SISTEM REKOMENDASI LAGU DENGAN METODE COLLABORATIVE FILTERING YANG MEMANFAATKAN IMPLICIT FEEDBACK DATASETS

Transkripsi

1 SISTEM REKOMENDASI LAGU DENGAN METODE COLLABORATIVE FILTERING YANG MEMANFAATKAN IMPLICIT FEEDBACK DATASETS SONG RECOMMENDATION SYSTEM WITH COLLABORATIVE FILTERING METHOD USING IMPLICIT FEEDBACK DATASETS Laporan ini disusun untuk memenuhi salah satu syarat menyelesaikan Pendidikan Diploma Program Studi D3 Teknik Informatika Jurusan Teknik Komputer dan Informatika Disusun oleh Dina Rahmadhani Firman Maulana Maisa Nurul Agnia POLITEKNIK NEGERI BANDUNG 2012

2 SISTEM REKOMENDASI LAGU DENGAN METODE COLLABORATIVE FILTERING YANG MEMANFAATKAN IMPLICIT FEEDBACK DATASETS SONG RECOMMENDATION SYSTEM WITH COLLABORATIVE FILTERING METHOD USING IMPLICIT FEEDBACK DATASETS Laporan ini disusun untuk memenuhi salah satu syarat menyelesaikan Pendidikan Diploma Program Studi D3 Teknik Informatika Jurusan Teknik Komputer dan Informatika Disusun oleh Dina Rahmadhani Firman Maulana Maisa Nurul Agnia POLITEKNIK NEGERI BANDUNG 2012

3

4 Nama : Dina Rahmadhani NIM : Tempat, Tanggal Lahir : Bandung, 8 April 1991 SD Lulus Tahun : 2003 dari SD Negeri Banjarsari IV Bandung SLTP Lulus Tahun : 2006 dari SMP Negeri 2 Bandung SLTA Lulus Tahun : 2009 dari SMA Negeri 2 Bandung Prestasi yang pernah dicapai : -

5 Nama : Firman Maulana NIM : Tempat, Tanggal Lahir : Cirebon, 5 Oktober 1990 SD Lulus Tahun : 2002 dari SD Negeri Karang Anom III SLTP Lulus Tahun : 2005 dari SMP Negeri 6 Cirebon SLTA Lulus Tahun : 2008 dari SMA Negeri 3 Cirebon Prestasi yang pernah dicapai : Juara 1 MTQ ( hafalan Al-Qur an ) SD se-kota Cirebon Juara 2 basket 3 on 3 SMAN 4 Cirebon

6 Nama : Maisa Nurul Agnia NIM : Tempat, Tanggal Lahir : Bandung, 13 Agustus 1990 SD Lulus Tahun : 2002 dari SD Negeri I Rajamandala SLTP Lulus Tahun : 2005 dari SMP Negeri I Cikalong Wetan SLTA Lulus Tahun : 2009 dari SMK Negeri I Cimahi Prestasi yang pernah dicapai : -

7 ABSTRAK Tugas akhir ini berkaitan dengan pembangunan sistem rekomendasi yang dapat memberikan saran-saran untuk lagu yang sekiranya ingin didengarkan oleh pengguna. Sistem rekomendasi lagu yang akan dibuat hanya memanfaatkan implicit feedback, yaitu berapa kali pengguna tersebut mendengarkan suatu lagu dan penilaian tidak langsung terhadap suatu lagu. Adapun metode rekomendasi yang digunakan pada sistem ini adalah metode Collaborative Filtering dengan memanfaatkan Neighborhood Model, yaitu metode Cosine Similarity, dan metode pengelompokkan data dengan memanfaatkan algoritma K-Means. Lagu-lagu dari artis dengan tag tertentu dikelompokkan menggunakan algoritma metode cluster, lalu dari setiap cluster yang terbentuk dihitung kedekatan antar lagu-lagu didalamnya, sehingga ketika pengguna mendengarkan suatu lagu, sistem akan merekomendasikan lagu yang mungkin dipilih oleh pengguna, nilai kemiripannya paling tinggi. Kata Kunci: Sistem Rekomendasi, Lagu, Collaborative Filtering, Neighborhood Model, K- Means

8 ABSTRACT This project is about recommendation system that can provide suggestions for song to be listened. Song recommendation use implicit feedback, that is how many times users listen to a song and indirect assessment given to the song. The method used in this system is Collaborative Filtering using Neighborhood Model, that is Cosine Similarity, and a method of clustering data by using K-Means algorithm. The tracks of the artist with particular tag is clustered using that algorithm to form cluster, then from each clusters the closeness is calculated neighborhood between the track, so that when users listen to a song, the system will recommend songs that may be selected by the user, that have highest closeness. Keywords: Recommender System, Song, Collaborative Filtering, Neighborhood Model, K- Means

9 KATA PENGANTAR Puji dan syukur kehadirat Tuhan Yang Maha Esa karena berkat rahmat dan hidayah-nya penulis dapat menyelesaikan laporan yang berjudul Sistem Rekomendasi Lagu dengan Metode Collaborative Filtering yang Memanfaatkan Implicit Feedback Datasets. Adapun tujuan dari pembuatan laporan ini adalah untuk memenuhi syarat menyelesaikan Pendidikan Diploma III Program Studi Teknik Informatika, Jurusan Teknik Komputer dan Informatika. Selama penulisan laporan ini penulis mendapat bantuan, bimbingan, dan pengarahan dari berbagai pihak, maka dari itu penulis menyampaikan rasa hormat dan terima kasih kepada : 1. Bapak Jonner Hutahaean, BSET. selaku Dosen Pembimbing I. 2. Bapak Dewa Gede Parta, BSCS. selaku Dosen Pembimbing II. 3. Bapak Ade Chandra Nugraha, S.Si., M.T. selaku Ketua Jurusan Teknik Komputer Politeknik Negeri Bandung. 4. Teman teman serta pihak-pihak yang telah memberikan dukungan baik moriil maupun materil 5. Orang tua dan seluruh keluarga yang telah memberikan dukungan baik moriil maupun materil. Semoga segala bantuan yang telah diberikan kepada penulis mendapat balasan yang lebih dari Allah SWT. Penulis berharap semoga laporan ini dapat bermanfaat bagi para khalayak sekalian. Bandung, Juli 2012 Kelompok Tugas Akhir 205 i

10 DAFTAR ISI KATA PENGANTAR... i DAFTAR ISI... ii DAFTAR GAMBAR... iv DAFTAR TABEL... vi DAFTAR ISTILAH... viii DAFTAR SINGKATAN... ix DAFTAR SIMBOL... x BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Sistem Batasan Masalah Metode Pengerjaan... 4 BAB II KAJIAN PUSTAKA Sistem Rekomendasi Neighborhood Models Association Rule Mining Perangkat Pendukung Pemodelan UML ( Unified Model Language ) BAB III ANALISIS Analisa Sistem Rekomendasi Musik Last.fm Use Case Model Dari Current System Definisi Aktor Use case Specification Analisa Lagu Analisa Data Analisa Metode Rekomendasi Spesifikasi Kebutuhan Fungsional Business Rule BAB IV PERANCANGAN Tujuan & Batasan Perancangan Arsitektur Sistem Model Perilaku Sistem Use Case Diagram Definisi Aktor Use Case Specification Perancangan Data Kamus Data Conceptual Data Model Physical Data Model Perancangan antar package Perancangan Interaksi Class Logika Proses Rancangan Tampilan ii

11 BAB V IMPLEMENTASI Batasan Implementasi Infrastruktur Sistem Struktur Komponen Sistem Implementasi User Interface Requirement yang diimplementasikan Pengujian BAB VI PENUTUP Kesimpulan Saran DAFTAR PUSTAKA iii

12 DAFTAR GAMBAR Gambar 1 Vektor... 9 Gambar 2 K-means dengan dua group Gambar 3 Flow chart k-means Gambar 4 Ilustrasi Pola Asosiasi Gambar 5 Last.fm Gambar 6 Use case model sistem rekomendasi musik last.fm Gambar 7 Last.fm radio untuk pencarian lagu Gambar 8 Last.fm radio untuk pemutaran lagu Gambar 9 Chart lagu yang didengarkan Gambar 10 Pemutaran lagu pada media player Gambar 11 Audioscrobller Gambar 12 Charts lagu yang didengarkan Gambar 13 Rekomendasi data artist Gambar 14 Rekomendasi data lagu Gambar 15 Hasil Rekomendasi data Lagu yang berkaitan dengan lagu lain Gambar 16 Skema relasi database last.fm Gambar 17 ER diagram database last.fm Gambar 18 Top track pengguna last.fm Gambar 19 K-Means Clustering Iterasi Gambar 20 K-Means Clustering Iterasi Gambar 21 K-Means Clustering Iterasi Gambar 22 Clustering pada SPSS Gambar 23 Arsitektur sistem Gambar 24 Use Case Diagram Sistem Rekomendasi Lagu Gambar 25 ER-diagram sistem rekomendasi lagu Gambar 26 Conceptual data model sistem rekomendasi lagu Gambar 27 Physical data model sistem rekomendasi lagu Gambar 28 package diagram sistem rekomendasi lagu Gambar 29 Class diagram packagae model Gambar 30 Class diagram package controller Gambar 31 Hubungan antar objek pengolahan rekomendasi "cluster & cosine similarity scenario" Gambar 32 Hubungan antar objek pengolahan rekomendasi "cluster & cosine similarity scenario" lanjutan Gambar 33 Hubungan antar objek perekomendasian lagu kepada pengguna Gambar 34 Interaksi class untuk usecase registrasi Gambar 35 Interaksi class untuk usecase mendengarkan lagu Gambar 36 Interaksi class untuk usecase Authentikasi Gambar 37 Rancangan tampilan login page Gambar 38 Alert message login gagal Gambar 39 Rancangan tampilan halaman registrasi Gambar 40 Message registrasi berhasil Gambar 41 Rancangan tampilan home page Gambar 42 Infrastruktur Sistem iv

13 Gambar 43 Struktur komponen sistem Gambar 44 Form login Gambar 45 Form registrasi Gambar 46 Home page Gambar 47 Hasil pengujian 1 K-F Gambar 48 Hasil pengujian 2 K-F v

14 DAFTAR TABEL Tabel 1 World internet usage and population... 1 Tabel 2 Hybridization method... 7 Tabel 3 Perbandingan metode rekomendasi hybrid... 7 Tabel 4 Definisi aktor Tabel 5 Usecase specification menambah data artis ke playlist Tabel 6 Usecase specification memberikan rating atau love Tabel 7 Usecase specification memberikan tag Tabel 8 Usecase specification mendengarkan lagu Tabel 9 Usecase specification menentukan artis favorit Tabel 10 Usecase specification mencari data lagu tertentu Tabel 11 Kesimpulan dari analisa sistem rekomendasi musik Last.fm Tabel 12 Saran perancangan ( analisa sistem rekomendasi musik last.fm ) Tabel 13 Analisa lagu Tabel 14 Kesimpulan analisa lagu Tabel 15 Evaluasi Data Tabel 16 Saran perancangan ( analisa lagu & data ) Tabel 17 Data implicit feedback last.fm Tabel 18 Cosine similarity Tabel 19 Tabel kemiripan 5 sampel data implicit feedback Tabel 20 K-means clustering Tabel 21 Tabel data lagu untuk k-means clustering Tabel 22 Jarak setiap objek ke centroid Tabel 23 Pengelompokan objek ke dalam cluster Tabel 24 Jarak objek ke centroid Tabel 25 Pengelompokan objek ke dalam cluster Tabel 26 Hasil Pengelompokkan Lagu ke dalam cluster Tabel 27 Association rule mining Tabel 28 Tabel binari association rule mining Tabel 29 Nilai asosiasi terhadap lagu yang akan direkomendasikan Tabel 30 Kesimpulan metode rekomendasi Tabel 31 Saran perancangan ( analisa metode rekomendasi ) Tabel 32 Kebutuhan fungsional Tabel 33 Business Rule Tabel 34 Keterangan Aktifitas Tabel 35 Definisi aktor Tabel 36 UC-01 melakukan registrasi Tabel 37 UC-02 mendengarkan lagu Tabel 38 UC-03 mendapatkan rekomendasi Tabel 39 UC-05 membuat jadwal untuk update cluster (jarak & sudut) Tabel 40 Entity artist Tabel 41 Entity Tag Tabel 42 Entity Track Tabel 43 Entity User vi

15 Tabel 44 Entity Cluster Tabel 45 Logika Proses updateclustercontroller Tabel 46 Logika Proses predictioncontroller Tabel 47 Logika Proses trackclustermodel Tabel 48 Logika Proses clustermodel Tabel 49 Logika Proses artisttagmodel Tabel 50 Logika Proses tagmodel Tabel 51 Logika Proses trackmodel Tabel 52 Logika Proses songsimilaritymodel Tabel 53 Logika Proses trackusermodel Tabel 54 Logika Proses usermodel Tabel 55 Rancangan tampilan UI Tabel 56 Rancangan Tampilan UI Tabel 57 Tabel Rancangan Tampilan UI Tabel 58 Keterangan dari infrastruktur sistem Tabel 59 Keterangan dari struktur komponen Tabel 60 Daftar requirement yang diimplementasikan Tabel 61 Pengujian sistem rekomendasi berdasarkan data masukan Tabel 62 Data masukan untuk pengujian K-F Tabel 63 Keluaran yang diharapkan ( cluster 1 ) Tabel 64 Keluaran yang diharapkan ( cluster 2 ) Tabel 65 Keluaran yang diharapkan ( cluster 3 ) Tabel 66 Keluaran yang diharapkan ( cluster 4 ) Tabel 67 Data pengujian untuk K-F Tabel 68 Hasil Responden Tabel 69 Hasil Responden Tabel 70 Hasil Responden vii

16 DAFTAR ISTILAH Correlation Cosine Similarity Clustering Tag Hubungan antar 2 pengguna terdaftar atau hubungan antar 2 lagu. Dihitung dengan menggunakan formula yang memanfaatkan nilai rating Nilai kemiripan antara dua buah vector yang dilihat dari sudut kosinus yang terbentuk diantara keduanya. Suatu alat untuk analisa data, yang memecahkan permasalahan mengenai penggolongan. Kata atau frase yang membantu mengkategorikan topik viii

17 DAFTAR SINGKATAN Singkatan CF CN ER KB KSR SP SQL UCA UI Deskripsi Collaborative filtering Content-Based Entity Relationship Knowledge-Based Kesimpulan Sistem Rekomendasi Saran Perancangan Structured Query Language Use Case analisis User Interface ix

18 DAFTAR SIMBOL Simbol Nama Penggunaan Keterangan act Use Case Model Activ ity3 Activity Activity diagram Elemen yang menggambarkan kegiatan. act Use Case M... Action Activity diagram Elemen yang menggambarkan aksi dari suatu kegiatan. Action1 act Use Cas... ActivityInitial Initial State Activity diagram, state diagram Elemen yang memperlihatkan dimana aliran aktivitas berawal. act Use Ca... Final State Activity diagram Elemen yang memperlihatkan dimana aliran aktivitas berakhir. ActivityFinal act Us... Decision Activity Diagram, state diagram Elemen yang menggambarkan suatu kondisi. act Use Case Model Class1 Class Class diagram Merepresentasikan suatu objek yang menggambarkan struktur dan perilaku sistem. act Use Case Model Package1 package Package diagram Merepresentasikan suatu paketpaket class. x

19 DAFTAR PUSTAKA Alag, S., Collective Intelligence in Action. Greenwich: Manning Publications Co. Andritsos, P., Data Clustering Techniques. Qualifying Oral Examination Paper, p. 12. Google, Web Search Interest: music. [Online] Available at: 35&q=music&date=1%2F2011%2012m&cmpt=q [Diakses 05 Februari 2012]. Group, M. M., INTERNET USAGE STATISTICS. [Online] Available at: [Diakses 24 Februari 2012]. Hendry, J., k-means Clustering (case 2 cluster). [Online] Available at: 2-cluster [Diakses 4 April 2012]. Hu, Y., Koren, Y. & Volinsky, C., Collaborative Filtering for Implicit Feedback Datasets. [Online] Available at: citeseerx.ist.psu.edu/viewdoc/download?doi= &rep=rep1&type=pdf [Diakses 6 February 2012]. Jannach, D., Janker, M., Reflenki, A. & Friedrich, G., Recommender Systems. New York: Cambridge University Press. J. S. M., Teaching Materials & Files. [Online] Available at: [Diakses 25 May 2012]. Konstan, J. A. et al., Applying collaborative filtering to Usenet news. New York : ACM. L., Last.fm Web Services. [Online] Available at: [Diakses 7 June 2012]. xi

20 Last.fm, Scrobbling 2.0 Documentation. [Online] Available at: [Diakses 23 Maret 2012]. last.fm, Community. [Online] Available at: [Diakses 29 Desember 2011]. Liu, N. N., Xiang, E. W. & Zhao, M., Unifying Explicit and Implicit Feedback for Collaborative Filtering. New York: ACM Press. McGinty, L. & Smyth, B., Adaptive Selection: An Analysis of Critiquing and Preference-Based Feedback in Conversational Recommender Systems. s.l.:international Journal of Electronic Commerce. Mujiasih, S., Dokumen_585_Nomor_2_September_2011_Pemanfaatan_Data_Mining_Untuk_Prakiraa n_cuaca. PEMANFATAN DATA MINING UNTUK PRAKIRAAN CUACA, Volume 12 Nomor 2 September 2011, p MusicBrainz, t.thn. MusicBrainz Database. [Online] [Diakses 3 April 2012]. Owen, S., Anil, R., Dunning, T. & Friedman, E., Mahout in Action. New York: Manning Publications. Ricci, F., Rokach, L., Saphira, B. & Kantor, P. B., Recommender Systems Handbook. s.l.:springer New York Dordrecht Heidelberg London. Teknomo, P. K., K-Means Clustering Tutorial. K-Means Clustering Tutorial, p. 2. University of Glasgow, D. o. C. S., Multimedia Information Retrieval at Glasgow University. [Online] Available at: [Diakses 2 Februari 2012]. UTM, CIM Lecture. [Online] Available at: [Diakses ]. xii

21 Wikipedia, Association rule learning. [Online] Available at: [Diakses 30 Maret 2012]. Wikipedia, Cosine Similarity. [Online] Available at: [Diakses 30 Maret 2012]. Wikipedia, Last.fm. [Online] Available at: [Diakses 22 Maret 2012]. Wikipedia, Unified Modeling Language. [Online] Available at: [Diakses 29 Mei 2012]. Wiranto, Mengenal Recommender System. [Online] Available at: [Diakses 24 Januari 2011]. xiii