Jumlah lagu yang sudah diproduksi hingga saat ini sudah tidak terhitung banyaknya dengan berbagai genre, jenis lagu, dan penyanyi yang beragam. Namun, tidak setiap orang memiliki preferensi lagu yang serupa satu sama lain. Oleh karena itu diperlukan suatu sistem yang mampu memberikan rekomendasi berbagai lagu, yang disebut sistem rekomendasi lagu. Kebanyakan sistem rekomendasi lagu yang berkembang saat ini lebih memperhatikan kesamaan artis dan genre lagu, sehingga rekomendasi yang dihasilkan tidak selalu sesuai dengan apa yang diinginkan. Jarang juga ada sistem rekomendasi lagu yang memperhatikan unsur lain dalam lagu seperti melodi, tempo, birama, dan sebagainya. Padahal unsur-unsur tersebut terhitung penting dan dapat mempengaruhi rekomendasi lagu yang akan diberikan. Maka dari itu, penulis mengajukan sebuah sistem rekomendasi berdasarkan fitur tempo (BPM) lagu menggunakan algoritma Rantai Markov dan metode klusterisasi K-Means. Rantai Markov (Markov chain) adalah sebuah model matematik yang digagas oleh Andrey Markov pada tahun 1913 untuk mendefinisikan sebuah proses yang terdiri dari sejumlah keadaan (state) yang terbatas dan perpindahan/transisi antara satu state ke state yang lain (atau menuju state yang sama) sebagai sebuah probabilitas. Melihat transisi dari lagu yang diputar oleh user dapat diinterpretasikan sebagai probabilitas, algoritma ini dipilih sebagai basis dari sistem rekomendasi. Tahap-tahap yang dilalui dalam mengembangkan sistem rekomendasi ini adalah perhitungan BPM lagu dengan Mix Meister, pengelompokkan data lagu berdasarkan BPM dengan K-Means clustering menggunakan WEKA, pengubahan isi data history playlist menjadi nomor cluster, dan pelatihan model menggunakan algoritma Markov Chain. Setelah sistem berhasil dikembangkan, penulis menguji sistem dengan memberikan data tes untuk mengukur kesamaan antara hasil rekomendasi sistem dan data acuan. Berdasarkan hasil pengujian data tes, sistem mampu memberikan rekomendasi kepada user dengan input sebuah lagu, dan memiliki ukuran performa berupa rata-rata nilai kesalahan RMSE 23.782. Hasil ini juga menunjukkan bahwa performa dari sistem sangat tergantung terhadap seberapa banyak data yang tersedia selama tahap pelatihan sistem. Kata kunci: K-Means, Rantai Markov, Sistem Rekomendasi, Sistem Rekomendasi Lagu, Tempo.

There are numerous songs being produced in recent years with various genres, types, and song artists. However, every individual has its own taste and preference in music. Thus, a system which able to recommend various types of music is needed, called song recommendation system. Most of the recommendation system available today used features similarity on "artists" or "genre" between songs, to recommend a song, but the result was not as expected. It is rare for recommendation system to use other features, such as melody, tempo, time frame, etc. However, some of these features are important and can also affect the accuracy of the recommendation. Thus, the author proposed a song recommendation system based on the "tempo" using Markov Chain algorithm and K-Means clustering method. Markov Chain is a mathematical model proposed by Andrey Markov at 1913 to define a process consists of several limited states and movement/transition between states according to probabilistic rules. Because the transition of songs played by user can be interpreted as probabilities, this algorithm was chosen as the core of the system. Steps taken in developing this system includes: calculating song's tempo or BPM using Mix Meister, clustering the collection of song using K-Means method on calculated BPM feature using WEKA, substitutes users' playlist containing song ID number with song's cluster ID number, and then train the model using Markov Chain algorithm. The author tested developed system to measure similarity between recommended song and reference data using RMSE. Test result showed that the system was able to generate a recommendation song, with average performance RMSE score of 23.782. This result also showed that the system's performance depends on the number of training data available. Keywords: K-means, Markov Chain, Song Recommendation System, Recommendation System, Tempo.

http://digilib.polban.ac.id/gdl.php?mod=browse&op=read&id=jbptppolban-gdl-mochamadde-13047