Bilah Samping Artikel

Telah diserahkan
Oct 22, 2024
Diterima
Nov 13, 2024
Diterbitkan
Nov 30, 2024
Download
PDF
Statistic
Read Counter : 2 Download : 1

Isi Artikel Utama

Abstrak

Sistem rekomendasi menjadi hal yang penting untuk pengguna sebagai informasi kepada hal yang mereka belum ketahui. Selain memudahkan pengguna untuk menemukan informasi, sistem juga dapat meningkatkan kepuasan pengguna dengan memberikan rekomendasi yang akurat dan sesuai dengan preferensi mereka. Dalam penelitian ini sistem rekomendasi dapat berguna bagi pengguna untuk berkesplorasi dan memberikan tanggapannya. Penelitian ini mengembangkan sistem rekomendasi musik berbasis collaborative filtering untuk membantu pengguna menemukan lagu-lagu baru yang sesuai dengan preferensi mereka. Metode Reinforcement Learning ini adalah metode pembelajaran yang dimana agen berinteraksi dengan lingkungannya. Sistem ini menggunakan dataset Spotify Tracks dan data perilaku pengguna untuk menghasilkan rekomendasi. Algoritma upper confidence bound biasanya digunakan pada kasus multi-armed bandit dengan menentukan arm yang akan dipilih berdasarkan rata-rata dan ketidakpastian dari hasil yang diperoleh. Pada penelitian ini algoritma upper confidence bound diterapkan untuk menyeimbangkan eksplorasi lagu-lagu baru dengan eksploitasi lagu-lagu yang sudah diketahui dan disukai pengguna. Hasil penelitian menunjukkan bahwa sistem ini mampu memberikan rekomendasi musik yang relevan dengan karakteristik pengguna.

Kata Kunci

Sistem rekomendasi collaborative filtering reinforcement learning upper confidence bound musik

Rincian Artikel

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution-NoDerivatives 4.0 International License.

Cara Mengutip
[1]
A. Hartono dan J. Sutopo, “Implementasi Algoritma Upper Confidence Bound Untuk Sistem Rekomendasi Musik”, Jurnal Algoritma, vol. 21, no. 2, hlm. 82–90, Nov 2024.
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)

References

  1. D. Afchar, A. B. Melchiorre, M. Schedl, R. Hennequin, E. V. Epure, dan M. Moussallam, “Explainability in music recommender systems,” AI Mag, vol. 43, no. 2, hlm. 190–208, Jun 2022, doi: 10.1002/aaai.12056.
  2. H. Ko, S. Lee, Y. Park, dan A. Choi, “A Survey of Recommendation Systems: Recommendation Models, Techniques, and Application Fields,” Electronics (Basel), vol. 11, no. 1, hlm. 141, Jan 2022, doi: 10.3390/electronics11010141.
  3. M. Martijn, C. Conati, dan K. Verbert, “‘Knowing me, knowing you’: personalized explanations for a music recommender system,” User Model User-adapt Interact, vol. 32, no. 1–2, hlm. 215–252, Apr 2022, doi: 10.1007/s11257-021-09304-9.
  4. I. Yoshua dan H. Bunyamin, “Pengimplementasian Sistem Rekomendasi Musik Dengan Metode Collaborative Filtering,” Jurnal Strategi, vol. 3, no. 1, Mei 2021.
  5. M. V. Anggoro dan M. Izzatillah, “Sistem Rekomendasi Musik Dengan Metode Collaborative Filtering Berbasis Android,” STRING(Satuan Tulisan Riset dan Inovasi Teknologi), vol. 7, no. 1, Agu 2022.
  6. R. D. M. Rasyid dan Z. K. A. Baizal, “Music Recommender System Using K-Nearest Neighbor and Particle Swarm Optimization,” Jurnal on Computing, hlm. 45–54, Agu 2022, doi: 10.34818/indojc.2022.7.2.649.
  7. A. I. Putra dan R. R. Santika, “Implementasi Machine Learning dalam Penentuan Rekomendasi Musik dengan Metode Content-Based Filtering,” Edumatic: Jurnal Pendidikan Informatika, vol. 4, no. 1, hlm. 121–130, Jun 2020, doi: 10.29408/edumatic.v4i1.2162.
  8. G. S. T. A. V. M. Giri, M. L. Radhitya, M. A. Raharja, dan I. W. Supriana, “Sistem Rekomendasi Musik Berdasarkan Data Konteks Pada Listening History Musik Dan Keterkaitan Artis Indonesia,” JurnalResistor, vol. 5, hlm. 1–8, Apr 2022, doi: https://doi.org/10.31598.
  9. N. Ula, C. Setianingsih, dan R. A. Nugrahaeni, “Sistem Rekomendasi Lagu dengan Metode Content-Based Filtering Berbasis Website,” dalam e-Proceeding of Engineering, Des 2021, hlm. 12193–12199.
  10. J. S. Situmorang, P. P. Adikara, dan D. E. Ratnawati, “Rekomendasi Lagu Berdasarkan Lirik Lagu Menggunakan Metode N-Gram dan Cosine Similarity,” vol. 5, no. 6, hlm. 2279–2288, Jun 2021, [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id
  11. R. De Prisco, A. Guarino, D. Malandrino, dan R. Zaccagnino, “Induced Emotion-Based Music Recommendation through Reinforcement Learning,” Applied Sciences, vol. 12, no. 21, hlm. 11209, Nov 2022, doi: 10.3390/app122111209.
  12. B. Bharadwaj, R. Selvanambi, M. Karuppiah, dan Poonia R, “Content-Based Music Recommendation Using Non-Stationary Bayesian Reinforcement Learning,” International Journal of Social Ecology and Sustainable Development, vol. 13, no. 9, hlm. 0–0, Jan 2022, doi: 10.4018/IJSESD.292048.
  13. D. Hong, Y. Li, dan Q. Dong, “Nonintrusive-Sensing and Reinforcement-Learning Based Adaptive Personalized Music Recommendation,” dalam Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval, New York, NY, USA: ACM, Jul 2020, hlm. 1721–1724. doi: 10.1145/3397271.3401225.
  14. M. Sharma, V. K. Saini, dan J. R. Singh, “Recommendation System,” International Journal for Modern Trends in Science and Technology, vol. 6, no. 12, hlm. 484–492, Jan 2021, doi: 10.46501/IJMTST061294.
  15. F. Ricci, L. Rokach, dan B. Shapira, “Recommender Systems: Techniques, Applications, and Challenges,” dalam Recommender Systems Handbook, New York, NY: Springer US, 2022, hlm. 1–35. doi: 10.1007/978-1-0716-2197-4_1.
  16. D. Ernst dan A. Louette, “Introduction to reinforcement learning,” 2024, hlm. 111–126.