1 BAB I
PENDAHULUAN
1.1. Latar Belakang
Penelitian seputar sistem rekomendasi dalam satu dekade terakhir ini berkembang dengan pesat. Lebih dari 200 artikel penelitian yang membahas tentang sistem rekomendasi sudah terpublikasi (Beel, 2013). Seiring bertambahnya artikel-artikel tersebut, algoritma rekomendasi yang dikembangkan dan diinovasikan sesuai dengan kebutuhan masing-masing sistem pun semakin banyak. Berdasarkan sudut pandang penyaringan informasinya, algoritma rekomendasi yang sering digunakan dalam sistem rekomendasi terbagi menjadi tiga jenis, yaitu : Content-Based Filtering (CB), User-Based Collaborative Filtering (UCF) dan Item-Based Collaborative Filtering (ICF).
Beberapa peneliti mengembangkan ketiga algoritma penyaringan tersebut secara terpisah, namun ada juga peneliti yang menggabungkan lebih dari satu algoritma dengan tujuan mendapatkan hasil rekomendasi yang terbaik (Hu et al., 2011), (De Campos et al., 2010), (Chen et al. 2010). Untuk mengetahui apakah algoritma yang dikembangkan mendapatkan hasil yang terbaik atau tidak, para peneliti menggunakan beberapa teknik evaluasi seperti Mean Absolute Error (MAE), Precision Value, Recall, dan lainnya. (Beel, 2013), (Jin, 2006), (Claypool, 1999).
Dalam penerapannya pada sistem rekomendasi, UCF seringkali dipasangkan dengan ICF karena memiliki banyak kesamaan dalam teknik 1.1. Latar Belakangg
Penelititian seputar sisteem m rekomendasi dalam satu ddekade terakhir ini berkembabang dengann pepesaat. Lebbihh ddarri 20200 arartitkekell pepenelitian yanang g membahas tentntang siiststemem rekomenendadasi sudah terpuublblikikasi (Beeeel,l, 2013). Seiring bertamambabahnhnya arttikikel-artikel tersebut, algoritma rekomendadasis yanngg didikekembanngkg an dan n didiini ovasasikan sesuai dengan kebutuhan masing-masing sisstet m pupun n semakikin ba
banynyak. Berdasarkan sudut pandang penyaringan informasinnyay , alalgogorirtmaa reekok meendasi yang sering digunakan dalam sistem rekomendasi terbbagi mmenjaadid tiga jeenis, yaitu : Content-Based Filtering (CB), User-Based Coollaboraative Filtltere ining(UCF) dan Item-Based Collaborative Filtering (ICF).
Beberapa peneliti mengembabangngkakan ketiga algoritma penyaringan terersesebubut se
secacaraa ttererpipsah, namun ada juga peneliti yang mengggag bungkan lelebibihh dadariri ssaatu al
algogoriritma dengan ttujujuauan mendapatatkakan n hahasisil rekomendndasasii yay ng terbaik ((HuHu et al., 2011),) ((DeDe CCamamppos et al., 2010), (Chen eet al. 2010). Unttukuk mmenengegetatahui apakah algoritma yang dikembangkan mmendapatkaan hasil yang terbaik atau tidak, para peneliti menggunakan beberapa teknik eevaluasi seperti Mean Absolute Error (MAE), Precision Value, Recalll, daan lainnya. (Beel, 2013), (Jin, 2006), (Claypool 1999)
2 penyaringan dan bahkan dalam hal kekurangan dan kelebihannya. UCF mengasumsikan bahwa untuk mencari sesuatu yang akan disukai oleh pengguna A, maka harus dicari pengguna lain dengan kecenderungan yang sama. Pengguna lain yang memiliki ketertarikan / kecenderungan yang sama dengan pengguna A disebut dengan neighbor. Segala sesuatu yang disukai oleh neighbor akan menjadi sumber rekomendasi untuk pengguna A. Sedikit berbeda dengan UCF, ICF menampung segala item yang telah disukai oleh pengguna A terlebih dahulu dan kemudian mulai menelusuri item lain yang akan disukai oleh pengguna A. Perbedaan ICF dan UCF terletak pada titik awal dalam mencari rekomendasi untuk seorang pengguna dan jenis neighbor-nya. (Lops et al., 2011), (Sarwar et al., 2001).
Peran neighbor sangatlah penting dalam sistem rekomendasi, selain berperan sebagai sumber rekomendasi, ada juga data lain pada neighbor yang nantinya akan digunakan untuk menghitung nilai prediksi. Dalam hal ini data tersebut adalah nilai rating neighbor terhadap item rekomendasi. Nilai prediksi ini nantinya digunakan oleh para peneliti sebagai tolak ukur seberapa “baik” algoritma rekomendasi yang sedang dikembangkan.
Pada penelitian ini, peneliti mencoba memanfaatkan sebuah metode pengukuran dengan tujuan bisa mendapatkan neighbor terbaik, sebagai dasar pencarian rekomendasi dan nilai prediksi yang akurat. Metode pengukuran yang digunakan adalah Pearson-Correlation Coefficient. Dengan memanfaatkan metode pengukuran ini, peneliti ingin membuktikan seberapa besar pengaruh relasi neighbor terhadap keakuratan rekomendasi dan prediksi.
A, maka harus dicari penggununaa llain dengan kekecec nderungan yang sama. Pengguna lain yang memilikii kketertarikan / kecenderungan yang ssama a dengan pengguna A disebut dengngaan neighbor. Segalala sese uau tutuyyanang didsukai oleh neigghbh or akan menjadi sumberer rekomendasisi uuntntuuk pengguna A. SS dedikkiit bbeerbeda dengan n UCF, ICF me
menampunng g sesegagala itemm yang telah disukai oleh peengnggug na AA ttererlelebih dahuhulu dan kemudidianan mulaiai menelusuri item lain yang akan disukkaiai oleh h pepengnggunaa A. Peerbrb dedaan IICF dan UCF terletak pada titik awal dalam menccari rrekekomo endaasis un
untutuk seeorang pengguna dan jenis neighbor-nya. (Lops et al., 201111), ((SaSarwrwaar et al., 20001).
Peran neighbor sangatlah penting dalam sistem rekomenddasi,, selainn berperan sebagagaiai ssumumbeberr rerekok meendn asi, aadada jjugugaa dadatata llaiainn pap da neighbor yr yanangg na
nantinya akan digunakan untuk mengnghitung nilai prediksi. Dalam hal iinni ddatata te
tersrsebebutu adadalalahh ninilalaii raratitingngnneieighghbor terhadar appititemem rerekokomemendndasasii.NNililaiippreredidiksksii ini na
nantntininyaya diggununakakanan oolelehh paparar penenelelititi sebabagagaii tot laakk ukukuru sebbererapapa ““baik” algoritma rekkomendasi yang sedanngg dikembmbangkan.
Pada penelitian ini, penneliti menncoba memanfaatkan sebuah metode pengukuran dengan tujuan bisa mmendapapatkan neighbor terbaik, sebagai dasar r pencarian rekomendasi dan nilai preddikiksi yang akurat. Metode pengukuran yang
3 Keakuratan rekomendasi dan prediksi dari penelitian ini akan dievaluasi dengan menggunakan metode evaluasi Mean Absolute Error (MAE), Precision dan Recall Value. Metode MAE digunakan untuk mengukur seberapa kuat akurasi dari nilai prediksi yang diberikan oleh algoritma peneliti dengan nilai rating yang sudah diberi oleh pengguna (evaluasi secara offline). Precision dan Recall Value berfungsi untuk mengetahui seberapa banyak rekomendasi item yang “tepat” diberikan untuk penerima.
1.2. Perumusan Masalah
Dari latar belakang permasalahan tersebut diatas, dapat diambil rumusan masalah sebagai berikut :
1. Bagaimana menerapkan metode Pearson-Correlation kedalam sistem rekomendasi?
2. Apakah nilai relasi antara pengguna terhadap neighbor-nya dapat mempengaruhi keakuratan rekomendasi dan prediksi?
1.3. Batasan Masalah
Pada penelitian ini lingkup permasalahan dibatasi sebagai berikut :
1. Teknik pengukuran yang digunakan untuk menentukan relasi antar pengguna sistem adalah Pearson-Correlation
2. Algoritma yang digunakan untuk menghitung nilai prediksi rekomendasi adalah User-Based Collaborative Filtering dengan melibatkan nilai kedekatan pengguna dengan neighbor-nya.
dan Recall Value. Metode MAEAEddigunakan uuntntuku mengukur seberapa kuat akurasi dari nilai prediksi yayanng diberikan oleh algoritma penelilititi dengan nilai rating yang g sudah diberiri oleh pengguna (evvalauauasis secsecarara a ofofflfine). Precisionn dan Recall Value berfunnggsi untuk meengngetetahahui seberapa banyakk rrekekomomeendasi item yayang “tepat” diibberikan ununtutuk k ppenerimama.
1.2. PePerurumusasan Masalah
Daarri latar belakang permasalahan tersebut diatas, dapat didiammbibill rurumum sann ma
masalah h sebagai berikut :
1. Baagaimana menerapkan metode Pearson-Correlation kedallam siststemm rekkomendasi?
2.
2 Apakah nilai relasi antara ppenengguna terhadap neighbor-nya ddapapaat me
mempmpengaruhi keakuratan rekomendasi dan prediksi?
1.
1.3.3.BaBatatasan MaMasasalalah Pa
P dda penelitian ini lingkup p pep rmassaalahan dibatasi sebagaii bberikut :
1. Teknik pengukuran yang diggunu akan untntuk menentukan relasi antar pengguna sistem adalah Pearson-Correlatation
4 3. Teknik evaluasi yang digunakan untuk mengukur keakuratan nilai prediksi
adalah Mean Absolute Error (MAE).
4. Precision, Recall Value digunakan untuk mengukur keakuratan rekomendasi.
1.4. Manfaat Penelitian
Penelitian ini bermanfaat untuk para peneliti ataupun developer yang ingin mengembangkan sistem rekomendasi. Hasil evaluasi dari algoritma prediksi, algoritma rekomendasi serta pencarian neighbor dapat digunakan sebagai bahan tinjauan untuk penelitian di masa mendatang.
1.5. Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengetahui apakah pemanfaatan Pearson-Correlation dalam pencarian neighbor dan melibatkannya dalam proses penawaran rekomendasi serta penghitungan nilai prediksi dapat mempengaruhi kualitas rekomendasi.
1.6. Sistematika Penulisan
Penulisan tesis ini dengan judul : User-Based Collaborative Filtering Dengan Memanfaatkan Pearson-Correlation Untuk Mencari Neighbor Terdekat Dalam Sistem Rekomendasi, disusun dalam lima bab, dengan sistematika penulisan sebagai berikut.
Bab pertama Pendahuluan. Bab ini menjelaskan secara singkat isi dari tesis yang berisi latar belakang, perumusan masalah, batasan masalah dan manfaat penelitian serta tujuan penelitian.
4. Precision, Recall Valuluee ddigunakan untuk mengnguku ur keakuratan rekomendasi.
1.4. Manfaat PePenelitian Pe
Penelitian ininiberermam nfaaatt ununtutuk kpaaraappenenelelittii atatauaupun develoopep r yang inginr meenngembangngkakan n sistem rekekomomendasi. HaH sisill evevaluasi darri i ala gog ritma prp ediksi, algoriritmma a rerekkomeendndasi serta pencarian neighbor dapr at ddigigunakakanan ssebebagai bbahan tinjjauauanan untukuk penelitian di masa mendatang.
1.
1.5.5.Tujujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengetahui apakah ppemanfaatatann Pearsoon-Correlation dalam pencarian neighbor dan melibatkannyar daalam pprrosees penaawawaran rekomenddasasii sesertrtaa pep nghitungan nnililaiai ppreredidksi dapat meemmpengaruruhihi kualitas rekomendasi.
1.
1.6.6.SiSstemematatikikaa PePenunulilisasann
Penulisan n tetesisis ininii dedengann jjududulul : UUseser-r-BaBaseed d CoCollaborativivee FiFilltering Dengan MMememanfaatkan Pearson-CCorrelattiion Untuk Mencarii NeNeigighbhbor Terdekat Dalam Sistem Rekomendasi, disusun daalam lima bab, dengan sistematika penulisan sebagai berikut.
5 Bab kedua Tinjauan Pustaka. Bab ini akan menjelaskan teori yang mendukung penyelesaian tesis yang berisi uraian penelitian pendahuluan, algoritma User-Based Collaborative Filtering, Pearson-Correlation Coefficient, Mean Absolute Error, Precision dan Recall Value.
Bab ketiga Metodologi Penelitian. Bab ini menjelaskan tentang bahan atau materi penelitian, data dan langkah-langkah penelitian.
Bab keempat Analisis dan Perancangan Sistem. Bab ini memberikan penjelasan tentang analisis dan desain perangkat lunak yang akan dibangun, serta sistem yang akan diterapkan.
Bab kelima Implementasi dan Pengujian Sistem. Dalam bab ini akan dibahas implementasi dari teknik pengukuran Pearson-Correlation untuk mencari neighbor dalam sistem rekomendasi yang memanfaatkan User-Based Collaborative Filtering dan mengevaluasi hasil yang didapat dengan menggunakan Mean Absolute Error dan Precision Value.
Bab keenam Kesimpulan dan Saran. Bab ini berisi kesimpulan penelitian serta saran-saran yang mungkin diberikan untuk pengembangan lebih lanjut. algoritma User-Based Collaboborrative Filteriringng,, Pearson-Correlation Coefficient, Mean Absolute Errororr, Precision dan Recall Value.
Baabb ketiga MMettododoloogi PeP nen lilitiana . BaBabbinini i mem njelaskan tentntang bahan atau mateeriri penelitiaian,n data adad n langgkaah-h lalangngkakah h pep nelitiann.
Ba
Bab b kkeemmppat Analisis dan Perancangan Sistem. Babb ininii mem mbererikan penjnjelelaasan tteentang analisis dan desain perangkat lunak yang akkana dibibanangugun, serrtat si
sissteme yaang akan diterapkan.
Bab kelima Implementasi dan Pengujian Sistem. Dalam babab ini akkanan di
dbahaas implementasi dari teknik pengukuran Pearson-Correlation unttuk meencarri neighbhboror dalam ssisisttem rerekok mendasi yangya mmememanfaatkan UUser-Basaseded Co
C llaborative Filtering dang menengegevaluasi hasil yang didapat ddenengagan me
mengnggugunan kan Mean Absolute Error dan Precision Value.
Ba
Bab kekeenenamam KKesesimimpuulalan dan n SaSaran. BBabb iinini bberisisi i kekesisimpmpululanan ppenenelitian serta saran-saran yang mungkin ddibiberikanuuntuk pengembangan lebih lanjut.
