Skripsi

Analisis perbandingan pearson correlation dan cosine similarity pada rekomendasi musik berbasis collaborative filtering / Fatma Yuniardini

Abstrak
Kemajuan teknologi digital telah merevolusi dunia musik membuat akses terhadap berbagai genre dan musisi menjadi lebih mudah dan tak terbatas namun pengguna tetap kesulitan menemukan musik yang sesuai selera mereka. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja metode pearson correlation dan cosine similarity dalam rekomendasi musik yang dipersonalisasi berbasis collaborative filtering dengan fokus pada item-based filtering diukur menggunakan Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Dataset yang digunakan adalah rating musik metal dari Amazon yang bersifat publik dan diambil dari Kaggle dengan total 19.065 sampel serta menggunakan algoritma k-Nearest Neighbors (KNN) untuk prediksi rekomendasi. Tahapan penelitian meliputi pengumpulan data pre-processing untuk menangani missing value duplikasi normalisasi dan pengecekan outlier dilanjutkan dengan prediksi menggunakan algoritma KNN dan pengukuran akurasi menggunakan MAE serta RMSE. Evaluasi menunjukkan bahwa pearson correlation menghasilkan MAE sebesar 0 066538 dan RMSE sebesar 0 086698 sementara cosine similarity menghasilkan MAE sebesar 0 066559 dan RMSE sebesar 0 086709. Hasil ini menunjukkan bahwa pearson correlation lebih efektif dalam menangkap hubungan linear pada data rating sehingga rekomendasi yang dihasilkan lebih relevan dan sesuai dengan preferensi pengguna. Pearson correlation mampu mempertimbangkan variabilitas rating setiap pengguna membuat rekomendasi lebih akurat dalam menyesuaikan pola penilaian individu.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2024.

Deskripsi Fisik

vi, 23 hlm. : ilus.

Bahasa

Indonesia

No Reg

0129/RS/25

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2024

Subjek

Pembimbing

1. Triyanna Widiyaningtyas, M.t.; 2. Dr.eng Didik Dwi Prasetya, S.t., M.t.; 3. Ilham Ari Elbaith Zaeni, S.t., M.t., Ph.d

Lampiran Berkas