ISSN : 2302-450X
ISSN : 2302-450X
PROSIDING
PERTEMUAN DAN PRESENTASI KARYA ILMIAH
BALI, 29 JULI 2016
PEMBICARA UTAMA SEMINAR PARALEL DENGAN TEMA
PPeemmaannffaaaattaann TTeekknnoollooggii BBiigg DDaattaa ddaann BBuussiinneessss IInntteelllliiggeennccee
uunnttuukk MMeewwuujjuuddkkaann SSmmaarrtt CCuullttuurraall CCiittyy
Prof. Dr. Ir. Suhono Harso Supangkat, CGEIT.
I. B. Rai Dharmawijaya Mantra
I. B. Gede Dwidasmara, S.Kom., M.Cs.
I Putu Suryawan, S.E., M.M.
PENYUNTING AHLI
Prof. Dr. I Ketut Gede Darma Putra, S.Kom., M.T.
Dr. H. Agus Zainal Arifin, S.Kom., M.Kom.
Dr.techn. Ahmad Ashari, M.Kom.
Dr. Drs. Anak Agung Ngurah Gunawan, M.T.
Agus Muliantara, S.Kom., M.Kom.
PELAKSANA SEMINAR
PELINDUNG
Rektor Universitas Udayana, Bali
PENANGGUNG JAWAB
Dekan Fakultas MIPA Universitas Udayana
Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana
PANITIA
I Gusti Ngurah Anom Cahyadi Putra,S.T.,M.Cs.
Gst. Ayu Vida Mastrika Giri, S.Kom., M.Cs.
I Gede Arta Wibawa,S.T.,M.Kom
Ida Bagus Made Mahendra, S.Kom., M.Kom.
I Putu Gede Hendra Suputra, S.Kom., M.Kom.
Luh Arida Ayu Rahning Putri,S.Kom.,M.Cs.
Made Agung Raharja, S.Si., M.Cs.
I Gede Santi Astawa, S.T., M.Cs.
I Komang Ari Mogi, S.Kom, M.Kom.
Ida Bagus Gede Dwidasmara,S.Kom.,M.Cs.
Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.
I Made Widiartha, S.Si., M.Kom.
I Gusti Agung Gede Arya Kadnyanan.,S.Kom.,M.Kom.
I Gede Oka Gartria A.,S.Kom.,M.Kom.
I Wayan Supriana, S.Si., M.Cs.
Dra. Luh Gede Astuti, M.Kom.
KATA PENGANTAR
Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya
penyusunan Prosiding SNATIA 2016 ini. Buku ini memuat naskah hasil penelitian dari berbagai
bidang kajian yang telah direview oleh pakar di bidangnya dan telah dipresentasikan dalam acara
Seminar SNATIA tahun 2016 pada tanggal 29 Juli 2016 di Universitas Udayana kampus Bukit
Jimbaran, Badung, Bali.
Kegiatan SNATIA 2016 merupakan agenda tahunan Program Studi Teknik Informatika,
Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2016 e ga bil te a Pemanfaatan
Teknologi Big Data dan Business Intelligence untuk Mewujudkan Smart Cultural City , de ga
pembicara utama seminar yang terdiri dari pakar-pakar peneliti dan pemerhati di bidang
Teknologi Informasi dan Smart City.
Meskipun kegiatan seminar dan pendokumentasian naskah dalam prosiding ini telah
dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Panitia
memohon maaf yang sebesar-besarnya atas kekurangan yang ada. Kritik dan saran perbaikan
sangat kami harapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui
e-mail [email protected].
Kepada semua pihak yang terlibat baik langsung maupun tidak langsung dalam
penyelenggaraan seminar dan penyusunan prosiding SNATIA 2016, panitia mengucapkan terima
kasih.
Jimbaran, 29 Juli 2016
Panitia SNATIA 2016
Halaman ini sengaja dibiarkan kosong.
DAFTAR ISI
Kata Pengantar
Daftar Isi
Artificial Intelligence
Implementasi Algoritma Genetika pada Penjadwalan Bimbingan Tugas Akhir (Studi
Kasus Jurusan Ilmu Komputer Universitas Udayana)
Alfin Amri ............................................................................................................................ 1
Implementasi Metode Naïve Bayes Classifier dalam Mendeteksi Penyakit Saluran Kemih
I Gede Krisna Putra Andiana ............................................................................................... 9
Klasifikasi Jamur Menggunakan Metode Naïve Bayes dengan Pemrosesan Paralel
I Putu Agus Suarya Wibawa ................................................................................................ 15
Klasifikasi Pengidap Diabetes Menggunakan Metode Naive Bayes dengan Pemrosesan
Pararel
Daniel Kurniawan ................................................................................................................ 23
Komparasi Algoritma C4.5, Naïve Bayes dan K-Nearest Neighbor (K-Nn) untuk
Mendeteksi Kanker Payudara
Rayung Wulan ..................................................................................................................... 29
Penerapan Metode LCG (Linear Congruential Generator) pada Sistem Pengacak Soal
Studi Kasus : BLCC (Bali Logic and Computer Competition) Unud
I Wayan Puguh Sudarma ..................................................................................................... 35
Perancangan Monitoring and Controlling Traffic Light pada Different Street Condition
Menggunakan Jaringan Internet
Cries Avian ........................................................................................................................... 43
Perancangan Sistem Evaluasi Nilai Akademik Mahasiswa Menggunakan K-Means
Clustering
Risky Aswi Ramadhani ........................................................................................................ 49
Perancangan Sistem Pengklasifikasian Musik Menggunakan Algoritma Support Vector
Machine
I Gst. Agung Wisnu Adi Kusuma .......................................................................................... 55
Rancang Bangun Aplikasi Pencocokan Citra Tanda Tangan
Resty Wulanningrum .......................................................................................................... 61
Information Systems
Analisa Sistem Informasi Persediaan Barang Pada PT. Dua Libra
Nur Azizah ........................................................................................................................... 67
Analisa Sistem Pembayaran Futsal Pada PT. Padang Golf Moderland
Nur Azizah ........................................................................................................................... 77
Analisis dan Perancangan Aplikasi ETL Untuk Data Warehouse
Made Mahadipta ................................................................................................................ 87
Aprida Aplikasi Penilaian Fleksibel untuk Guru dan Dosen
Fatkur Rhohman.................................................................................................................. 99
Desain Aplikasi Prosiars Sebagai Media Pendukung Akuisisi Ketrampilan Tata Kelola
Rekam Medis
Slamet Sudaryanto N .......................................................................................................... 103
Desain Model Integrasi dan Sinkronisasi Antar Unit Surveilans Untuk Mendukung Data
Warehouse Epidemiologi
Fikri Budiman ...................................................................................................................... 111
Evaluasi Penggunaan Website dan Fasilitas E-Learning Universitas Nusa Nipa
Menggunakan Metode Analisis Pieces Framework Menuju Paperless Office
Agustinus Lambertus Suban ............................................................................................... 119
Implementasi Single Page Application pada Aplikasi Sintask Menggunakan Javascript
Dan Jquery
Aditya Wikardiyan ............................................................................................................... 129
Pengembangan dan Software Testing Aplikasi Tebak Huruf Jawa
Supriyono ............................................................................................................................ 135
Perancangan Aplikasi E-Learning Berbasis Android Pada Media Pembelajaran Alternatif
I Kadek Ardi Angga .............................................................................................................. 141
Perancangan dan Implementasi Aplikasi Media Reservasi Makanan Berbasis Client
Server dengan Platform Android
Ayu Puspita Wardani Okayana............................................................................................ 147
Perancangan Data Warehouse pada Penjualan Kain Endek Bali (Studi Kasus Toko Luhur
Busana Bali)
Rosa Irma Cahyani............................................................................................................... 153
Perancangan Sistem Informasi Ensiklopedi Motif Kain Endek Khas Bali
I Gusti Ag Ayu Putu Rhera Mahayekti ................................................................................. 161
Perancangan Sistem Informasi Pendataan Surat Masuk dan Surat Keluar Pada Media
Cetak Tabloid Tipikor Berbasis Web
Nur Azizah ........................................................................................................................... 169
Perancangan Sistem Inventaris Sarana Akademik UN PGRI Kediri
Intan Nur Farida .................................................................................................................. 181
Perancangan Sistem Tracer Alumni untuk Menentukan Profil Lulusan Prodi Teknik
Informatika Universitas Nusantara PGRI Kediri
Danar Putra Pamungkas...................................................................................................... 187
Purwarupa Sistem Layanan Perpustakaan Menggunakan Konsep Basis Data
Terdistribusi
Putu Andina Titra Dewi ....................................................................................................... 193
Rancang Bangun Sistem Monitoring Sarbagita Berbasis Mobile Sebagai Solusi
Peningkatan Kepuasan Pelanggan Sarbagita
Ida Bagus Dananjaya ........................................................................................................... 199
Rancangan Emergency Call Sebagai Penanganan Kecelakaan Di Kota Kediri
Ervin Kusuma Dewi ............................................................................................................. 207
Sistem Informasi Monitoring Bus Trans Sarbagita Berbasis Web
I Putu Gede Surya Hadi Kusuma ......................................................................................... 213
Sistem Informasi Pengarsipan Kinerja Dosen Menggunakan Restful Web Service
Teguh Andriyanto ............................................................................................................... 221
Sistem Pengolahan Data Akademik Di Universitas Nusantara PGRI Kediri
Juli Sulaksono ...................................................................................................................... 227
Knowledge Management
Aplikasi Sistem Pencarian E-Book Dengan Memanfaatkan Web Crawler Berdasarkan
Kesamaan Semantik
Diana Ikasari ........................................................................................................................ 233
Implementasi Algoritma C4.5 Pada Sistem Pendukung Keputusan Pemilihan Kos Di
Daerah Bukit Jimbaran Bali
Imam Zarkasi ....................................................................................................................... 241
Implementasi dan Perbandingan Algoritma Stemming untuk Dokumen Teks Berbahasa
Indonesia
Dina Anggraini ..................................................................................................................... 247
Penerapan Metode Profile Matching dalam Menentukan Kualitas Ikan Tuna (Studi
Kasus Pt.Primo Indo Ikan)
Agus Aan Jiwa Permana ...................................................................................................... 255
Perancangan dan Implementasi Sistem Pendukung Keputusan Dalam Lomba Desa Pada
Kantor Badan Pemberdayaan Masyarakat Dan Pemerintahan Desa Di Provinsi Nusa
Tenggara Barat Dengan Metode Topsis
Ni Putu Eka Listiani .............................................................................................................. 263
Perancangan Knowledge Management System Motif Kain Endek Khas Bali
Riska Prasetiyo Utami ......................................................................................................... 269
Perancangan Rekomendasi Penjualan Endek Pada Sistem Web E-Commerce
Menggunakan Metode Hybrid Filtering
Luh Ayu Diah Fernita Sari .................................................................................................... 279
Perancangan Simulasi Keuntungan Penjualan Bensin Pada Stasiun Pengisian Bahan
Bakar Umum (SPBU) Menggunakan Metode Monte Carlo (Studi Kasus Spbu Jl. Raya
Uluwatu, Jimbaran)
I Putu Surya Diputra ............................................................................................................ 287
Simulasi Transaksi untuk Memperkirakan Keuntungan pada Minimarket Vidya dengan
Menggunakan Metode Monte Carlo
Josua Geovani Sinaga .......................................................................................................... 299
Sistem Pakar untuk Diagnosa Penyakit Diabetes Mellitus dengan Metode Mamdani
Pada Puskesmas Di Jakarta Timur
Za’i atu Niswati ............................................................................................................... 307
Sistem Pendukung Keputusan dalam Penentuan Supplier Tanaman Terbaik
Menggunakan Metode Simple Additive Weighting Studi Kasus CV. Intan Mas Ajie
Rr. Putri Intan Paramaeswari .............................................................................................. 315
Sistem Pendukung Keputusan Menentukan Lokasi Membangun Ruko Menggunakan
Metode SAW Dan Proses Paralel
I Gede Surya Adhi Martana ................................................................................................. 323
Sistem Pendukung Keputusan Pemilihan Paket Telekomunikasi Smartphone Atau
Gadget Dengan Metode SAW (Simple Additive Weighting)
Christina .............................................................................................................................. 329
Sistem Pendukung Keputusan Pemilihan Portofolio Investasi Saham di Bursa Efek
Indonesia Menggunakan Metode Saw dan Proses Paralel
I Gede Wicaksana ................................................................................................................ 335
Sistem Pendukung Keputusan Penentuan Anak Asuh Bagi Peserta Didik Dengan Metode
SAW (Simple Additive Weighting)
Rina Firliana ......................................................................................................................... 341
Sistem Pendukung Keputusan Penentuan Lokasi Pembangunan Minimarket
Menggunakan Metode Simple Additive Weighting (Studi Kasus Kabupaten Gianyar)
Gede Surya Adiwiguna ........................................................................................................ 349
Sistem Pendukung Keputusan Perekrutan Pegawai Dengan Metode Naïve Bayes (Studi
Kasus di PT. Tatamulia)
Ni Putu Striratna Devi Wedayanti ....................................................................................... 357
Sistem Pendukung Keputusan Perekrutan Pegawai Menggunakan Perangkingan
MADM TOPSIS
Luh Putu Dewi Cahyuni ....................................................................................................... 363
Sistem Pendukung Keputusan Seleksi Penerima Beasiswa di SMKN 3 Negara
Menggunakan Metode Analytical Hierarchy Process (AHP)
I Putu Krisna Adi Syandhana ............................................................................................... 369
SPK Penentuan Lokasi Pembangunan Perumahan Menggunakan Metode SAW dengan
Pemrosesan Paralel (Studi Kasus Kab. Jembrana)
Gede Satria Pinandita ......................................................................................................... 377
SPK untuk Menenentukan Kesesuaian Lahan Tanaman Kopi Arabika Menggunakan
Metode WP dengan Pemrosesan Paralel
Ketut Yudi Werdika ............................................................................................................. 383
Web Dinamis Sebagai Sistem Bantu Pencarian Rumah Kos Mahasiswa Dengan Metode
Weighted Product (WP)
Patmi Kasih .......................................................................................................................... 389
Multimedia Application
Analisis Sistem Rekomendasi Musik Berdasarkan Konteks Menggunakan Soft Case-
Based Reasoning
Gst. Ayu Vida Mastrika Giri ................................................................................................. 395
Aplikasi Alat Musik Padang Berbasis Android
I Gusti Ngurah Anom Cahyadi Putra ................................................................................... 401
Aplikasi Reduksi Noise Citra Aksara Bali Pada Lontar
Gusti Agung Mas Trisna Krishany ........................................................................................ 409
Implementasi Augmented Reality Pada Objek-Objek Museum Bali Studi Awal
Perancangan Aplikasi Edukasi Untuk Pengunjung Museum
Gerson Feoh ........................................................................................................................ 415
Pengemba ga Ga e “uper “o ic “hoot de ga Pe dekata Ga e-SCRUM
Falahah ................................................................................................................................ 423
Perancangan Sistem Informasi Pembelajaran Pembuatan Banten Berbasis Video
Streaming
I Putu Septian Arya Pratama ............................................................................................... 429
Networking and Security
Aplikasi Chatting Berbasis Multiagent Menggunakan Java Agent Development
Framework (JADE)
Nisa Miftachurohmah ......................................................................................................... 437
Color Image Encryption Using RC4 Algorithm
Andysah Putera Utama Siahaan ......................................................................................... 443
Implementasi Algoritma RC6 Sebagai Pengamanan Aplikasi Chatting
Anneke Puspita Dewi .......................................................................................................... 449
Pengelolaan Routing OLSR Pada Jaringan Wireless Mesh
Iwan Rijayana ...................................................................................................................... 459
Pengembangan Aplikasi Context Aware Pada Teknolog Near Field Communcation
Yuli Fauziah ......................................................................................................................... 467
Penggunaan Metode Kriptografi pada Voice Over Internet Protokol
Eka Suweantara ................................................................................................................... 473
Perancangan dan Implementasi Aplikasi Chat Menggunakan MQTT Protocol
Muhammad Ridwan Satrio ................................................................................................. 481
Perancangan SMS Gateway Untuk Pelayanan Informasi pada Kegiatan Desa Adat
I Putu Raka Wiratma ........................................................................................................... 485
Rancang Bangun Sistem Informasi Paroki Habi Keuskupan Maumere Melalui SMS
Gateway
Theresia Wihelmina Mado .................................................................................................. 491
Sistem Informasi Pengingat Pengumpulan Nilai Berbasis SMS Gateway pada Prodi
Sistem Informasi Universitas Nusantara PGRI Kediri
Fajar Rohman Hariri, M.Kom .............................................................................................. 499
Sistem Kendali DC Converter Untuk Aplikasi Sistem (CAES)
Widjonarko.......................................................................................................................... 507
395
ANALISIS SISTEM REKOMENDASI MUSIK
BERDASARKAN KONTEKS MENGGUNAKAN
SOFT CASE-BASED REASONING
Gst. Ayu Vida Mastrika Giri1
1 Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana
Bukit Jimbaran, Bali
Email: [email protected]
ABSTRAK
Rekomendasi musik yang efektif dapat mengurangi usaha pendengar musik dalam memilih musik yang
akan didengar. Rekomendasi musik tidak hanya dapat diperoleh berdasarkan genre atau kemiripan audio saja,
karena pilihan musik para pendengar musik bisa berbeda dalam konteks yang berbeda pula. Penelitian ini
menggunakan Soft Case-Based Reasoning untuk mencari rekomendasi musik berdasarkan data konteks.
Masukan yang diberikan oleh pengguna pada sistem adalah kegiatan pengguna saat menggunakan sistem dan
mood yang diinginkan pengguna. Keluaran dari sistem ini adalah berupa playlist yang berisi lima musik
berbeda yang sesuai dengan konteks pendengar dan mood yang diinginkan pendengar pada saat menggunakan
sistem.
Analisis dan evaluasi dilakukan dengan membandingkan presisi sistem yang menggunakan fitur mood
dan occasion dengan sistem yang tidak menggunakan tambahan fitur tersebut. Sistem yang menggunakan
konteks occasion dan mood dalam penentuan rekomendasi memiliki nilai precision 23,33 poin lebih tinggi
dibandingkan sistem yang tidak menggunakan konteks mood dan occasion. Hal ini menunjukkan bahwa adanya
konteks berupa mood dan kegiatan pengguna dapat menambah ketepatan sistem dalam menentukan
rekomendasi musik.
Kata Kunci: Rekomendasi musik, Soft-Case Based Reasoning, konteks.
ABSTRACT
An effective music recommendation can decrease listener’s effort in choosing music that will be
listened. Music recommendation is not only can be obtained based on genre or audio similarity, because
listener’s music choices can be different in different context. This research used Soft Case-Based Reasoning for
determining music recommendation based on context data. Inputs given by user to the system are user’s occasion and mood desired by user. The system output is a music playlist that suitable with user’s context and desired mood after listening music recommended by the system.
Analysis and evaluation was done by comparing precision value of system that used mood and occasion
features with system that did not use mood and occasion features. System that used occasion and mood context
in determining recommendation had a higher precision value by 23.33 points compared with the system which
did not use occasion and mood context. It showed that the presence of mood and occasion can increase system
precision in determining music recommendation.
Keywords: isi Music recommendation, Soft-Case Based Reasoning, context.
1 PENDAHULUAN
Musik adalah suatu media untuk
mengungkapkan kesenian dan kreativitas dalam
bentuk bunyi atau suara. Perkembangan keragaman
musik serta teknologi menyebabkan bertambahnya
file musik dalam bentuk digital. Masalah yang timbul
dari banyaknya file musik yang beredar adalah para
pendengar musik bisa saja memiliki terlalu banyak
file musik dan kesulitan untuk memilih musik yang
akan didengar [1]. Karena masalah tersebut, para
pendengar musik membutuhkan sebuah sistem yang
dapat memberikan rekomendasi musik yang cocok
didengarkan pada waktu tertentu.
Rekomendasi musik yang efektif dapat
mengurangi usaha pendengar musik dalam memilih
musik yang akan didengar [1]. Rekomendasi musik
tidak hanya dapat diperoleh berdasarkan genre atau
kemiripan audio saja, karena pilihan musik para
pendengar musik bisa berbeda dalam keadaan
lingkungan yang berbeda pula, [1] [2] [3] [4] [5].
Pilihan musik juga bisa berbeda sesuai dengan mood
yang diharapkan oleh pendengar musik [2], [3], [6],
[7]. Rekomendasi musik yang lebih efektif bisa
ISSN : 2302-450X
396
didapatkan dengan memperhatikan konteks atau
keadaan dari pendengar musik.
Penelitian mengenai rekomendasi musik
dengan menggunakan konteks telah dilaksanakan
oleh beberapa peneliti, sebuah sistem yang bernama
C2_Music, yang memberikan rekomendasi berupa
musik berdasarkan latar belakang pendengar dan
keadaan lingkungan pendengar dengan Case-Based
Reasoning [1]. Hanya saja pada penelitian tersebut
tidak menggunakan data occasion/kegiatan dan
mood/keadaan emosi pendengar untuk menentukan
rekomendasi musik. Peneliti lainnya memberikan
rekomendasi musik berdasarkan data konteks
menggunakan Emotion State Transition Model
(ESTM) dan Context-Based Music Recommendation
(COMUS) [3].
Penelitian ini membahas mengenai analisis
sistem rekomendasi musik berdasarkan konteks
menggunakan Soft Case-Based Reasoning, yaitu
metode Case Based Reasoning (CBR) yang digabung
dengan Self Organizing Map (SOM) sebagai metode
indexing dalam CBR. Fitur occasion/kegiatan,
mood/keadaan emosi pengguna, dan part of
day/bagian hari digunakan pada penelitian ini untuk
meningkatkan akurasi hasil rekomendasi selain juga
menggunakan fitur yang digunakan [1] yaitu date,
weather, region, month, dan weekday. Evaluasi
dilakukan membandingkan hasil akurasi sistem yang
menggunakan fitur mood dan occasion dengan
sistem yang tidak menggunakan tambahan fitur
tersebut untuk mengetahui pengaruh dari fitur mood
dan occasion terhadap penentuan rekomendasi musik
berdasarkan subjektifitas pengguna sistem.
2 DESAIN DAN IMPLEMENTASI
Penentuan rekomendasi musik dilakukan
dengan langkah-langkah Case-Based Reasoning
yang menggunakan SOM-Indexing CBR Model
sebagai metode indexing kasus. Kasus-kasus lama
yang digunakan adalah adalah permintaan musik
pada Elkoga Radio Bali pada bulan Januari sampai
Agustus 2013 yang telah dilengkapi dengan data
cuaca dari Weather Underground dan mood dari
Smart Player [8]. Rekomendasi musik yang
dihasilkan berupa playlist yang terdiri dari lima
musik berbeda dengan memberikan masukan berupa
kegiatan pengguna saat ini dan mood yang
diinginkan pengguna.
2.1 Data
Konteks yang digunakan dalam sebuah case
atau kasus dalam penelitian ini adalah mood,
occasion, part of day, date, weather, region, month,
dan weekday. Data yang dikumpulkan untuk case
base adalah data permintaan musik di radio yang
dilengkapi dengan data cuaca dan mood. Data
permintaan musik yang terdiri dari data konteks
konteks (mood, occasion, part of day, date, weather,
region, month, dan weekday) dan musik yang
diinginkan didapat dari Elkoga Radio Bali pada
rentang bulan Januari sampai Agustus 2013, data
cuaca didapatkan dari history website Weather
Underground, sedangkan data mood didapatkan
menggunakan aplikasi Smart Player.
2.2 Rekomendasi Musik menggunakan Soft
Case Based Reasoning
Case based reasoning (CBR) digunakan
dalam penelitian ini karena CBR dapat diterapkan
untuk berbagai jenis masalah dan CBR dapat
memberikan solusi dengan menggunakan akumulasi
kasus-kasus sebelumnya yang ada pada case base.
Seperti ditunjukkan pada Gambar 1, CBR biasanya
digambarkan sebagai suatu proses siklus yang terdiri
dari [9]:
a. Retrieve: mengambil kasus yang mirip dengan
kasus baru.
b. Reuse: menggunakan kembali informasi dan
pengetahuan dalam hal ini untuk mencoba
memecahkan masalah.
c. Revise: memperbaiki solusi yang diajukan jika
perlu.
d. Retain: menyimpan bagian kasus yang mungkin
berguna untuk memecahkan kasus di masa depan.
Gambar 1. Siklus Case-Based Reasoning [9]
2.2.1 Representasi Kasus dan Indexing
Satu kasus pada General Knowledge
merepresentasikan sebuah permintaan musik dari
seorang pendengar pada suatu waktu. Sebuah kasus
terdiri dari dua bagian, yaitu bagian masalah dan
bagian solusi. Tabel 1 menunjukkan representasi satu
Gst. Ayu Vida Mastrika Giri, Analisis Sistem Rekomendasi Musik Berdasarkan Konteks Menggunakan Soft Case-Based Reasoning
397
kasus permintaan musik menggunakan flat feature-
value list.
Teknik representasi kasus yang digunakan
dalam penelitian ini adalah representasi dengan
pendekatan database relasional. Model database
relasional telah diadopsi secara luas di banyak
aplikasi penalaran berbasis kasus [9]. Setiap objek
(atau kasus) diwakili oleh baris dalam tabel
relasional di mana kolom digunakan untuk
mendefinisikan atribut dari objek.
Tabel 1 Representasi kasus menggunakan flat
feature-value list
Case 1
Problem Features
Date
Region
Month
Weekday
Part of Day
Weather
Occasion
Mood
02
Denpasar
Februari
Selasa
Malam
Sebagian Berawan
Hari Valentine
Relaks
Solution
Artist
Title
Selamanya Cinta
D’Cinnamons
Metode indexing yang digunakan adalah
SOM-Indexing CBR Model, yaitu metode indexing
pada CBR yang menggunakan algoritma Self
Organizing Map [10]. Pada proses indexing, kasus-
kasus dikelompokkan dan kasus pada kelompok yang
sama akan memiliki indeks yang sama.
Metode SOM-Indexing CBR Model
diharapkan dapat mengelompokkan dan memberi
index pada kasus-kasus permintaan lagu yang ada
pada case base berdasarkan kemiripan fitur-fitur
kasusnya. Dengan pengelompokan kasus
berdasarkan kemiripan seluruh fitur-fiturnya,
diharapkan sistem dapat menghasilkan rekomendasi
yang sesuai konteks yang diharapkan oleh pengguna.
Algoritma Self Organizing Map mempunyai
langkah-langkah sebagai berikut [10].
0. Inisialisasi bobot Wij.
Tetapkan topologi neuron output
Tetapkan laju pelatihan (α). 1. Selama syarat berhenti salah, lakukan langkah
2-8
2. Untuk setiap vektor masukan X, lakukan
langkah 3-5
3. Untuk setiap j, hitung jarak vektor masukan
dengan bobot (Dj).
4. Cari indeks j sedemikian sehingga Dj minimum.
5. Untuk semua unit j di dalam ketetanggaan j dan
untuk semua i, hitunglah perubahan bobot.
Perubahan bobot untuk semua unit
menggunakan rumus pada persamaan (1).
Wij(baru) = Wij(lama) + α (Xi – Wij(lama)) (1)
6. Perbaharui laju pelatihan.
7. Kurangi jari-jari ketetanggaan topologis dengan
pencacahan tertentu.
8. Uji kondisi berhenti. Jika benar, maka berhenti.
Testing untuk menentukan sebuah data
termasuk pada cluster yang mana dapat dilakukan
dengan data yang digunakan pada proses pelatihan,
ataupun data yang tidak ikut proses pelatihan.
Testing dilakukan dengan cara mencari jarak data
tersebut dengan bobot setiap cluster dan cari jarak
terpendeknya, selanjutnya jarak terhadap bobot yang
terpendek itulah yang menentukan data tersebut
termasuk dalam cluster yang mana. Nomor index
diberikan sesuai dengan nomor cluster yang didapat.
2.2.2 Pemilihan Kasus dan Retrieval
Fungsi kemiripan digunakan untuk mencari
k kasus lama yang mirip dengan kasus baru. Nilai
kemiripan antara sebuah kasus baru N dengan sebuah
kasus lama C dihitung menggunakan persamaan (2)
[1]. Nilai kemiripan berada diantara 0 dan 1. Jika
nilai kemiripan semakin dekat dengan 1, kasus lama
dan kasus baru tersebut semakin mirip, begitu pula
sebaliknya. (2)
dengan
Ni = Nilai fitur ke-i dari kasus baru
Ci = Nilai fitur ke-i dari kasus lama
n = Jumlah fitur
f(Ni, Ci) = Fungsi kemiripan antara Ni dan Ci
Wi = Bobot dari fitur ke-i
Pemilihan kasus dilakukan setelah nilai
similarity sebuah kasus baru dengan seluruh kasus
lama yang berada pada cluster sama selesai dihitung.
Pada penelitian ini diperlukan 5 kasus dengan solusi
berbeda (5 musik berbeda) untuk menyusun playlist
rekomendasi musik. Lima kasus tersebut dipilih
dengan cara mengurutkan nilai similarity kasus lama
dengan kasus baru dari yang tertinggi ke terendah,
selanjutnya kasus yang dipilih adalah 5 kasus teratas
yang memiliki nilai similarity tertinggi dengan kasus
baru.
2.2.3 Reuse
Proses reuse adalah proses menggunakan
kembali informasi dan pengetahuan pada kasus lama
untuk mencoba memecahkan masalah pada kasus
baru. Pada penelitian ini, setelah proses retrieval
didapat 5 kasus dengan nilai similarity tertinggi.
Solusi-solusi berupa judul lagu dan artist dari kasus-
kasus lama yang telah di-retrieve tersebut akan
digunakan langsung sebagai solusi dari kasus baru
berupa playlist tanpa modifikasi atau perubahan pada
solusi-solusi tersebut.
ISSN : 2302-450X
398
2.3 Revise
Proses revise atau adaptasi kasus digunakan
jika pengguna sistem mengubah/mengganti musik-
musik hasil rekomendasi yang telah ditentukan.
Metode yang digunakan untuk proses revise adalah
metode feedback-based substitution. Metode ini
menggunakan feedback dari pengguna sistem untuk
mengadaptasi kasus [9]. Berikut adalah langkah-
langkah metode feedback-based substitution:
1. Tentukan metode pengukuran kemiripan kasus.
2. Ambil kembali kasus yang memiliki tingkat
kemiripan tertinggi
3. Ambil feedback dari pengguna untuk solusi
tersebut. Pada penelitian ini, feedback dari
pengguna adalah musik yang dipilih oleh
pengguna. Feedback positif adalah ketika
pengguna memilih musik yang direkomendasikan
sistem. Feedback negatif adalah ketika pengguna
mengganti musik yang direkomendasikan sistem
dengan musik pilihannya sendiri.
4. Lakukan substitusi solusi yang dipilih oleh
pengguna berdasarkan feedback yang didapat dari
pengguna.
2.4 Retain
Kasus-kasus baru dan solusi yang telah
diadaptasi akan langsung disimpan ke dalam
database kasus. Tetapi, kasus-kasus hasil adaptasi
kasus tidak akan langsung digunakan dalam case
base. Seorang ahli musik, dalam hal ini adalah music
director atau penyusun playlist pada radio akan
menyeleksi kasus-kasus mana saja yang dapat
dimasukkan dalam case base. Hanya kasus-kasus
yang terpilih yang akan masuk ke dalam case base,
untuk mencegah adanya ketidaksesuaian konteks
dengan solusi musik yang dipilih pengguna.
2.5 Music Player
Sistem dibangun dengan menggunakan
bahasa pemrograman Java dengan menggunakan
software Netbeans. Penyimpanan data kasus
menggunakan MySQL. Implementasi sistem CB-
Camurs juga menggunakan library jLayer yang
berfungsi sebagai decoder file mp3, library myID3
yang berfungsi untuk membaca metadata file mp3.
Gambar 2 menunjukkan antarmuka sistem.
Gambar 2. Implementasi antarmuka sistem
Pada antarmuka sistem, pengguna
memberikan input ke sistem berupa kegiatan dan
mood untuk mendapatkan rekomendasi musik.
Sistem secara otomatis akan menampilkan informasi
tanggal waktu, lokasi, part of day, cuaca, dan playlist
setelah pengguna memberikan input. Pada antarmuka
ini pengguna juga dapat melakukan manajemen
playlist yaitu menambah musik atau menghapus
musik dari playlist.
2.6 Evaluasi Sistem
Pada pengujian sistem, 10 orang partisipan
diundang untuk menggunakan aplikasi CB-Camurs
untuk mendapatkan data pengujian. Pengujian sistem
terdiri dari dua bagian, yaitu pengujian sistem
dengan menggunakan Self Organizing Map (SOM)
sebagai metode indexing dan tanpa SOM sebagai
metode indexing. Performa CB-Camurs dalam
memberikan rekomendasi musik akan diuji dengan
menghitung nilai precision dengan menggunakan
persamaan (3), recall dengan menggunakan
persamaan (4), dan F-Measure dengan menggunakan
persamaan (5).
Precision didefinisikan sebagai data relevan yang
telah diambil kembali [12]. Precision pada sistem
rekomendasi dihitung dengan persamaan (3) [13]. (3)
3 HASIL EVALUASI DAN ANALISIS Evaluasi sistem rekomendasi musik tanpa
menggunakan input berupa fitur mood dan occasion
dilakukan untuk mencari perbandingan nilai
precision, recall, dan F-Measure dengan sistem yang
menggunakan fitur mood dan occasion, sekaligus
untuk mengetahui pengaruh dari fitur mood dan
occasion terhadap penentuan rekomendasi musik.
Evaluasi ini dilakukan berdasarkan subjektivitas
pengguna.
Tabel 2. Nilai precision sistem dengan fitur mood
dan occasion
Pengguna Precision
1 0,867
2 0,867
3 0,933
4 0,933
5 0,800
6 0,800
7 0,800
8 0,933
9 0,867
10 0,867
Rata-Rata 0,867
Gst. Ayu Vida Mastrika Giri, Analisis Sistem Rekomendasi Musik Berdasarkan Konteks Menggunakan Soft Case-Based Reasoning
399
Tabel 2 menunjukkan nilai precision dari
evaluasi sistem dengan menggunakan fitur mood dan
occasion dari tiap pengguna. Rata-rata nilai precision
adalah 0,867. Tabel 3 menunjukkan nilai precision
dari evaluasi sistem yang tidak menggunakan fitur
mood dan occasion. Rata-rata nilai precision adalah
0,633. nilai rata-rata precision, tersebut lebih rendah
dari sistem yang diuji menggunakan fitur mood dan
occasion.
Tabel 3 Hasil evaluasi tanpa fitur mood dan
occasion
Pengguna Precision
1 0,533
2 0,467
3 0,600
4 0,800
5 0,600
6 0,733
7 0,600
8 0,733
9 0,600
10 0,667
Rata-Rata 0,633
Playlist hasil rekomendasi sistem dengan
menggunakan fitur mood dan occasion lebih relevan
bagi pengguna, karena jumlah musik-musik dalam
playlist yang diganti lebih sedikit jika dibandingkan
dengan sistem yang tidak menggunakan fitur mood
dan occasion. Jumlah musik yang diganti oleh
pengguna lebih sedikit menghasilkan nilai precision
yang lebih tinggi. Tabel 4 menunjukkan
[erbandingan hasil evaluasi sistem dengan mood &
occasion dan tanpa mood & occasion.
Tabel 4. Perbandingan hasil evaluasi sistem
Evaluasi Precision
Menggunakan
Mood & Occasion (%) 86,67
Tanpa
Mood & Occasion (%) 63,33
Selisih 23,33
Sistem yang tidak menggunakan fitur mood
dan occasion memiliki tingkat presisi yang lebih
rendah 23,33 poin. Tiap evaluasi yang dilakukan
pengguna sistem dengan menggunakan fitur mood
dan occasion menghasilkan nilai precision yang
lebih tinggi daripada evaluasi yang tidak
menggunakan mood dan occasion, karena dengan
adanya mood dan occasion yang diinputkan oleh
pengguna, sistem dapat memilih rekomendasi yang
lebih sesuai dengan pengguna. Rekomendasi yang
dihasilkan lebih sesuai bagi pengguna karena
pengguna lebih merasakan mood dan konteks
kegiatan/occasion dibandingkan dengan konteks
lainnya seperti tanggal, bulan, hari, dan lainnya.
Dengan menggunakan data konteks yang
berbeda dari penelitian [1] berupa kegiatan
pengguna, mood yang diinginkan pengguna, serta
Self Organizing Map sebagai metode indexing,
sistem rekomendasi musik pada penelitian ini
memiliki nilai precision sebesar 86,67% yang lebih
tinggi 32,5 poin daripada hasil precision pada
penelitian [1]. Hal ini membuktikan bahwa fitur
mood dan occasion dapat mempengaruhi pemilihan
lagu rekomendasi.
4 KESIMPULAN Sistem yang menggunakan fitur occasion
dan mood dalam penentuan rekomendasi memiliki
nilai precision 23,33 poin lebih tinggi dibandingkan
sistem yang tidak menggunakan fitur mood dan
occasion. Hal ini menunjukkan bahwa adanya
konteks berupa mood dan kegiatan pengguna dapat
menambah ketepatan sistem dalam menentukan
rekomendasi musik, sehingga musik yang
direkomendasikan sistem dapat lebih diterima oleh
pengguna.
5 DAFTAR PUSTAKA
[1] J. S. Lee och J. C. Lee, ”Context Awareness by Case-Based Reasoning in a Music
Recommendation System,” UCS'07
Proceedings of the 4th international
conference on Ubiquitous computing systems,
pp. 45-58, 2007.
[2] S. Rho, B.-J. Han och E. Hwang, ”SVR-Based
Music Mood Classification and Context Based
Music Recommendation,” MM '09 Proceedings
of the 17th ACM international conference on
Multimedia, pp. 713-716, 2009.
[3] B.-j. Han, S. Rho, S. Jun och E. Hwang, ”Music Emotion Classification and Context-Based
Music Recommendation,” Multimedia Tools
and Applications, vol. 47, nr 3, pp. 433-460,
2010.
[4] L. Baltrunas, M. Kamnikas och B. Ludwig,
”InCarMusic: Context-Aware Music,” E-
Commerce and Web Technologies, vol. 85, pp.
89-100, 2011.
[5] N. Hariri, B. Mobasher och R. Burke, ”Context-Aware Music Recommendation Based on Latent
Topic Sequential Patterns,” Proceedings of the
sixth ACM conference on Recommender
ISSN : 2302-450X
400
system, pp. 131-138, 2012.
[6] C.-Y. Chang, C.-Y. Lo, C.-J. Wang och P.-C.
Chung, ”A Music Recommendation System with Consideration of Personal Emotion,” International Computer Symposium, (ICS), pp.
18-23, 2010.
[7] S. Lee, J. H. Kim, S. M. Kim och W. Y. Yoo,
”Smoodi: Mood-Based Music Recommendation
Player,” Multimedia and Expo (ICME), pp. 1-
4, 2011.
[8] K. Dewi och A. Harjoko, ”Kid's song classification based on mood parameters using
K-Nearest Neighbor classification method and
Self Organizing Map,” Distributed Framework
and Applications (DFmA), 2010 International
Conference on, pp. 1-5, 2010.
[9] S. K. Pal och S. C. K. Shiu, Foundations of
Soft Case-Based Reasoning, John Wiley &
Sons, Inc., 2004.
[10] K.-S. Kim och I. Han, ”The cluster-indexing
method for case-based reasoning using self-
organizing maps and learning vector
quantization for bond rating cases,” Expert
Systems with Applications, pp. 147-156, 2001.
[11] S. Kusumadewi, Artificial Intelligence (Teknik
dan Aplikasinya), Yogyakarta: Graha Ilmu,
2003.
[12] Y. J. Huang, R. Powers och G. 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, nr 6, pp. 1665-
1674, 2005.
[13] W. G. S. Parwita, Hybrid Recommendation
System Memanfaatkan Penggalian Frequent
Itemset dan Perbandingan Keyword,
Yogyakarta: Universitas Gadjah Mada, 2014.