SISTEM REKOMENDASI MUSIK MENGGUNAKAN TEMPORAL SESSION BASED COLLABORATIVE FILTERING (TSSCF) BERBASIS MOBILE DAN WEB

Musik adalah nada atau suara yang disusun demikian rupa sehingga mengandung irama, lagu, dan keharmonisan. Jumlah musik yang banyak membuat pengguna sulit menemukan musik yang diinginkan. Untuk membantu pengguna mendapatkan musik yang diinginkan digunakan rekomendasi. Kebanyakan sistem rekomendasi musik bekerja dengan menganalisis interaksi pengguna-lagu sebelumnya dan memberikan rekomendasi menggunakan informasi yang dikumpulkan dari pengguna lain tanpa mempertimbangkan pola dan kebiasaan mendengarkan musik berdasarkan waktu. Penelitian ini menerapkan algoritma Temporal Session Based Collaborative Filtering (TSSCF) pada dataset Last.fm berjumlah 2.939.225 log history dari 925 user dengan memanfaatkan sensor proximity dan accelerometer untuk melakukan control playlist. TSSCF menghasilkan rekomendasi musik berdasarkan lagu yang diputar dan kesamaan session dengan memanfaatkan temporal properties seperti jam, hari, tanggal, bulan serta song diversity. Tahap pengujian program dilakukan dengan unit-testing sedangkan pengujian algoritma menggunakan 10-fold cross validation untuk mendapatkan rata-rata dari nilai precision, recall dan f1 score. Berdasarkan pengujian yang dilakukan didapatkan kesimpulan bahwa dengan jumlah rekomendasi musik sebanyak 40 lagu, nilai threshold 30 menit untuk pembentukan session serta nilai 30 untuk top k similar session akan menghasilkan nilai precision terbaik yaitu 77,56%. Namun terdapat kekurangan yaitu kecilnya nilai recall dan f1 score karena jumlah rekomendasi yang relatif sedikit dibandingkan total lagu yang ada di dataset.