ANALISIS DAN IMPLEMENTASI ALGORITMA SVD (SINGLAR VALUE DECOMPOSITION) PADA RECOMMENDER SYSTEM BERBASIS
COLLABORATIVE FILTERING
Abdul Wahid¹, Yanuar Firdaus A.w.², Warih Maharani³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Perkembangan teknologi informasi didukung dengan majunya teknologi Internet menyebabkan data dan informasi yang sangat banyak tersebar. Harus menggunakan teknologi atau teknik tertentu agar informasi yang diterima oleh user sesuai dengan apa yang diinginkan user. Salah satu teknologi tersebut adalah Recommender System. Recommender System akan menyediakan informasi yang mungkin akan sesuai dengan profil user. Dengan demikian, informasi yang diterima oleh user adalah informasi yang mungkin disukai atau cocok dengan apa yang user inginkan.
Untuk menghasilkan rekomendasi yang akurat, Recommender System didukung oleh beberapa metode dalam pengimplementasiannya yakni Algoritma SVD, Adjusted Cosine Similarity dan Weighted Sum (Prediction). Algoritma SVD digunakan untuk mendekomposis matrik yang bertujuan agar meningkatkan scalability dari sistem. Adjusted Cosine Similarity adalah algoritma yang menghitung tingkat kemiripan antar user terhadap item yang dirating. Prediction (Weighted Sum) adalah algoritma yang menghitung nilai prediksi rating. Untuk mengetahui kualitas dari sistem digunakan sebuah perhitungan error yang dikenal sebagai Mean Absolute Error(MAE). Hasil dari sistem ini adalah nilai prediksi rating terhadap sebuah item berdasarkan profil user. Dari hasil ini dilanjutkan dengan mengeluarkan rekomendasi item kepada user. Setiap user mendapat rekomendasi item yang berbeda sesuai dengan profil user yang dimiliki oleh setiap user.
Kesimpulan dari penelitian ini adalah Algoritma SVD dapat dikolaborasikan dengan algoritma item-based untuk menghasilkan prediksi dan algoritma SVD menghasilkan nilai prediksi dengan nilai error yang lebih kecil dibanding dengan algoritma plain item-based.
Kata Kunci : Recommender System, Adjusted Cosine Similarity, Weighted Sum, MAE
Abstract
The development of information technology supported by Internet technology has caused
scattered distribution of data and information. Particular technique or technology should be used so the information gotten by user is as what desired. One of such technology is Recommender System. Recommender System will provide information that may correspond with user profiles. Thus, the information received by the user is the one that may be desirable or proper to user want.
To generate accurate recommendations, Recommender System is supported by some methods in the implementation; they are the SVD algorithm, Adjusted Cosine Similarity and the Weighted Sum (Prediction). SVD algorithm is used for matrix decomposition aimed to improve the scalability of the system. Adjusted cosine similarity is the algorithm that calculates the level of similarity between the users of the rated items. Prediction (Weighted Sum) is the algorithms that calculates the similarity value and obtains the prediction value rating. To determine the quality of the system, an error calculation known as the Mean Absolute Error (MAE) is used.
The results of this system are the predicted value ratings of an item based on user profile. From these results, it will continue to issue recommendations to the user items. Each user will receive a different item recommendation corresponded with the user profile of every user.
The conclusion of this research is the SVD algorithm can be collaborated with item-based algorithms to generate predictions and the predictive value of SVD algorithm obtain the smaller error than the item-based algorithm.
Keywords : Recommender System, Adjusted cosine similarity, Weighted Sum, MAE
Powered by TCPDF (www.tcpdf.org)
1
1. Pendahuluan
1.1 Latar Belakang Masalah
”Buku adalah jendela dunia”. Siapa tak pernah mendengar ungkapan ini. Namun ungkapan ini dapat ditepis semenjak teknologi Internet hadir di tengah masyarakat sekarang ini. Segala jenis data, informasi dan berita dapat diperoleh dengan sangat mudah. Oleh karena begitu banyaknya informasi yang tesedia, maka permasalahan yang timbul adalah user menerima informasi yang belum tentu bermanfaat baginya.
Kemajuan teknologi pun hadir untuk mengatasi masalah tersebut. Beberapa metode yang kemudian diimplementasikan pada sebuah aplikasi yang dapat menyaring informasi yang dicari. Salah satu dari sekian metode tersebut adalah Recommender System. Recommender System merupakan suatu program komputer yang mencoba memprediksi sesuatu yang mungkin akan disukai oleh pengguna berdasarkan informasi yang diberikan mengenai user bersangkutan. Informasi yang akan di rekomendasikan kepada user akan dicocokkan terlebih dahulu dengan profil yang dimiliki oleh user tersebut. Recommender system sendiri memiliki beberapa klasifikasi yakni Content-based Filtering, Collaborative Filtering dan Hybrid Filtering. Content-based Filtering adalah Recommender System yang memberikan rekomendasi item yang mirip dengan item yang disukai oleh user pada waktu yang lampau, Collaborative Filtering adalah Recommender System yang mengidentifikasi user yang memiliki kesamaan dengan yang diberikan kepada user lain terhadap item-item pada masa lampau, sedangkan Hybrid Filtering adalah Recommender System Gabungan dari Conten-based Filtering dan Collaborative Filtering.[1]
Pada tugas akhir ini memfokuskan pada Recommender System berbasis Collaborative Filtering yang menggunakan algoritma Singular Value Decomposition (SVD) sebagai algoritma yang memproses matrik user-item. Pemilihan Algoritma SVD didasari oleh alasan bahwa algoritma SVD memiliki scalability saat menghasilkan prediksi akurasi yang baik.
Tugas akhir ini akan berkonsentrasi pada analisis ukuran training set dan test set terhadap hasil prediksi menggunakan algoritma SVD yang akan diimplementasikan dengan menggunakan data set dari http://movielens.umn.edu. Hasil prediksi dievaluasi dengan menggunakan sebuah algoritma pengukuran error Mean Absolute Error (MAE)
1.2 Perumusan Masalah
Permasalahan yang akan diangkat dalam tugas akhir ini adalah :
1. Bagaimana menerapkan Recommender System berbasis Collaborative Filtering dengan menggunakan algoritma SVD.
2. Bagaimana pengaruh ukuran training set dan test set terhadap hasil prediksi menggunakan algoritma SVD.
3. Bagaimana pengaruh nilai k (ukuran neighborhood) terhadap hasil prediksi menggunakan SVD.
2
1.3 Tujuan
Berdasarkan rumusan masalah di atas, maka tujuan akhir tugas akhir ini adalah: 1. Menganalisis apakah algoritma SVD dapat diimplementasikan pada
Recommender System berbasis Collaborative Filtering.
2. Mengukur dan menganalisis nilai k terhadap hasil prediksi dan rekomendasi yg menggunakan algoritma SVD
3. Mengukur dan menganalisis ukuran training set dan test set terhadap hasil rekomendasi yang menggunakan algoritma SVD.
1.4 Metodologi Penyelesaian Masalah
Metodologi penyelesaian masalah yang akan digunakan adalah : 1. Studi Literatur
Pada tahap ini dilakukan pendalaman pemahaman terkait dengan materi yang berhubungan dengan penelitian yang dilakukan, meliputi Recommender System, Algoritma SVD dan Collaborative Filtering.
2. Perancangan desain dan analisis
Melakukan analisis dan perancangan terhadap sistem yang akan dibangun serta menganalisis metode atau algoritma yang akan digunakan untuk menyelesaikan permasalahan, termasuk menentukan bahasa pemrograman yang digunakan, arsitektur, fungsionalitas, dan antarmuka sistem.
3. Implementasi
a. Pembangunan database berbasis MySQL b. Perancangan interface.
c. Pengimplementasian algoritma SVD dan Collaborative Filtering yang diintegrasikan dengan studi kasus.
4. Pengujian
Melakukan pengujian terhadap perangkat lunak yang dibangun. Pengujian dilakukan dengan melakukan analisis perbandingan training set dan test set. Secara objektif pengujian dipusatkan pada output yang dihasilkan oleh Recommender System. Selain perbandingan training set dan test set, digunakan juga sebuah variabel k sebagai parameter uji terhadap hasil output dari sistem.
5. Analisis Pengujian
MAE digunakan untuk menghitung akurasi dari rekomendasi yang dihasilkan.
6. Pengambilan kesimpulan dan penyusunan laporan Tugas Akhir
Pada tahap ini adalah tahap terakhir dari penelitian yang dilakukan yakni pengambilan kesimpulan dari beberapa tahap yang telah dilalui. Kemudian menyusun laporan dari penelitian yang dilakukan.
1.5 Sistematika Penulisan
Tugas akhir ini disusun dengan sistematika penulisan sebagai berikut :
BAB I Pendahuluan Bab ini berisi latar belakang, perumusan masalah, tujuan dan batasan masalah dari tugas akhir, metodologi yang
3 digunakan dalam menyelesaikan tugas akhir ini serta sistematika penulisan buku tugas akhir.
BAB II Landasan Teori Bab ini berisi tentang uraian mengenai Recommender System, Algoritma SVD, Algoritma Adjusted Cosine Similarity dan MAE.
BAB III Analisis dan Perancangan Sistem Bab ini berisi analisis kebutuhan sistem serta rancangan sistem secara terstruktur yang tertuang dalam bentuk Unified Manipulation Language (UML). BAB IV Implementasi dan Analisis Hasil Pengujian Bab yang berisi hasil
implementasi dan pengujian algoritma SVD dan Adjusted Cosine Similarity, serta analisis dari hasil pengujian tersebut
BAB V Kesimpulan dan Saran Berisi tentang kesimpulan yang didapat dari pelaksanaan tugas akhir ini dan saran-saran yang diperlukan untuk perbaikan maupun pengembangannya lebih lanjut.
Powered by TCPDF (www.tcpdf.org)
27
5. Kesimpulan dan Saran
5.1 Kesimpulan
Dari percobaan dan analisis di atas, dapat ditarik beberapa kesimpulan yakni,
1. Ukuran training set akan memiliki pengaruh terhadap kualitas prediksi rating. Nilai MAE akan semakin berkurang seiring dengan bertambahnya jumlah training set.
2. Algoritma SVD dapat digunakan untuk menghasilkan prediksi rating berdasarkan kemiripan pola rating dengan active user.
3. Hasil prediksi rating algoritma item-SVD lebih baik dibandingkan algoritma plain item-based, hal ini disebabkan karena algoritma item-SVD menghilangkan nilai 0 pada matrik user-item.
4. Algoritma SVD dapat dikolaborasikan dengan algoritma item-based collaborative filtering yang menghasilkan nilai prediksi yang lebih baik
5.2 Saran
1. Penggunaan data yang berbeda dengan jumlah data yang berbeda dan range nilai rating yang lebih banyak (misal, 1-10).
2. Agar proses tidak terpisah antara satu tahap ke tahap yang lain, maka sebaiknya diintegrasikan proses perhitungannya antara java dengan Matlab.
3. Diperlukan penelitian berikutnya yang mengimplementasikan rekomendasi berdasarkan pilihan user (jenis/nama)
4. Pada perhitungan prediksi, ada penggunaan algoritma sorting. Untuk proses perhitungan agar lebih optimal, penggunaan algoritma sorting yang ada diganti dengan algoritma sorting yang optimal dan stable.
Powered by TCPDF (www.tcpdf.org)
28
6. Daftar Pustaka
[1] Akhiro, R.2008. Studi Multi Criteria Decision Making (MCDM) untuk Recommender System Bursa Tenaga
Kerja. http://digilib.itb.ac.id/files/disk1/600/jbptitbpp-gdl-ridhoakhir-29977-3-2008ts-2.pdf. Diunduh pada tanggal 16 Januari 2009.
[2] Edel Garcia. Singular Value Decomposition Fast Track
Tutorial. http://www.miislita.com/information-retrieval-tutorial/singular-value-decomposition-fast-track-tutorial.pdf diunduh pada tanggal 13 Agustus 2009
[3] Mobasher, B.Recommender System.
http://maya.cs.depaul.edu/~mobasher/papers/mobasher-ki2007.pdf . Diunduh pada tanggal 23 Januari 2009
[4] Zhang, S., Wang, W., Ford, J., Makedon, F.2005.Using Singular Decompotition Approximation for Collaborative Filtering.
http://ieeexplore.ieee.org/iel5/10218/32584/01524053.pdf . Diunduh pada tanggal 23 Januari 2009.
[5] Pryor, M. H.,1998.The Effects of Singular Value Decomposition on Collaborative Filtering. www.cs.dartmouth.edu/reports/TR98-338.pdf 20 maret 2009
[6] Sarwar, B., Karypis, G,. Konstan, J., Riedl, J. Incremental Singular Value Decomposition Algorithms for Highly Scalable Recommender System.
http://www.grouplens.org/papers/pdf/sarwar_SVD.pdf. Diunduh pada tanggal 20 Januari 2009.
[7] Sarwar, B., Karypis, G,. Konstan, J., Riedl, J.2000. Application of Dimensionality Reduction in Recommender System – A Case Study.
http://glaros.dtc.umn.edu/gkhome/fetch/papers/rsWEBKDD00.pdf . Diunduh pada tanggal 28 Januari 2009
[8] Sarwar, B., Karypis, G,. Konstan, J., Riedl, J.2001.Item-based Collaborative Filtering Recommendation Algorithm.
www.grouplens.org/papers/pdf/www10_sarwar.pdf . Diunduh pada tanggal 19 Januari 2009
[9] Sman, M. V. D dan Stevens, C., Wakoopa Recommendations Engine on AWS. http://www.slideshare.net/tracylaxdal/wakoopa-recommendations-engine-on-aws-presentation?src=related_normal&rel=957493.24 oktober 2009
[10] Vozalis, G. M, Margaritis, K. G. Applaying SVD on Item-based Filtering.2005.
http://ieeexplore.ieee.org/iel5/10543/33356/01578828.pdf?arnumber=15788 28 . Diunduh pada tanggal 20 Januari 2009.
[11] Wikipedia. Recommneder System.
http://en.wikipedia.org/wiki/Recommendation_system. Diakses pada tanggal 16 Januari 2009.
[12] Wikipedia. Singular Value Decpomposition.
http://en.wikipedia.org/wiki/Singular_value_decomposition .Diakses pada tanggal 23 Januari 2009.
Powered by TCPDF (www.tcpdf.org)
