Rancangan Bangun Music Recommender System Dengan Metode User-Based Collaborative Filtering

Sistem rekomendasi merupakan model aplikasi dari hasil observasi terhadap keadaan dan keinginan pengguna, oleh karena itu sistem perekomendasi memerlukan model rekomendasi yang tepat agar yang di rekomendasikan sesuai dengan keinginan pengguna. Industri musik belakangan ini mengalami perubahan yang sangat signifikan. Konsumen kini cenderung mengakses dan membeli konten secara online dibandingkan pergi ke sebuah toko, hal ini jelas menimbulkan masalah pertumbuhan data yang sangat cepat di internet sehingga menyebabkan terlalu banyaknya informasi yang tersedia. Dalam penelitian ini sistem rekomendasi dianalisa dan dibangun dengan menggunakan metode user-based collaborative filtering karena dengan algoritma ini melibatkan subyektifitas pengguna sehingga rekomendasi yang dihasilkan mempunyai kualitas yang baik. Namun metode user-based collaborative filtering ini masih mempunyai kekurangan yaitu adanya scalability (keadaan dimana tingginya jumlah peningkatan user dan item di dalam database) dan sparsity (terjadinya kekosongan data matriks user-item), oleh karena itu perlu digunakan algoritma tambahan yaitu K-Means clustering dan proses smoothing yang bertujuan untuk menangani dua masalah utama tersebut. Berdasarkan implementasi dan hasil pengujian maka dapat ditarik kesimpulan sebagai berikut, berdasarkan penggunaan metode user-based collaborative filtering ini mampu mengatasi masalah kekosongan data dengan tingkat sparsity sebanyak 70% namun untuk hasil akhir dari pengujian metode ini menggunakan MAE (Mean Absolute Error) yang mempunyai rentang nilai 0 � 1 didapatkan data yaitu 0,6713 artinya penggunaan metode ini menghasilkan nilai lebih dari 0,5 maka dapat disimpulkan metode ini masih kurang akurat oleh karena itu perlu digunakan algoritma lain yang menghasilkan nilai yang lebih akurat, atau tidak lebih dari 0,5.

Recommender system is an aplication model from the results of an observation towards users� condition and desire, therefore recommender system needs an appropriate recommendation model so the recommendations fit the users� desire. Recently, music industries experienced a significant change. Consumers tend to access and buy contents by online, compared to go to a store, this is obviously triggers very fast data development problem on the internet so it causes too many information available. On this research recommender system is analyzed and built by using user-based collaborative filtering method, since by this algorithm it involves user subjectivity so that the recommendations which are created have a good quality. However, this user-based collaborative filtering method still has a weakness which is the existence of scalability (a condition where there is a high number of users and items increase on the database) and sparsity (the void of data matrix user-item occurrences). Therefore, it is needed to use additional algorithm which is K-Means clustering and smoothing process which aim to handle those two major problems.Based on the implementations and test results, we could conclude that based on the use of user-based collaborative filtering method, this algorithm could handle the void of data with sparsity level as much as 70%. However, for the final result from this testing method, it used MAE (Mean Absolute Error) which have the range of values from 0 � 1, and the result is 0,6713 which means the use of this method generate values more than 0,5, then it is concluded that this method is still less accurate, so it is needed to use the other algorithms which is more accurate or generate values no more than 0,5.