter was aligning with the number of song recommendation result. Thus, the recommendation will be improved and getting better. With a less number of users also caused to the system test result, recommendation system that being tested only produce the precision value at 8.5% and recall value at 14.6%. Evaluation result is not good enough due to the number of users who do not have similarities with other users.

Item Type: Skripsi,Tesis,Disertasi (S1)
Additional Information: No . Panggilan : S KOM NAU c-2017; Pembimbing I : Yudi Wibisono, II : Herbert Siregar ; NIM : 1307111
Uncontrolled Keywords: Sistem Rekomendasi, Musik, Lagu
Subjects: M Music and Books on Music > M Music
M Music and Books on Music > MT Musical instruction and study
Divisions: Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User: DAM staf
Date Deposited: 16 Jan 2019 10:05
Last Modified: 16 Jan 2019 10:05
URI: http://repository.upi.edu/id/eprint/33366

Actions (login required)

View Item View Item