IMPLEMENTASI HYBRID FILTERING PADA SISTEM REKOMENDASI LAGU

Mutiara Putri Utami, . (2025) IMPLEMENTASI HYBRID FILTERING PADA SISTEM REKOMENDASI LAGU. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text 1_Cover_123210167_Mutiara Putri Utami.pdf Download (161kB)
	Text 2_Abstrak_123210167_Mutiara Putri Utami.pdf Download (185kB)
	Text 3_Halaman Pengesahan_123210167_Mutiara Putri Utami.pdf Download (265kB)
	Text 4_Daftar Isi_123210167_Mutiara Putri Utami.pdf Download (163kB)
	Text 5_Daftar Pustaka_123210167_Mutiara Putri Utami.pdf Download (194kB)
	Text 6_Skripsi Full_123210167_Mutiara Putri Utami.pdf Restricted to Repository staff only Download (2MB)

Abstract

Sistem rekomendasi lagu dikembangkan untuk memudahkan pengguna dalam
menemukan musik sesuai preferensi di tengah banyaknya pilihan lagu yang tersedia pada
platform streaming. Akan tetapi, metode rekomendasi konvensional seperti Collaborative
Filtering dan Content-Based Filtering masih memiliki kelemahan, di antaranya
permasalahan cold start dan data sparsity yang dapat menurunkan kualitas rekomendasi.
Penelitian ini bertujuan untuk mengimplementasikan metode Hybrid Filtering dengan
mengombinasikan Collaborative Filtering berbasis Singular Value Decomposition (SVD)
dan Content-Based Filtering, mengevaluasi kinerja sistem menggunakan metrik Mean
Absolute Error (MAE) dan Root Mean Square Error (RMSE), serta menganalisis
kemampuan metode hybrid dalam mengatasi kendala cold start dan data sparsity.
Penelitian ini menggunakan dataset Spotify dari Kaggle yang mencakup 2.000 lagu
periode 1998–2020 dengan informasi seperti popularitas, atribut audio, dan interaksi
pengguna. Tahap awal penelitian meliputi preprocessing data berupa penghapusan data
duplikat, penyesuaian atribut, konversi implicit feedback menjadi explicit rating, dan
pemisahan data menjadi 80% data latih serta 20% data uji. Metode Collaborative Filtering
dengan algoritma SVD digunakan untuk memprediksi rating lagu, sementara Content-Based
Filtering memanfaatkan algoritma cosine similarity untuk menghitung kemiripan lagu
berdasarkan metadata. Hasil rekomendasi dari kedua metode digabungkan secara linear
weighted dengan bobot 0,6 untuk Content-Based Filtering dan 0,4 untuk Collaborative
Filtering. Sistem rekomendasi ini dikembangkan menggunakan model waterfall dan diuji
menggunakan black-box testing untuk memverifikasi fungsi setiap fitur.
Pengujian performa model menggunakan metrik Mean Absolute Error (MAE) dan
Root Mean Square Error (RMSE) menunjukkan kombinasi parameter terbaik terdapat pada
n_factors = 10 dan epochs = 40 dengan nilai MAE = 0,1537 dan RMSE = 0,1820, yang
menandakan tingkat kesalahan prediksi rendah. Pengujian keberagaman rekomendasi (intra
diversity) menunjukkan metode hybrid memiliki nilai tertinggi, yaitu 0,0135, dibandingkan
Collaborative Filtering (0,0102) dan Content-Based Filtering (0,0087), yang berarti
rekomendasi lebih bervariasi. Hasil pengujian black-box juga membuktikan seluruh fitur
sistem dapat berjalan sesuai rancangan. Dengan demikian, metode Hybrid Filtering terbukti
meningkatkan akurasi prediksi sekaligus memperluas variasi rekomendasi, serta efektif
dalam mengatasi masalah cold start dan data sparsity pada sistem rekomendasi lagu.
Kata Kunci: Sistem rekomendasi lagu, hybrid filtering, collaborative filtering, singular
value decomposition, content-based filtering

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Mutiara Putri Utami (Penulis - 123210167) Budi Santosa (Pembimbing)
Uncontrolled Keywords:	Sistem rekomendasi lagu, hybrid filtering, collaborative filtering, singular value decomposition, content-based filtering
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	22 Oct 2025 06:25
Last Modified:	22 Oct 2025 06:25
URI:	http://eprints.upnyk.ac.id/id/eprint/44773

Actions (login required)

View Item