BAB V HASIL DAN PEMBAHASAN
5.3 Kesimpulan Hasil Pengujian
Berdasarkan hasil uji precision yang dilakukan dengan 3 skenario pengujian sebelumnya, dapat diketahui bahwa saat dilakukan pengujian berdasarkan 3 neighbor memiliki hasil precision dan MAE yang paling baik. Dimana saat dilakukan uji precision, skenario pengujian 3 neighbor menghasilkan nilai precision yang efektif, yaitu dengan rata-rata nilai precision 0.758. Begitu halnya
0
Hasil Uji Mean Absolute Error (MAE)
Jumlah Neighbor 3 Jumlah Neighbor 5 Jumlah Neighbor All
86
saat dilakukan pengujian berdasarkan 5 neighbor, hasil rata-rata nilai precision yang dihasilkan adalah 0.712 yang berarti efektif. Skenario terakhir untuk uji precision berdasarkan all neighbor, memiliki rata-rata nilai precision 0.571 yang berarti kurang efektif.
Penelitian sebelumnya yang dilakukan oleh Prasetya (2017), saat melakukan pengujian precision terhadap situs e-commerce, memiliki hasil sebagai berikut:
Tabel 5.11 Hasil Uji Precision Penelitian Sebelumnya
Jumlah neighbor Precision
10 0.028
30 0.025
50 0.023
80 0.022
100 0.021
Berdasarkan hasil uji precision pada penelitian kali ini serta penelitian sebelumnya yang tertera pada tabel 5.11, dapat disimpulkan semakin rendah jumlah neighbor yang dipilih, maka semakin tinggi hasil uji precision. Hal ini dikarenakan karena saat kita menentukan jumlah neighbor yang dipilih, misalnya 5, berarti kita akan memilih 5 pengguna yang memiliki nilai similarity atau kemiripan tertinggi dengan user aktif. Pengguna yang memiliki nilai similarity tertinggi menunjukkan bahwa dia memiliki kesamaan pembelian barang tertinggi terhadap user aktif, sehingga barang yang akan direkomendasikan pun semakin akurat. Namun saat jumlah neighbor yang diambil semakin banyak, maka nilai similarity pengguna pun semakin rendah, dan barang yang direkomendasikan terhadap pengguna aktif menjadi kurang akurat.
Hasil pengujian Mean Absolute Error (MAE) pada penelitian ini memperlihatkan bahwa skenario pengujian berdasarkan 3 neighbor memiliki nilai paling baik, yaitu dengan nilai tingkat error terendah sebesar 0.9147. Kemudian pengujian menggunakan 5 neighbor, rata-rata nilai tingkat error yang dihasilkan
87
adalah 1.0363. Dan saat dilakukan skenario pengujian berdasarkan all neighbor, rata-rata nilai tingkat error adalah 1.0469.
Adapun hasil nilai MAE yang dilakukan pada penelitian sebelumnya oleh Najafi dan Salam (2016) terhadap situs Movielens. Memiliki hasil seperti yang ada pada tabel berikut:
Tabel 5.12 Hasil Uji MAE Berdasarkan Skenario All Neighbors
Jumlah neighbor Nilai Error
10 0.752
20 0.755
30 0.763
40 0.769
50 0.776
60 0.781
80 0.785
Jika dibandingkan dengan hasil MAE yang dilakukan pada penelitian kali ini dapat disimpulkan bahwa semakin besar jumlah neighbor yang diambil maka akan memiliki nilai error semakin besar. Hal ini dikarenakan saat jumlah neighbor semakin banyak maka item yang direkomendasikan juga semakin banyak, dan semakin banyak item yang direkomendasikan maka akan meningkatkan selisih nilai error.
BAB VI
KESIMPULAN DAN SARAN 6.1 Kesimpulan
Lambat laun pengguna internet di Indonesia semakin meningkat, diikuti meningkatnya jumlah commerce. Banyaknya data yang ada, termasuk di web e-commerce, sehingga diperlukan sebuah sistem untuk membantu pengguna menemukan barang yang diinginkan dengan cepat.
Sistem rekomendasi merupakan sistem yang dibangun untuk memprediksi suatu item yang sesusai dengan minat pengguna, dimana item tersebut akan direkomendasikan terhadap pengguna lain berdasarkan perhitungan metode tertentu. User collaborative filtering (UCF) adalah salah satu metode yang dapat digunakan untuk mengimplementasikan sistem rekomendasi terhadap studi kasus yang ada. Berdasarkan metode UCF, untuk memunculkan hasil rekomendasi diperlukan data rating user terhadap item. Data rating tersebut digunakan dalam perhitungan untuk memunculkan similiar user atau neighbor yang dihitung berdasarkan algoritma cosine similarity. Kemudian dipilih berapa jumlah neighbor yang akan dilakukan untuk perhitungan
Analisis hasil pengujian yang dilakukan peneliti dalam mengimplementasikan metode UCF dengan algoritma cosine similarity pada studi kasus web e-commerce XYZ berdasarkan 3 skenario yaitu 3, 5 dan all neighbor, menyimpulkan bahwa semakin rendah nilai neighbor yang dipilih, maka semakin efektif nilai uji precision yang dihasilkan.
Skenario pengujian dengan 3 neighbor memiliki hasil rekomendasi yang paling baik. Saat dilakukan pengujian berdasarkan skenario 3 neighbor, rata-rata nilai precisionyang dihasilkan adalah 0.758 yang berarti efektif. Pengujian berdasarkan skenario 5 neighbor memiliki nilai rata-rata precision 0.712 yang berarti efektif. Namun memiliki hasil yang kurang efektif saat menggunakan skenario all neighbor, dimana pada skenario tersebut memiliki rata-rata nilai precision 0.571.
89
Kesimpulan pengujian yang didapat selanjutnya adalah, jumlah neighbor yang diambil akan memepengaruhi jumlah hasil barang rekomendasi yang dapat ditampilkan. Dimana saat dilakukan 3 kali skenario pengujian, jumlah barang yang dapat direkomendasikan akan semakin banyak saat jumlah neighbor bertambah.
Kemudian hasil pengujian tingkat error yang dilakukan pada penelitian ini dapat disimpulkan bahwa semakin tinggi jumlah neighbor, semakin besar juga nilai error yang dihasilkan. skenario pengujian berdasarkan 3 neighbor memiliki nilai MAE yang paling baik, yaitu dengan nilai tingkat error terendah sebesar 0.9147.
Dan pengujian menggunakan 5 neighbor dan all neighbor, masing-masing memiliki rata-rata nilai tingkat error 1.0363 dan 1.0469.
6.2 Saran
Adapun saran yang ingin disampaikan peneliti demi perbaikan kedepannya adalah:
1. Dibutuhkan data barang yang beragam, setidaknya setiap kategori pada web e-commerce memiliki aneka ragam produk yang dapat dipilih. Sehingga pengguna dapat memilih barang sesuai apa yang mereka inginkan, dan ketepatan barang yang direkomendasikanpun akan semakin tinggi.
2. Untuk penelitan selanjutnya, disarankan untuk pengguna agar aktif memberikan rating yang ada pada item yang terdapata pada sistem. Baik secara implisit, eksplisit, atau hybrid.
3. Kelengkapan data profil user, seperti usia, jenis kelamin, minat, dan hal lain, serta data profil barang, sangat diperlukan untuk melakukan perhitungan rekomendasi menggunakan metode lain seperti content based dan hybrid.
DAFTAR PUSTAKA
Abdurrahman, M. S. (2017, Mei 20). Pertumbuhan e-Commerce Indonesia Tertinggi di Dunia. Retrieved Oktober 9, 2017, from Liputan 6:
http://tekno.liputan6.com/read/2957050/pertumbuhan-e-commerce-indonesia-tertinggi-di-dunia
Abdurrahman, M., Muhidin, S. A., & Somantri, A. (2011). Dasar-Dasar Metode Statistika Untuk Penelitian. Bandung: CV. Pustaka Setia.
Adomavicius, G., & Kwon, Y. (2007). New Recommendation Techniques for Multi-Criteria Rating Systems. Minnesota: Department of Information and Decision Sciences Carlson School of Management Carlson School of Management.
Adomavicius, G., & Tuzhilin, A. (2005). Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. Transactions on Knowledge and Data Engineering, 734-749.
Aminuddin. (2015). Cara Efektif Belajar Framework Laravel. Yogyakarta:
Lokomedia.
Asanov, D. (2011). Algorithms and Methods in Recommender Systems. Berlin:
Berlin Institute of Technology.
Babbie, E. (2013). The Practice of Social Research - 13th Edition. Canada:
Wadsworth, Cengage Learning.
Bean, M. (2015). Laravel 5 Essentials. Birmingham: Packt Publishing.
Boström, P., & Filipsson, M. (2017). Comparison of User Based and Item Based Collaborative Filtering Recommendation Services. Stockholm: KTH Vetenskap Och Konst.
Ekstrand, M. D., Riedl, J. T., & Konstan, J. A. (2011). Collaborative Filtering Recommender Systems. Hanover: now Publishers Inc.
Gong, A., Gao, Y., Gao, Z., Gong, W., Li, H., & Gao, H. (2016). A Slope One and Clustering based Collaborative Filtering Algorithm. International Journal of Hybrid Information Technology, 437-446.
91
Gündüz-Ögüdücü, S. (2011). Web Page Recommendation Models: Theory and Algorithms. Morgan & Claypool Publisher.
Hasugian, J. (2006). Penelusuran Informasi Ilmiah Secara Online: Perlakuan terhadap Seorang Pencari Informasi sebagai Real User. Jurnal Studi Perpustakaan dan Informasi, Vol.2, No. 1.
Hidayat, A., & Surarso, B. (2012). Penerapan Arsitektur Model View Controller (MVC) dalam Rancang Bangun Sistem Kuis Online Adaptif. Seminar Nasional Teknologi Informasi dan Komunikasi, 59-64.
Isinkaye, F. O., Folajimi, Y. O., & Ojokoh, B. (2015). Recommendation systems:
Principles, Methods and Evaluation. Egyptian Informatics Journal, 261-273.
Knijnenburg, B. P., Willemsen, M. C., Gantner, Z., Soncu, H., & Newell, C. (2012).
Explaining the user experience of recommender systems. Experience of Recommender Systems, 441-504.
Kurovski, M. (2018, Februari 5). Deep learning for recommender systems.
Retrieved from eBay Tech: https://ebaytech.berlin/deep-learning-for-recommender-systems-48c786a20e1a
Merville, P., & Sindhwani, V. (2010). Recommender Systems. In Encyclopedia of Machine Learning (pp. 1-9). New York: IBM T. J. Watson Research Center.
Najafi, S., & Salam, Z. (2016). Evaluating Prediction Accuracy for Collaborative Filtering Algorithms in Recommender Systems. Stockholm: Vetenskap Och Konst.
Pazzani, M. J., & Billsus, D. (2007). Content-Based Recommendation Systems. The Adaptive Web, Lecture Notes in Computer Science Vol. 4321, 325-341.
Pinela, C. (2017, November 6). Recommender Systems — User-Based and Item-Based Collaborative Filtering. Retrieved from Medium:
https://medium.com/@cfpinela/recommender-systems-user-based-and-item-based-collaborative-filtering-5d5f375a127f
Pradnyana, G. A., & Sanjaya, N. A. (2012). Perancangan dan Implementasi Automated Document Integration dengan Menggunakan Algoritma
92
Complete Linkage Agglomerative Hierarchical Clustering. Jurnal Ilmu Komputer Vol.5, No.2, 1-10.
Raco, J. (2010). Metode Penelitian Kualitatif : Jenis, Karakteristik dan Keunggulannya. Jakarta: Grasindo.
Raharjo, B. (2011). Belajar Otodidak Membuat Database Menggunakan MySQL.
Bandung: Informatika Bandung.
Ricci, F., Rokach, L., Shapira, B., & Kantor, P. B. (2011). Recommender Systems Handbook. London: Springer.
Safriadi, N., & Wibowo, A. (2011). Uji Relevansi dan Performansi Sistem Temu Balik Informasi Pada Giggle Search Engine. Journal ELKHA, Vol.3, No.2, 50-53.
Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-Based Collaborative Filtering Recommendation Algorithms, 285-295.
Sofa, A. F., & Wahyu, J. (2017). Evaluasi Sistem Temu Kembali KOHA di Perpustakaan Universitas Muhammadiyah Surakarta (UMS). Khizanah Al-Hikmah, Vol.5, No.2, 140-151.
Su, X., & Khoshgoftaar, T. M. (2009). A Survey of Collaborative Filtering Techniques. Advances in Artificial Intelligence.
Sugiyono. (2016). Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung:
Alfabeta.
Supaartagorn, C. (2011). PHP Web Authoring for Database Management based on MVC Pattern. San Francisco.
Suyanto, M. (2003). Strategi Periklanan pada E-Commerce Perusahaan Top Dunia. Yogyakarta, Indonesia: ANDI.
Thurrot, S. (2018, Mei 8). Online reviews: Here's what's behind all those 5 star
ratings. Retrieved from NBC News:
https://www.nbcnews.com/better/business/does-five-star-online-review-really-mean-product-good-ncna870901
Turban, E., King, D., Lee, J. K., Liang, T.-P., & Turban, D. C. (2015). Electronic Commerce - A Managerial and Social Networks Perspective (Eighth ed.).
Springer International Publishing.
93
We Are Social. (2018, Januari 30). Digital in 2018: In Southeast Asia. Retrieved
Oktober 9, 2017, from We Are Social:
https://wearesocial.com/blog/2018/01/global-digital-report-2018
Wimmer, R. D., & Dominick, J. R. (2013). Mass Media Research, An Introduction - 10th Edition. Cengage Learning.
Yu, P. (2015). Collaborative Filtering Recommendation Algorithm Based on Both User and Item. 4th International Conference on Computer Science and Network Technology (ICCSNT), 239-243.
94
LAMPIRAN-LAMPIRAN Lampiran 1 Source Code 1 <?php
2 public function index() 3 {
13 public function sum_rating($customer_id) 14 {
29 public function review_matrix() 30 {
31 $truncate_review_matrix =
DB::table("review_matrix")->truncate();
95
96
113 public function rating_prediction($limit, $type) 114 {
97
98