Listening History

1Gst. Ayu Vida Mastrika Giri

Program Stuidi Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana

Badung, Bali vida.mastrika@cs.unud.ac.id

2 I Gusti Agung Gede Arya Kadyanan

Program Stuidi Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana

Badung, Bali gungde@unud.ac.id

Abstrak— Temu kembali informasi musik atau Music Information Retrieval (MIR) adalah bidang yang saat ini sedang berkembang saat ini, termasuk didalamnya adalah rekomendasi musik. Ada berbagai fitur musik yang telah digunakan untuk menghasilkan rekomendasi musik, seperti konten musik, konteks musik, properti pengguna, dan konteks pengguna. Dalam studi saat ini, fitur konteks yang lebih terkait dengan properti pengguna akan digunakan untuk membuat daftar putar rekomendasi musik. Fitur yang akan digunakan adalah fitur demografis seperti usia, jenis kelamin, dan negara. Listening history dari pengguna juga akan dikumpulkan, sehingga diketahui jenis musik apa yang sering didengarkan pada waktu-waktu tertentu. Fitur-fitur ini diharapkan dapat membuat playlist musik yang lebih ramah pengguna jika dibandingkan dengan menggunakan fitur konten musik. Metode Self Organizing Map akan digunakan untuk mengklasifikasikan musik dalam sejarah mendengarkan. Musik di grup yang sama nantinya akan ada di daftar putar yang sama. Sistem rekomendasi yang dibangun memiliki rata-rata precision sebesar 0.655. Nilai precision yang didapat tidak terlalu tinggi, perlu adanya tambahan fitur rekomendasi dengan konteks yang lebih mendekati pribadi pengguna masing-masing, seperti preferensi genre musik untuk meningkatkan nilai precision.

Kata Kunci— listening history, rekomendasi musik, temu kembali informasi musik.

I. PENDAHULUAN

Ada berbagai fitur musik yang telah digunakan untuk menghasilkan rekomendasi musik, seperti music content, music context, user properties, dan user context. Fitur yang berkaitan dengan music content bersifat signal-centric berhubungan langsung dengan akustik musik seperti nada, irama, dan fitur-fitur yang ada pada konten musik. Fitur yang berkaitan dengna music content dan music context telah digunakan pada penelitian sebelumnya, dalam sebuah sistem rekomendasi musik berdasarkan kemiripan audio dan keterkaitan artis.

Penyedia musik online seperti Spotify telah menyediakan beragam playlist dan rekomendasi. Rekomendasi musik berdasarkan listening history juga sudah disediakan, tetapi yang digunakan adalah listening history pribadi user tertentu saja, bukan hasil kombinasi dari berbagai user. Pada penelitian ini, musik-musik dari listening history user-user yang sejenis diharapkan dapat memperkaya hasil rekomendasi musik pada playlist yang dihasilkan.

Pada penelitian saat ini, fitur-fitur konteks yang lebih berkaitan dengan user properties akan digunakan untuk membuat playlist rekomendasi musik. Fitur-fitur yang akan digunakan adalah fitur demografis seperti umur, jenis

kelamin, dan negara. Listening history dari pengguna juga akan dikumpulkan, sehingga diketahui musik seperti apa yang sering didengarkan pada waktu-waktu tertentu. Dataset yang akan digunakan adalah LFM-1b yang disusun oleh [1] dari pendengar musik di Last.fm. Dataset tersebut berisi fitur demografis dan listening history yang diharapkan bisa membuat playlist yang lebih sesuai dengan user jika dibandingkan dengan menggunakan fitur music content.

Metode Self Organizing Map akan digunakan untuk mengelompokkan musik-musik yang ada pada listening history. Musik-musik yang ada pada kelompok yang sama nanti akan berada pada playlist yang sama. Pada penelitian ini, evaluasi sistem akan dilakukan pada user yang berasal dari negara Indonesia.

II. METODE DAN PROSEDUR

Sistem rekomendasi dapat ditemukan pada banyak aplikasi modern yang memberikan user banyak pilihan item.

Sistem yang mempunyai banyak pilihan item biasanya menyediakan daftar item yang mungkin saja akan dipilih oleh user, atau memprediksi seberapa banyak kecenderungan user untuk memilih item tertentu. Sistem rekomendasi membantu user untuk memilih item yang sesuai dan meringankan pencarian item pilihan dalam koleksi besar item [2].

Gambaran umum sistem ditunjukkan pada Gambar 1.

GAMBAR 1.ALUR KERJA SISTEM

Rekomendasi musik dihasilkan saat user masuk ke dalam aplikasi. Saat user masuk, sistem akan mencatat input waktu secara otomatis dan nanti sistem akan memberikan rekomendasi musik secara otomatis. Sebelumnya, musik-musik pada sistem akan dikelompokkan menjadi kelompok-kelompok dengan menggunakan algoritma Self Organizing Map.

Metode penelitian yang digunakan dalam penelitian ini adalah metode Waterfall dengan langkah-langkah sebagai berikut: analisis kebutuhan sistem, desain sistem, implementasi sistem, dan pengujian system.

A. Analisis Kebutuhan Sistem

Kebutuhan fungsional sistem rekomendasi musik ini adalah: sistem dapat menampilkan rekomendasi playlist musik yang terdri dari 20 musik pada user dengan input berupa umur, jenis kelamin, preferensi terhadap musik baru, preferensi terhadap musik mainstream, banyak artis berbeda yang didengarkan, banyak musik berbeda yang didengarkan, dan waktu akses sistem yang sudah diinputkan terlebih dahulu.

B. Desain Sistem

Proses pertama yang harus dijalankan sebelum sistem terbentuk adalah proses clustering atau pengelompokan data listening history dengan menggunakan algoritma Self Organizing Maps. Jaringan SOM menghasilkan proyeksi ruang data ke peta ruang dua dimensi sedemikian rupa, sehingga data item yang mirip terletak berdekatan satu sama lainnya pada peta [3]. Proses ini akan menghasilkan sebuah nomor cluster di mana fitur-fitur dari listening history seperti umur, negara, jenis kelamin, dan waktu mendengarkan musik dikelompokkan. Dataset listening history akan dikelompokkan pada cluster dengan bobot optimal yang mempunyai jarak terdekat dengan fitur listening history-nya.

Setelah dataset listening history pengguna terklasifikasi, saat pengguna mengakses sistem pada waktu tertentu, sistem akan mencari 20 rekomendasi musik yang mempunyai kemiripan fitur dengan listening history pengguna lainnya yang ada pada dateset. Alur pencarian rekomendasi ditunjukkan pada Gambar 2.

C. Implementasi Sistem

Setelah dilakukan pengumpulan data dan desain sistem, maka langkah selanjutnya yang dilakukan adalah implementasi desain yang telah dibuat ke dalam sistem dengan cara menerjemahkannya ke dalam bahasa pemrograman web dan DBMS MySQL.

036-3

GAMBAR 2.FLOWCHART PROSES PENENTUAN REKOMENDASI

D. Pengujian Sistem

Pengujian sistem dilakukan untuk menguji cara kerja sistem. Pengujian sistem dilakukan dengan cara mencari akurasi/kesesuaian rekomendasi musik yang telah dihasilkan sistem berdasarkan penilaian pengguna dengan mencari nilai precision menggunakan persamaan (1). True positive (tp) pada information retrieval merupakan item relevan yang dihasilkan oleh sistem sebagai rekomendasi. Sedangkan false positive (fp) merupakan item tidak relevan yang dihasilkan oleh sistem sebagai rekomendasi

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = ^𝑡𝑝

𝑡𝑝+𝑓𝑝 (1)

Precision didefinisikan sebagai data relevan yang telah diambil kembali [4]. Dalam sebuah rekomendasi, presision didefinisikan sebagai rasio dari item relevan yang direkomendasikan dengan banyaknya item yang direkomendasikan (total item pada daftar rekomendasi, yang relevan maupun tidak relevan).

III. HASIL DAN PEMBAHASAN

Data latih pada penelitian ini adalah data listening history LFM-1b. Hanya sebagian data pada LFM-1b dataset yang digunakan pada penelitian ini. Data listening history yang digunakan pada penelitian ini sejumlah 68.416 record listening history dari total 37 pengguna Indonesia. Pengguna yang ada pada dataset penelitian ini yang berusia 16 sampai 40 tahun.

Algoritma self organizing map digunakan untuk mengelompokkan data listening history menjadi kelompok-kelompok. Jaringan yang digunakan dalam penelitian ini adalah jaringan dengan 3x3 neuron hingga 10x10 neuron.

Cluster terbaik dipilih dengan menghitung jarak antar centroid cluster. Cluster terbaik adalah cluster dengan jarak antar centroid yang terbesar. Hal tersebut menunjukkan bahwa anggota-anggota cluster terpisah/terkelompok dengan baik. Jaringan dengan jarak antar cluster terbesar adalah jaringan dengan neighborhood 3x3 dengan nilai 0.366573598. Sehingga cluster yang digunakan untuk memberikan rekomendasi terdiri dari 9 cluster.

Rekomendasi musik diberikan ke 10 pengguna yang digunakan sebagai data uji. Musik-musik yang direkomendasikan berasal dari data latih yang telah dilatih dan dikelompokkan dengan Self Organizing Map. Setiap pengguna akan diuji satu kali (mencari rekomendasi untuk satu timestamp/satu waktu tertentu).

Tabel 2 menunjukkan contoh hasil rekomendasi (5 dari total 20 item rekomendasi) yang dihasilkan oleh sistem untuk satu pengguna dengan umur 20 tahun, laki-laki, novelty 0.560869098, mainstreamness 0.3687277, dist_track 0.235208165, dist_artist 0.453520399, dan timestamp 1370045080. Hasil rekomendasi yang dicoret adalah musik dari artist yang tidak pernah didengarkan user sebelumnya, hal ini dianggap tidak sesuai dengan preferensi pengguna. Dari 20 total rekomendasi, 17 musik dianggap sesuai dengan preferensi pengguna dan menghasilkan nilai precision 0.85.

Mulai

Dataset user, timestamp, dataset listening history;

nomor cluster; anggota cluster;

Arg min D(j)

20 musik rekomendasi

Selesai

TABEL 2.CONTOH HASIL REKOMENDASI

artist_name track_name

Daft Punk Motherboard

Red Hot Chili Peppers Snow (Hey Oh)

The XX Chained

Foo Fighters Wheels

Frank Ocean Lost

Nilai precision untuk setiap percobaan pada 10 pengguna yang berasal dari Indonesia dapat dilihat pada Gambar 3. Rata-rata precision untuk negara/wilayah Indonesia adalah 0.655. Dengan nilai tertinggi 0.9 pada pengguna ke-7 sedangkan nilai terendah 0.2 pada pengguna ke-10.

GAMBAR 3.NILAI PRECISION DATA UJI INDONESIA

Nilai precision 0.655 menunjukkan bahwa 65,5% hasil rekomendasi sesuai dengan preferensi pengguna. Nilai precision yang didapat tidak terlalu tinggi, perlu adanya tambahan fitur rekomendasi dengan konteks yang lebih mendekati pribadi pengguna masing-masing, seperti preferensi genre musik untuk meningkatkan nilai precision.

IV. KESIMPULAN

Sebuah sistem rekomendasi musik dapat dibangun berdasarkan data konteks dan listening history dan metode self organizing map. Jaringan self organizing map dengan jumlah cluster = 9 (3x3 neighborhood) memiliki jarak antar centroid cluster yang terbaik pada penelitian ini dengan jarak centroid rata-rata 0.36. Sistem rekomendasi yang dibangun memiliki rata-rata precision sebesar 0.655.

Nilai precision yang didapat tidak terlalu tinggi. Perlu adanya tambahan fitur rekomendasi dengan konteks yang lebih mendekati pribadi pengguna masing-masing, seperti preferensi genre musik untuk meningkatkan nilai precision.

UCAPAN TERIMA KASIH

Ucapan terima kasih penulis sampaikan kepada Universitas Udayana yang telah mendanai penelitian ini melalui Penelitian Unggulan Program Studi dana PNBP Anggaran 2019.

DAFTAR PUSTAKA

[1] Markus Schedl, "The LFM-1b Dataset for Music Retrieval and Recommendation," in Proceedings of the 2016 ACM on International Conference on Multimedia Retrieval, New York, 2016, pp. 103-110.

[2] Guy Shani and Asela Gunawardana, "Evaluating Recommendations Systems," in Recommender Systems Handbook.: Springer US, 2011, pp. 257-297.

[3] Andreas Rauber, Elias Pampalk, and D Merkl, "The SOM-enhanced JukeBox: Organization and Visualization of Music Collection Based on Perceptual Models," Journal of New Music Research, pp. 193-210, 2003.

[4] Yuanpeng J. Huang, Robert Powers, and Gaetano T. Montelione, "Protein NMR Recall, Precision, and F-Measure Scores (RPF Scores): Structure and Quality Assessment Measures Based on Information Retrieval Statistics," Journal of the American Chemical Society, vol. 127, no. 6, pp. 1665-1674, 2005.

Seminar Nasional Sains dan Teknologi (SENASTEK) – The International Conference on Science, Technology and Humanities (ICoSTH)

Bali, Indonesia, 14-15 November 2019 Paper No. 037

037-1

Penggambaran Kelas Proletar Dalam Cerpen