Sistem Rekomendasi Musik menggunakan Collaborative Filtering untuk Metaverse

Naufaly, Almer (2023) Sistem Rekomendasi Musik menggunakan Collaborative Filtering untuk Metaverse. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211940000076_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (31MB) | Request a copy

Abstract

Melihat tren teknologi masa kini, dunia internet sedang diguncangkan dengan sebuah kata, Metaverse. Mulai dari perusahaan-perusahaan besar, seperti Amazon, Microsoft, dan Google, hingga individu-individu di internet, sedang berlomba-lomba untuk mengembangkan dunia Metaverse mereka sendiri. Bahkan, Facebook menggantikan nama mereka menjadi Meta untuk mengasosiasikan perusahaan teknologi tersebut dengan Metaverse. Metaverse adalah sebuah dunia virtual tunggal, umum, dan menarik perhatian yang divisualisasikan dengan bantuan virtual reality (VR) dan augmented reality (AR) headset. Melihat pesatnya kemajuan Metaverse, munculnya kesempatan untuk mengimplementasi fitur-fitur yang sudah ada di internet, tapi belum ada di Metaverse, salah satu contohnya adalah sistem rekomendasi musik. Tidak heran apabila pengguna menginginkan pengalaman audio yang tidak kalah menakjubkan dengan pengalaman visual dari Metaverse. Rekomendasi-rekomendasi musik tersebut akan meningkatkan rasa imersif pengguna di dunia virtual. Dalam penilitian ini, penulis menggunakan metode Hybrid Collaborative Filtering, dan akan dievaluasikan semua parameter yang mempengaruhi akurasi dari sistem rekomendasi. Tugas akhir ini bertujuan untuk membuat sistem rekomendasi musik yang dapat merekomendasikan musik sesuai dengan preferensi, saat pengguna sedang mengakses Metaverse. Dataset yang digunakan berupa musik-musik tradisional Indonesia dari berbagai macam daerah. Evaluasi yang dilakukan berfokus terhadap sistem yang dibuat; mengukur seberapa akurat sistem dalam memprediksi nilai-nilai aktual yang telah diberikan oleh pengguna.
=================================================================================================================================
Looking at recent technology-related trends, the internet world is being taken over by a single word, Metaverse. Starting from big IT companies, such as Amazon, Microsoft, and Google, all the way to individuals from the internet, have been putting investments in making their own Metaverse. Even Facebook has rebranded its name to Meta, to associate itself with Metaverse. Metaverse is a common, single, and attention-grabbing virtual world enhanced by virtual reality (VR) and augmented reality (AR) headsets. Due to this huge stream of interest, there is a growing need for implementing common everyday features not yet implemented in Metaverse, one of those is a music recommendation system. It is not unreasonable for users to demand an equally remarkable audio experience in-par with Metaverse's eye-grabbing visuals. Said recommended music will increase the immersion of users in the virtual world. In this research, the writer proposes a music recommendation system using Hybrid Collaborative Filtering and will analyze different parameters that impact the accuracy of the recommendation. The datasets of the project contain traditional Indonesian music from different places. This final project objective is to create an accurate music recommendation system that gives an educated prediction based on ratings to users accessing the Metaverse. Evaluation will be done with a system-based evaluation, measuring how precise the system is in predicting actual values assigned previously by users.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Collaborative Filtering, Metaverse, Musik Rekomendasi, Music Recommendation
Subjects:	Q Science > QA Mathematics > QA76.9.I58 Recommender systems (Information filtering)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Almer Naufaly
Date Deposited:	19 Oct 2023 03:28
Last Modified:	19 Oct 2023 03:28
URI:	http://repository.its.ac.id/id/eprint/101702

Actions (login required)

View Item