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 snatia.unud@gmail.com.

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: vida.mastrika@cs.unud.ac.id1

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.