Implementasi Algoritma Random Forest pada Sistem Rekomendasi Musik Menggunakan Teknik Collaborative Filtering

Abstract

Dalam era internet saat ini, sistem rekomendasi musik telah menjadi penting untuk menghadirkan pengalaman hiburan yang memuaskan bagi pengguna. Meskipun aplikasi streaming musik menyediakan akses ke beragam konten musik, pengguna sering kali menghadapi kesulitan dalam menemukan musik baru yang sesuai dengan preferensi mereka. Untuk mengatasi tantangan ini, penelitian ini mengusulkan pengembangan sistem rekomendasi yang menggunakan pendekatan collaborative filtering yang diperkuat dengan algoritma random forest. Collaborative filtering telah terbukti menjadi metode yang efektif dalam merekomendasikan konten berdasarkan pola konsumsi pengguna. Namun, salah satu kelemahan utamanya adalah cold start, di mana sistem kesulitan dalam merekomendasikan item kepada pengguna baru atau item yang memiliki sedikit data konsumsi. Algoritma random forest untuk mengatasi kekurangan cold start dalam collaborative filtering. Dengan menggabungkan kedua pendekatan ini, sistem rekomendasi dapat lebih efektif dalam menghadirkan rekomendasi musik yang sesuai dengan preferensi pengguna, bahkan dalam kasus cold start.Hasil validasi menunjukkan bahwa model yang diusulkan mampu memberikan rekomendasi musik dengan tingkat kesalahan yang rendah, dengan Mean Absolute Error sebesar 0.56. Implementasi algoritma random forest pada sistem rekomendasi musik menggunakan teknik collaborative filtering berhasil mengatasi kekurangan dari cold start, meningkatkan kemampuan sistem dalam memberikan rekomendasi yang relevan kepada pengguna baru atau item dengan sedikit data konsumsi. In today's internet era, music recommendation systems have become important to provide a satisfying entertainment experience for users. Although music streaming apps provide access to a wide variety of music content, users often face difficulties in finding new music that suits their preferences. To overcome this challenge, this research proposes the development of a recommendation system that uses a collaborative filtering approach which is strengthened by a random forest algorithm. Collaborative filtering has proven to be an effective method for recommending content based on user consumption patterns. However, one of the main drawbacks is cold start, where the system has difficulty recommending items to new users or items that have little consumption data. Random forest algorithm to overcome the shortcomings of cold start in collaborative filtering. By combining these two approaches, the recommendation system can be more effective in providing music recommendations that match user preferences, even in the case of a cold start. Validation results show that the proposed model is able to provide music recommendations with a low error rate, with a Mean Absolute Error of 0.56 . The implementation of the random forest algorithm in a music recommendation system using collaborative filtering techniques succeeded in overcoming the shortcomings of cold start, increasing the system's ability to provide relevant recommendations to new users or items with little consumption data.