Musik berevolusi dari waktu ke waktu. Pendengar musik juga menginginkan jenis musik yang berbeda dari apa yang biasa mereka dengar. Mereka tidak terikat pada satu genre khusus, tapi mereka mengeksplor musik. Beberapa website mencoba mengakomodir para pendengar dalama mengeksplor
dan membagikan musik. Salah satunya adalah Last.fm. Last.fm menawarkan layanan basis data, aktifitas sosial, pengunduhan musik, dan juga ekomendasi. Ada satu masalah: rekomendasinya terlalu jelas dan mudah ditebak. Rekomendasinya diberikan berdasarkan kesamaan artis. Jika seorang user menyukai Lorde, biasanya akan direkomendasikan Ke$ha. Ini dikarenakan musik mereka mirip: Pop.
Solusinya adalah dengan mengumpulkan kecenderungan para user dalam mendengarkan musik. Kebanyakan orang menyukai lebih dari satu genre. Informasi ini dapat diproses dengan Quantitative Association Rule Mining (QARM) dengan minSupp, minConf, dan interval sebagai parameternya, untuk membangun sebuah ruleset. Ruleset tersebut menunjukan berbagai macam genre yang dapat diberikan sebagai rekomendasi. Penelitian ini memodelkan aktifitas para user Last.fm sebagai masukan untuk QARM. Algoritma yang digunakan dalam penelitian ini adalah Apriori. Setelah rulesetnya keluar, ruleset tersebut diperiksa silang menggunakan Collaborative Filtering (CF) untuk memproduksi rekomendasi. Penelitian ini menunjukkan bahwa QARM memberikan ruleset yang lebih ekspresif karena kemampuannya memproses dataset kuantitatif. Rule tersebut memberikan rekomendasi yang lebih kayak arena tidak terbatas pada satu genre, tapi diluar genre tersebut. Menggunakan parameter (minSupp, minConf, dan interval) yang optimal, serta dengan beberapa karakterisasi data, penelitian ini berfokus pada penerapan Association Rule dengan Apriori dalam mengeluarkan ruleset yang lebih mudah untuk dibaca.
Quantitative Association Rule Mining , Apriori, Music Genre