ANALISIS DAN PERANCANGAN
3.3. Activity Diagram
3.3.1. Activity Diagram Register
Interface Sistem
Pengguna
Masukkan username, password,
dan retype password pengecekan username di dlm database
Menampilkan pesan gagal, username sudah ada
Username sudah ada
simpan username dan password ke dalam database pengecekan password dan retype password
Username belum ada
Menampilkan pesan gagal, password tidak sama
Password sama
Password tidak sama
Menampilkan pesan berhasil register Menampilkan form registrasi Klik tombol register
Gambar 3.2 Activity Diagram Register
Gambar 3.2 menggambarkan aktivitas-aktivitas apa saja yang berlangsung ketika pengguna melakukan registrasi di dalam Sistem Rekomendasi Software Antivirus. Terdapat pengecekan terlebih dahulu apakah username yang diinputkan sudah pernah ada di dalam database dan pengecekan apakah password dan retype
3.3.2. Activity Diagram Login
Interface Sistem
Pengguna
Masukkan username dan password pengecekan username di dlm database Menampilkan pesan gagal,
username tidak ditemukan
Username tidak ada
beralih ke halaman utama pengecekan password dengan
password database Username ada
Menampilkan pesan gagal, password salah
Password salah
Password benar
Menampilkan halaman utama Menampilkan Form login
session dimulai
Gambar 3.3 Activity Diagram Login
Dari Gambar 3.3 dapat dijelaskan bahwasanya sistem ini memiliki tiga proses utama, yaitu : register, login, dan mengelola produk. Mengelola produk membutuhkan status login sebagai validasi pengguna, sehingga hanya pengguna yang sudah login terlebih dahulu lah yang bisa mengakses mengelola produk.
3.3.3. Activity Diagram Halaman Utama
Interface Sistem
Pengguna
Seleksi semua antivirus dari dalam database
Menampilkan menu utama, list antivirus, dan rekomendasi
bangkitkan 10 antivirus untuk direkomendasikan dengan menggunakan
metode hybrid
seleksi 10 antivirus dengan rating tertinggi cek session
Tampilkan Halaman Login
Session ada Session tdk ada
Gambar 3.4 Activity Diagram Halaman Utama
Berdasarkan gambar 3.4, Terdapat sebuah pengecekan apakah session sudah dibuat ketika pengguna mengunjungi halaman tersebut. Oleh karena itu, hanya pengguna yang sudah memiliki session sajalah yang dapat mengakses halaman ini. Tujuannya adalah mencegah masuknya pengguna yang belum login.
Halaman Utama menampilkan menu utama, list antivirus, serta beberapa rekomendasi software antivirus yang diberikan kepada pengguna.
3.3.4. Activity Diagram Halaman Rekomendasi
Interface
Pengguna Sistem
Menampilkan prediksi rating, metode, untuk seluruh item
hitung prediksi rating seluruh antivirus dengan menggunakan metode hybrid
Klik salah satu perhitungan prediksi rating thdp antivirus
Menampilkan pop up detail perhitungan prediksi rating
cek session
Tampilkan Halaman Login
Session ada Session tdk ada
Gambar 3.5 Activity Diagram Halaman Rekomendasi
Gambar 3.5 menjelaskan aktivitas apa saja yang terjadi ketika pengguna mengunjungi halaman rekomendasi. Halaman rekomendasi adalah halaman untuk menampilkan prediksi rating untuk seluruh produk antivirus yang ada beserta penjelasannya.
3.3.5. Activity Diagram Halaman Tutorial
Interface
Pengguna Sistem
Menampilkan tutorial
cek session Tampilkan Halaman Login
Session ada Session tdk ada
Gambar 3.6 Activity Diagram Halaman Tutorial
Gambar 3.6 menjelaskan aktivitas apa saja yang terjadi ketika pengguna mengunjungi halaman tutorial. Halaman rekomendasi adalah halaman untuk menampilkan tutorial penggunaan sistem.
3.3.6. Activity Diagram Logout
Sistem
Pengguna Interface
cek session
Tampilkan Halaman Login
Session ada Session tdk ada
Hapus session
Gambar 3.7 menjelaskan bahwa sistem akan menghapus session ketika proses logout. Kemudian, pengguna akan diarahkan ke halaman login.
3.3.7. Activity Diagram Tambah Produk Antivirus
Interface Sistem
Pengguna
Menampilkan formulir tambah antivirus
Mengisi informasi mengenai antivirus insert antivirus ke dalam database
Pesan sukses menambahkan antivirus
cek session
Session ada Session tdk ada
Menampilkan halaman login
cek apakah level admin
Menampilkan halaman utama
admin Tdk admin
Gambar 3.8 Activity Diagram Tambah Produk Antivirus
Gambar 3.8 menjelaskan tentang proses penambahan produk antivirus baru. Sistem mengecek apakah pengguna adalah admin atau tidak. Hanya pengguna yang levelnya admin sajalah yang bisa menggunakan proses ini.
3.3.8. Activity Diagram Edit Produk Antivirus
Interface Sistem
Pengguna
Seleksi antivirus yang dipilih ke dlm database
Menampilkan formulir edit antivirus Pilih salah satu produk antivirus
Mengubah informasi mengenai antivirus update antivirus ke dalam database
Pesan sukses mengedit antivirus
cek session
Session ada Session tdk ada
Menampilkan halaman login
cek apakah level admin
Menampilkan halaman utama
admin Tdk admin
Gambar 3.9 Activity Diagram Edit Produk Antivirus
Gambar 3.9 menjelaskan tentang proses pengeditan produk antivirus. Sistem mengecek apakah pengguna adalah admin atau tidak. Hanya pengguna yang levelnya admin sajalah yang bisa menggunakan proses ini.
3.3.9. Activity Diagram Lihat Produk Antivirus
Interface
Pengguna Sistem
Seleksi antivirus yang dipilih dari database Menampilkan informasi mengenai
antivirus dan ratingnya Pilih salah satu produk antivirus
cek session
Session ada Session tdk ada
Menampilkan halaman login
Gambar 3.10 Activity Diagram Lihat Produk Antivirus
Gambar 3.10 menjelaskan proses melihat produk software antivirus tertentu. Tidak terdapat pengecekan apakah pengguna merupakan administrator atau tidak,sehingga pengguna biasapun dapat melakukan proses ini.
3.3.10 Activity Diagram Beri Rating
Interface
Pengguna Sistem
Seleksi antivirus yang dipilih dari database Menampilkan informasi mengenai
antivirus dan ratingnya Beri rating terhadap produk
antivirus untuk keempat kriteria rating
pengecekan apakah ia sdh memberi rating thd antivirus tsb
insert rating ke dalam database
update rating ke dalam database Sudah pernah Belum pernah
Pesan sukses memberikan rating Pilih salah satu produk antivirus
cek session
Session ada Session tdk ada
Menampilkan halaman login
Gambar 3.11 Activity Diagram Beri Rating
Gambar 3.11 menjelaskan bahwa terdapat dua kemungkinan dalampemberian rating, yaitu ketika pengguna belum memberikan rating terhadap antivirus terpilih,atau pengguna sudah pernah memberikan rating terhadap antivirus tersebut. Ketika pengguna belum pernah memberikan rating, sistem akan melakukan penyisipan (insert) ke dalam database, sedangkan ketika pengguna sudah memberikan rating terhadap item tersebut,maka sistem akan melakukan perubahan (update).
3.4. Flowchart
Terdapat beberapa flowchart yang ada di dalam Sistem Rekomendasi Software Antivirus. Flowchart tersebut antara lain adalah :
3.4.1. Flowchart Keseluruhan Rekomendasi
start
count(R(u))>2
while(i=semua item yg blm dirating oleh user
login) sim1 = array() sim2 = array() sim3 = array() sim4 = array() r1 = array() r2 = array() r3 = array() r4 = array() while(u’=semua user selain user
login) M1 = array() M2 = array() M3 = array() M4 = array() If(!empty(R(u’,i)))
while(j=semua item yg sdh dirating oleh user login) M1[u][j] = R1(u,j) M1[u’][j] = R1(u’,j) M2[u][j] = R2(u,j) M2[u’][j] = R2(u’,j) M3[u][j] = R3(u,j) M3[u’][j] = R3(u’,j) M4[u][j] = R4(u,j) M4[u’][j] = R4(u’,j) no yes no yes no yes yes no If(!empty(R(u’,j))) yes no no yes u = user yg login R = rating R1 = rating kriteria pertama
R2 = rating kriteria kedua R3 = rating kriteria ketiga R4 = rating kriteria keempat
w = get_weight_cb() ovr_pred = array()
A
Menyimpan rating untuk keperluan perhitungan
similiarity
(metode collaborative filtering) Perhitungan bobot (metode
content based)
If(!empty(sim1))
ovr_pred[u][i] = (3*pred1[u][i] + 2*pred2[u][i] + 2*pred3[u][i] + pred4[u][i] ) /8
End
pred1[u][i] = (pred1[u][i] + get_prediction_cf(sim1, r1, i))/2 pred2[u][i] = (pred2[u][i] + get_prediction_cf(sim2, r2, i))/2 pred3[u][i] = (pred3[u][i] + get_prediction_cf(sim3, r3, i))/2 pred4[u][i] = (pred4[u][i] + get_prediction_cf(sim4, r4, i))/2
sim1[u][u’] = get_similiarity_cf(M1[u], M1[u’]) sim2[u][u’] = get_similiarity_cf(M2[u], M2[u’]) sim3[u][u’] = get_similiarity_cf(M3[u], M3[u’]) sim4[u][u’] = get_similiarity_cf(M4[u], M4[u’])
If(!empty(M1)) pred1[u][i] = get_prediction_cb(w[1], i) pred2[u][i] = get_prediction_cb(w[2], i) pred3[u][i] = get_prediction_cb(w[3], i) pred4[u][i] = get_prediction_cb(w[4], i) yes no yes no return ovr_ped r1[i] = R1(u’,i) r2[i] = R2(u’,i) r3[i] = R3(u’,i) r4[i] = R4(u’,i)
A
Perhitungan similiarity antar pengguna (Collaborative
Filtering)
Perhitungan prediksi rating (Content Based)
Perhitungan prediksi rating (Collaborative Filtering) dan perhitungan prediksi rating Hybrid (Linear Combination) Perhitungan prediksi rating gabungan keempat kriteria
rating
sort(ovr_pred)
Gambar 3.13 Flowchart Rekomendasi Keseluruhan (Lanjutan)
Sistem rekomendasi membutuhkan user profile sebagai acuan bagi sistem rekomendasi dalam memberikan hasil rekomendasi. Salah satu cara membangun user profile adalah dengan menyimpan dan menganalisa histori pemberian rating seorang pengguna terhadap beberapa produk. Rating tersebut berfungsi sebagai alat untuk menunjukkan tingkat kepuasan pengguna terhadap beberapa produk.
Berikut merupakan penjelasan dari flowchart rekomendasi hybrid (content based dan collaborative filtering) dalam sistem rekomendasi multi-criteria rating. 1. Rekomendasi diberikan kepada pengguna target (pengguna yang login) yang
bermutu rating yang diberikan oleh pengguna, semakin bagus pula rekomendasi yang diberikan oleh sistem.
2. Kemudian, sistem akan membangun user profile (bobot masing-masing attribut di dalam produk) (2.1).
3. Proses rekomendasi dilanjutkan dengan menyeleksi semua produk yang belum pernah ia beri rating sebelumnya.
4. Untuk setiap produk tersebut, kumpulkan neighbor dengan cara menghitung kemiripan dengan seluruh pengguna lain yang ada dengan menggunakan rumus
Cosine Based Similiarity (2.4).
5. Hitung prediksi rating pengguna target terhadap produk dengan menggunakan rumus (2.2) (content based).
6. Jika neighbor didapat, sistem akan menghitung prediksi rating pengguna target terhadap produk dengan menggunakan persamaan weighted sum (2.3).
7. Kemudian, hitung prediksi hybrid, yaitu kombinasi linear dari perhitungan content based dengan perhitungan collaborative filtering (2.5).
8. Kemudian, hitung prediksi keseluruhan, yaitu penggunaan fungsi agregasi (2.7) terhadap perhitungan prediksi masing-masing kriteria rating.
9. Kemudian ulangi lagi langkah tersebut (langkah 3) untuk meprediksi rating produk selanjutnya sampai prediksi rating untuk seluruh item didapatkan.
10.Setelah prediksi rating untuk seluruh item didapat, selanjutnya adalah mengurutkan nilai prediksi tersebut dari besar ke kecil.
11.Selesai.
Berbeda dengan sistem rekomendasi dengan satu rating (Single-criteria Rating Recommendation), pada sistem rekomendasi dengan banyak rating (Multi-criteria Rating Recommendation), pada saat proses perhitungan, perhitungan dihitung menjadi per-kriteria. Sehingga jika terdapat n buah kriteria, maka sistem harus menghitung sebanyak n kali lipat lebih banyak daripada sistem rekomendasi dengan single-criteria rating.
Sebagai contoh, seorang pengguna 1, setelah memberi rating terhadap 4 buah produk, 1, 2, 3, 4, memiliki matrix rating user x item dan sebuah item feature
Tabel 3.1 Matrix rating User x Item Pada Sistem Rekomendasi Multi Criteria Rating 1 2 3 4 5 1 4,3,3,4 3,3,4,4 2,3,3,2 3,3,4,4 ?,?,?,? 2 3,3,4,4 3,3,4,4 2,1,3,3 3,3,4,3 4,4,4,4 3 2,3,2,2 4,4,4,4 4,3,4,3 2,3,2,1 3,2,3,3 4 3,1,1,3 3,3,1,2 2,3,4,4 2,3,3,1 2,2,3,3 5 5,4,5,4 2,3,4,4 3,3,4,3 3,3,4,4 4,4,3,5
Tabel 3.1 merupakan contoh matrix rating user x item pada sistem rekomendasi Multi Criteria Rating. Pengguna 1 adalah pengguna target yang akan dihitung berapa prediksi ratingnya terhadap item 5. Matrix Rating tersebut akan digunakan untuk menghitung similiarity antar pengguna dan perhitungan prediksi di dalam metode collaborative filtering.
Tabel 3.2 Tabel Item Feature pada Sistem Rekomendasi Multi-criteria Rating
1 2 3 4 1, 2, 3, 4 1 1 1 1 1 4,3,3,4 2 1 0 1 1 3,3,4,4 3 1 0 0 0 2,3,3,2 4 1 0 1 1 3,3,4,4 5 1 1 0 1 ?,?,?,?
Tabel 3.2 merupakan contoh item feature yang dimiliki pengguna 1. Item feature tersebut mendeskripsikan fitur apa saja yang dimiliki oleh sebuah item yang sudah pernah dirating olehnya. Fitur 1, 2, . . mewakili fitur apa saja yang dimiliki
oleh sebuah produk. Item feature seorang pengguna digunakan untuk menghitung bobot masing masing fitur yang akan digunakan pada saat penghitungan prediksi dengan content based recommendation.
Untuk memudahkan penyelesaian persoalan sistem rekomendasi multi-criteria rating, matrix user x item dan item feature tersebut harus dipecah menjadi per-kriteria. Matrix rating user x item untuk kriteria rating pertama dan item feature untuk kriteria rating pertama digambarkan dalam tabel 3.3 dan tabel 3.4.
Tabel 3.3 Matrix User x Item Untuk Kriteria Rating Pertama 1 2 3 4 5 1 4 3 2 3 ? 2 3 3 2 3 4 3 2 4 4 2 3 4 3 3 2 2 2 5 5 2 3 3 4
Tabel 3.4 Tabel Item Feature Pengguna 1 Untuk Kriteria Rating Pertama
1 2 3 4 1 1 1 1 1 1 4 2 1 0 1 1 3 3 1 0 0 0 2 4 1 0 1 1 3 5 1 1 0 1 ?
Setelah berhasil menghitung prediksi rating masing-masing kriteria, gabungkan hasil prediksi untuk masing-masing kriteria tersebut dengan menggunakan fungsi agregasi (2.6) untuk mendapatkan prediksi keseluruhan untuk satu produk.
3.4.2. Flowchart Cosine Based Similiarity (Collaborative Filtering)
Di dalam sistem rekomendasi yang dibangun, penulis menggunakan perhitungan kemiripan berbasis pengguna.
Start M1 = array berisi Rating User 1 M2 = array berisi Rating User 2 While(i=item di dlm M1) Similiarity = 0 Var1 = 0 Var2 = 0 Var3 = 0 Var1 += M1[i]*M2[i] Var2 += pow(M1[i], 2) Var3 += pow(M2[i], 2) Similiarity = var1 / sqrt(var2) * sqrt(var3) End Return similiarity yes no
Gambar 3.14 Flowchart Cosine Based Similiarity
Sesuai dengan gambar 3.14, cosine based similiarity mencoba untuk menghitung kemiripan antara dua orang pengguna. Algoritma tersebut menggunakan kumpulan rating kedua pengguna tersebut terhadap item-item yang sama. Sedangkan keluaran dari algoritma ini adalah nilai dari similiarity yang berkisar antara 0 sampai dengan 1, dimana 0 berarti kedua pengguna tersebut tidak memiliki kemiripan sama sekali, sedangkan 1 berarti kedua pengguna tersebut mutlak sama.
Tabel 3.5 Matrix User x Item Untuk Kriteria Rating Pertama 1 2 3 4 5 1 4 3 2 3 ? 2 3 3 2 3 4 3 2 4 4 2 3 4 3 3 2 2 2 5 5 2 3 3 4
Sebagai contoh, dengan melihat tabel 3.5, kedekatan pengguna 1 dengan pengguna lain dapat dihitung dengan rumus cosine based similiarity (2.4) seperti berikut. sim( 1, 2) = (4∗3) + (3∗3) + (2∗2) + (3∗3) 42+ 32+ 22+ 32 32 + 32+ 22 + 32 = 12 + 9 + 4 + 9 16 + 9 + 4 + 9 9 + 9 + 4 + 9 = 34 6.16∗5.56 = 0.99
Sedangkan nilai kedekatan 1 dengan 3, 4, 5 secara berturut-turut adalah 0.87, 0.98, dan 0.97. Dengan kata lain, pengguna 1 lebih mirip dengan pengguna 2 dibandingkan dengan pengguna lain. Nilai dari masing-masing similiarity inilah yang akan digunakan dalam perhitungan prediksi rating weighted sum (collaborative filtering) nanti.
3.4.3. Flowchart Weighted Sum (Collaborative Filtering)
Start
Sim = array berisi similiarity user u dgn
neighbor R = array berisi rating
para neighbor thdp item i i = item i Prediction = 0 Var1 = 0 Var2 = 0 While(u’ = neighbor di dlm Sim)
Var1 += Sim[u’]*R[u’][i] Var2 += Sim[u’]
Prediction = var1 / var2 End Return Prediction yes no
Gambar 3.15 Flowchart Weighted Sum
Gambar 3.15 menerangkan bahwa masukan dari algoritma weighted sum
adalah sebuah array berisi similiarity antara user target dengan user neighbor, sebuah
array berisi rating user neighbor terhadap item target, dan item target. Sedangkan keluaran dari algoritma ini adalah prediksi rating user target terhadap item target.
Prediksi rating yang akan diberikan pengguna 1 terhadap 5 (lihat tabel 3.5) dengan menggunakan formula weighted sum (2.3) adalah :
prediction_cf( 1, 5) =
(0.99∗4) + (0.87∗3) + (0.98∗2) + (0.97∗4)
3.4.4. Flowchart Perhitungan Bobot Masing-masing Feature (Content Based) Start Weight = array() Jlh = array() While(i=item yg sdh dirating) Weight[1][j] += R1(u,i) Weight[2][j] += R2(u,i) Weight[3][j] += R3(u,i) Weight[4][j] += R4(u,i) End While(j=semua feature ) If(!empty(j(i))) Weight[1][j] /= Jlh[j] Weight[2][j] /= Jlh[j] Weight[3][j] /= Jlh[j] Weight[4][j] /= Jlh[j] While(j=semua feature ) yes no yes no yes no yes no Return weight Jlh[j]++
Gambar 3.16 Flowchart Perhitungan Weight
Sistem rekomendasi content based mencoba untuk memberikan rekomendasi sesuai dengan konten / fitur yang seorang pengguna inginkan. Oleh karena itu tujuan
utama dari sistem rekomendasi content based adalah menghitung bobot masing- masing fitur berdasarkan item-item yang sudah pernah ia rating sebelumnya.
Tabel 3.6 Tabel Item Feature Pengguna 1 untuk Kriteria Rating Pertama
1 2 3 4 1 1 1 1 1 1 4 2 1 0 1 1 3 3 1 0 0 0 2 4 1 0 1 1 3 5 1 1 0 1 ?
Dengan melihat tabel 3.6, weight untuk masing-masing fitur 1, 2, 3, 4 untuk
pengguna 1 adalah (2.1) :
( 1, 1) = ( 1∗4 + 1∗3 + 1∗2 + 1∗3 )/4 = 3 ( 1, 2) = ( 1∗4 )/4 = 1
( 1, 3) = ( 1∗4 + 1∗3 + 1∗3 )/4 = 2.5
( 1, 4) = ( 1∗4 + 1∗3 + 1∗3 )/4 = 2.5
Hal ini berarti, dengan melihat histori pemberian rating pengguna tersebut, pengguna tersebut memiliki bobot yang berbeda-beda untuk tiap fitur. Bobot tertinggi terdapat pada fitur pertama. Bobot-bobot inilah yang kemudian akan digunakan di dalam perhitungan prediksi rating dengan menggunakan metode content based
3.4.5. Flowchart Perhitungan Prediksi Rating (Content Based) Start Pred = 0 Jlh = 0 Pred += w[j] Jlh++ End While(j = semua feature yg ada If(!empty(j(i))) Pred /= jlh W = array Weight i = item i Return pred yes yes no no
Gambar 3.17 Flowchart Perhitungan Prediksi Rating (Content Based)
Ketika weight untuk masing-masing fitur sudah ditentukan, maka prediksi rating untuk item target dapat dihitung (lihat tabel 3.6) (2.2), yaitu :
3.4.6. Flowchart Hybrid (Linear Combination)
Setelah prediksi rating dengan kedua buah metode didapat, selanjutnya adalah menggabungkan prediksi rating tersebut dengan menggunakan kombinasi linear.
Flowchart kombinasi linear untuk dua buah metode rekomendasi dapat dilihat pada gambar 3.18. Start Rhyb = (w1*R1 + w2*R2)/ (w1+w2) R1 = prediksi rating dgn metode 1 R2 = prediksi rating dgn metode 2 W1 = bobot metode 1 W2 = bobot metode 2 Return Rhyb end
Gambar 3.18 Flowchart Hybrid Linear Combination
Pada penelitian ini, penulis menggunakan bobot yang sama untuk kedua buah metode. Berdasarkan perhitungan sebelumnya, prediksi rating dengan menggunakan metode content based adalah 3.55, sedangkan prediksi rating dengan menggunakan metode collaborative filtering adalah 3.25. Maka prediksi rating hybrid adalah (2.5):
= 2.16 + 3.25
2 = 2.7
Berarti, prediksi rating (hybrid) untuk kriteria pertama adalah 3.4. Kemudian, ulangi proses yang sama untuk menghitung prediksi rating kriteria kedua, ketiga, dan keempat.
3.4.7. Flowchart Penggabungan Kriteria (Fungsi Agregasi)
Setelah prediksi rating untuk masing-masing kriteria didapat, selanjutnya adalah menggabungkan prediksi rating tersebut dengan menggunakan fungsi agregasi.
Flowchart fungsi agregasi pada sistem rekomendasi multi-criteria rating dapat dilihat pada gambar 3.19.
Start
Ragr = (w1*R1 + w2*R2 + w3*R3 + w4*R4)/ (w1+w2+w3+w4)
R1 = prediksi rating kriteria 1 R2 = prediksi rating kriteria 2 R3 = prediksi rating kriteria 3 R4 = prediksi rating kriteria 4
W1 = bobot kriteria 1 W2 = bobot kriteria 2 W3 = bobot kriteria 3 W4 = bobot kriteria 4 Return Ragr end
Gambar 3.19 Flowchart Fungsi Agregasi
Castelli (2001) telah menyampaikan kriteria yang pokok yang harus dimiliki pada sebuah software antivirus. Oleh karena itu, berikut ini merupakan kriteria dan bobot masing-masing kriteria software antivirus yang digunakan di dalam sistem rekomendasi yang dibangun sebagaimana dijelaskan pada tabel 3.7.
Tabel 3.7 Bobot Masing-Masing Kriteria Software Antivirus
Detection Performance Updates Tech Support
Weight 3 2 2 1
Jika prediksi rating untuk kriteria pertama, kedua, ketiga dan keempat berturut- turut adalah 3.4, 4.1, 2.5, dan 3.0, maka prediksi rating keseluruhan adalah (2.7).
=3∗2.7 + 2∗4.1 + 2∗2.5 + 1∗3.0
3 + 2 + 2 + 1 = 3.03
Setelah prediksi keseluruhan (gabungan dari keempat kriteria rating) didapatkan, ulangi perhitungan prediksi rating untuk item berikutnya.