PENERAPAN ALGORITMA SQUEEZER UNTUK MEMBERIKAN PENERAPAN ALGORITMA SQUEEZER UNTUK MEMBERIKAN PENERAPAN ALGORITMA SQUEEZER UNTUK MEMBERIKAN PENERAPAN ALGORITMA SQUEEZER UNTUK MEMBERIKAN

REKOMENDASI PILIHAN LAGU BERDASARKAN DAFTAR LAGU REKOMENDASI PILIHAN LAGU BERDASARKAN DAFTAR LAGU REKOMENDASI PILIHAN LAGU BERDASARKAN DAFTAR LAGU REKOMENDASI PILIHAN LAGU BERDASARKAN DAFTAR LAGU

YANG DIMAINKAN PADA PEMUTAR MP3 ANDROIDYANG DIMAINKAN PADA PEMUTAR MP3 ANDROIDYANG DIMAINKAN PADA PEMUTAR MP3 ANDROIDYANG DIMAINKAN PADA PEMUTAR MP3 ANDROID

Eko Wahyu Wibowo

5108 100 193

Dosen Pembimbing

Dr. Ir. Siti Rochimah, M.T.

Abdul Munif, S.Kom., M.Sc.

Presentasi Tugas AkhirPresentasi Tugas AkhirPresentasi Tugas AkhirPresentasi Tugas Akhir

Daftar isi Pendahuluan

Algoritma

Squeezer Penerapan

Algoritma

Implementasi

Sistem

Pengujian

dan

Evaluasi

Kesimpulan

Latar belakang

Maraknya industri musik

Kemajuan teknologi

Musik yang tepat untuk pendengar

yang tepat

Rumusan masalah

Bagaimana menentukan kecenderungan tipe lagu yang

didengarkan menggunakan algoritma Squeezer.

Bagaimana menentukan rekomendasi lagu berdasarkan

kecenderungan tipe lagu menggunakan algoritma Squeezer.

Bagaimana membangun aplikasi pemutar mp3 pada

Android.

Bagaimana membangun layanan web pada JAVA berbasis REST.

Batasan masalah

Aplikasi pemutar mp3 dibangun dengan menggunakan Android API

level 2.3.

Layanan web dibangun menggunakan JAVA berbaiss REST.

Berkas musik yang dapat dimainkan adalah dalam format

.mp3

Tag (Metadata) berkas mp3 sudah terisi dan benar.

Rekomendasi yang diberikan berupa daftar lagu dengan judul dan

artis pada lagu yang tersedia dalam basis data server.

Tujuan

Membuat sebuah sistem rekomendasi

yang dapat memberikan rekomendasi lagu

berdasarkan daftar lagu yang dimainkan

dengan menerapkan algoritma Squeezer.

Algoritma Squeezer

Algoritma Squeezer

Algorithm Squeezer(D,s)

Begin

while (D has unread tuple){

tuple = getCurrentTuple(D)

if(tuple.tid == 1){

addNewClusterStructure(tuple, tid)}

else{

for each existing cluster C

simComputation(C, tuple)

get the max value of similarity : sim_max

get the corresponding Cluster Index: index

if sim_max >= s

addTupleToCluster(tuple, index)

else

addNewClusterStructure(tuple, tid)}

}

handleOutliers()

outputClusteringResult()

End

Sub_Function simComputation(C, tuple)

Defin sim = 0

for each attribute value a1 on Ai

sim = sim + probability of ai on C

return sim

Sub_Function addNewClusterStructure(tid)

Cluster = {tid}

for each attribute value a1 on Ai

VSi = (ai,1)

add VSi to Summary

CS = {Cluster, Summary}

Sub_Function addTupleToCluster(tuple, index)

Cluster = Cluster U {tuple, tid}

for each attribute value a1 on Ai

VSi = (ai,Sup(ai)+1)

add VSi to Summary

CS = {Cluster, Summary}

Gambar 1 Algoritma Squeezer

Gambar 2 Sub fungsi addNewclusterStructure

Gambar 3 Sub fungsi addTupleToCluster

Gambar 4 Sub fungsi simComputation

ContohNo. Judul Artis Album Genre Tahun Rating

1 Your Call Secondhand A Twist in

My Story

Pop 2008 Awesome

2 Last Time Secondhand Deluxe

Edition

Pop 2010 Good

3 Gone Too

Soon

Simple Plan Heart on! Punk 2010 Awesome

4 Like A Knife Secondhand New Life Pop 2012 Awesome

(�

���)x0.2+(

�

�����)x0.2+(

�

���)x0.2+(

�

���)x0.2+(

�

���)x0.2 = 0.4

(�

���)+(

�

�����)+(

�

���)+(

�

���)+(

�

���) = 2

simComputation( {1,2,3} , 4 )

Penerapan Algoritma Squeezer

Mengelompokkan

daftar riwayat lagu

Memberikan

Rekomendasi

Mengelompokkan daftar riwayat lagu

Mengulangi sampai daftar riwayat lagu habis

Memasukkan lagu terpilih ke dalam kelompok

Mengambil kelompok dengan kemiripan paling besar

Mengecek kemiripan lagu terpilih dengan setiap kelompok

Mangambil daftar riwayat lagu

Memberikan Rekomendasi

Mangambil daftar

kandidat lagu

Mengecek kemiripan

lagu terpilih dengan

kelompok acuan

Memasukkan lagu

terpilih kedalam

rekomendasi jika

memenuhi ambang

batas

Mengulangi sampai

daftar kandidat lagu

habis

Implementasi Sistem

Bagian klien

System

Pengguna

Memainkan lagu

Mengelola tag laguMelihat daftar lagu

Mengelola daftar putar

Melihat rekomendasi

<<include>>

<<include>>

<<include>>

Registrasi

Mengelola profil

<<include>>

Melihat riwayat lagu

Bagian server

System

Administrator Mengubah lagu

Menambahkan lagu

Menghapus lagu

Melihat daftar lagu di server

<<include>>

<<include>>

<<include>>

Pengujian dan Evaluasi

Pengujian Fungsionalitas

Pengujian Non Fungsionalitas

Pengujian Kebergunaan

Pengujian FungsionalitasID Nama Skenario Hasil

UJ.UC.NP.1 Pengujian registrasi Skenario 1 Berhasil

Skenario 2 Berhasil

Skenario 3 Berhasil

UJ.UC.NP.2 Pengujian mengelola profil Skenario 1 Berhasil

Skenario 2 Berhasil

Skenario 3 Berhasil

Skenario 4 Berhasil

Skenario 5 Berhasil

UJ.UC.NP.3 Pengujian melihat daftar lagu Skenario 1 Berhasil

Skenario 2 Berhasil

UJ.UC.NP.4 Pengujian memainkan lagu Skenario 1 Berhasil

Skenario 2 Berhasil

Skenario 3 Berhasil

UJ.UC.NP.5 Pengujian megelola tag lagu Skenario 1 Berhasil

UJ.UC.NP.6 Pengujian mengelola daftar putar Skenario 1 Berhasil

Skenario 2 Berhasil

UJ.UC.NP.7 Pengujian mengelola riwayat lagu Skenario 1 Berhasil

Skenario 2 Berhasil

Skenario 3 Berhasil

UJ.UC.NP.8 Pengujian melihat rekomendasi Skenario 1 Berhasil

Skenario 2 Berhasil

Skenario 3 Berhasil

UJ.UC.WS.1 Pengujian melihat daftar lagu

server

Skenario 1 Berhasil

UJ.UC.WS.2 Pengujian menambahkan lagu Skenario 1 Berhasil

Skenario 2 Berhasil

UJ.UC.WS.3 Pengujian mengubah lagu Skenario 1 Berhasil

Skenario 2 Berhasil

UJ.UC.WS.4 Pengujian menghapus lagu Skenario 1 Berhasil

12 kasus

penggunaan

27 skenario

100 % BERHASIL

Pengujian Non Fungsionalitas

� Akurasi

� Rata-rata skenario 1 = 1

� Rata-rata skenario 2 = 0.69

� Rata-rata Akurasi

� 0.845 = 84 %

Skenario Jumlah riwayat lagu Konfigurasi

Skenario 1 50 Ambang batas : 0.7

Artis : 0.2

Album : 0.2

Genre : 0.2

Tahun : 0.2

Peringkat : 0.2

Skenario 2 50 Ambang batas : 0.6

Artis : 0.4

Album : 0.0

Genre : 0.4

Tahun : 0.1

Peringkat : 0.1

� Master lagu server = 300 lagu

� Komposisi lagu sama

� Kelompok acuan

� Skenario 1 = 8 lagu

� Skenario 2 = 16 lagu

� Rekomendasi

� Skenario 1 = 8 lagu

� Skenario 2 = 21 lagu

Pengujian Kebergunaan

Melalui pembagian kuisioner

10 Responden secara acak dari berbagai kalangan

60% setuju aplikasi mudah digunakan

60% setuju rekomendasi yang diberikan bermanfaat

dan mereka menyukainya

Kesimpulan

1. Sistem dapat memberikan rekomendasi

2. Algoritma Squeezer dapat diterapkan

untuk memberikan rekomendasi lagu

3. Fungsionalitas sistem dapat berjalan

dengan baik

4. Respon pengguna terhadap rekomendasi

yang diberikan cukup positif

Terima Kasih.