Rekomendasi Sistem Pemilihan Mobil Menggunakan User-based
Collaborative Filtering (CF)
Hasan Nabil
1, Muhammad Nasrun
2, Ratna Astuti Nugrahaeni
3 1,2,3Fakultas Teknik Elektro, Universitas Telkom1,2,340257, Bandung, Indonesia
hasannabil@student.telkomuniversity.ac.id
1, nasrun@telkomuniversity.ac.id
2, ratnaan@gmail.com
3Abstract—The selection of a car requires a variety of
considerations, from various considerations that cause a person to experience difficulties in determining the car to be chosen. A car that is chosen or liked by someone is definitely a car that he thinks covers a person's needs. With the implementation of Collaborative Filtering Recommendations, especially User-based Collaborative Filtering, it will be easier for someone to consider a car that will be chosen in terms of time and changes in one's attention in considering it.Collaborative Filtering is a recommendation system that is widely used as a system for recommending traded goods or marketing goods and services using electronic systems. Recommendation system with User-based Collaborative Filtering algorithm is used to recommend items to the users personally. This algorithm can predict user opinions for an item by using similar user opinions. In addition to the User-based Collaborative Filtering algorithm, user profiles are used as one of the benchmarks in recommending an item. The purpose of this research is to implement the User-based Collaborative Filtering algorithm as a system to recommend cars to someone through the web application. In choosing a car, you must consider various things that can take time, so this web application can help someone in choosing or considering the desired car.The results of this research are able to recommend a car using the User-based Collaborative Filtering algorithm by obtaining an average user satisfaction rate of 78.83%, an average Mean Absolute Error value of 0.40, and an average accuracy of 92.04%.
Keywords-Collaborative Filtering, Recommender System, User-based Collaborative Filterin)
Abstrak—Pemilihan sebuah mobil membutuhkan berbagai
macam pertimbangan, dari berbagai pertimbangan tersebut menyebabkan seseorang mengalami kesulitan dalam menentukan mobil yang akan dipilihnya. Mobil yang dipilih atau disukai seseorang pastinya adalah mobil yang menurutnya mencakupi kebutuhan seseorang tersebut. Dengan diterapkannya Rekomendasi Collaborative Filtering khususnya User-based Collaborative Filtering akan mempermudah seseorang dalam mempertimbangkan mobil yang akan dipilih dari segi waktu dan perubahan ketertatikan seseorang dalam mempertimbangkannya. Rekomendasi Collaborative Filtering adalah salah satu sistem rekomendasi yang banyak digunakan sebagai sistem untuk merekomendasi sesuatu barang yang diperdagangkan atau memasarkan barang dan jasa menggunakan sistem elektronik. Sistem Rekomendasi dengan algoritma User-based Collaboratuve Filtering digunakan untuk merekomendasikan suatu barang kepada pengguna secara personal. Algoritma ini dapat memprediksi pendapat pengguna untuk suatu barang dengan menggunakan kemiripan pendapat pengguna yang serupa. Selain algoritma User-based Collaborative Filtering, digunakan profil
pengguna sebagai salah satu tolak ukur dalam merekomendasikan suatu barang. Tujuan dari penelitian ini adalah mengimplementasikan algoritma User-based Collaborative Filtering sebagai sistem untuk merekomendasikan mobil kepada seseorang melalui website. Dalam pemilihan suatu mobil harus mempertimbangkan berbagai hal yang dapat memakan waktu, maka dengan adanya website ini dapat membantu seseorang dalam memilih atau mempertimbangkan mobil yang diinginkan. Hasil dari penelitian ini adalah dapat merekomendasikan mobil menggunakan algoritma User-based Collaborative Filtering dengan mendapatkan rata-rata tingkat kepuasan pengguna sebesar 78.83%, rata-rata nilai Mean Absolute Error sebesar 0.40, dan besar rata-rata akurasi 92.04%.
Kata kunci-Collaborative Filtering, Sistem Rekomendasi, User-based Collaborative Filtering.
I. PENDAHULUAN
Mobil adalah alat transportasi yang sangat dibutuhkan oleh masyarakat, khususnya mobil yang sering digunakan dalam kegiatan sehari-hari. Orang umumnya mencari informasi tentang mobil yang akan digunakan melalui situs website resmi dan majalah otomotif. Dalam pemilihan mobil dibutuhkan berbagai macam pertimbangan yang menyebabkan permasalahan dari segi waktu yang dibutuhkan untuk mencari informasi. Informasi yang dimaksud disini bukan informasi mengenai spesifikasi mobil, melainkan informasi lainnya yang berasal dari pengguna mobil atau dapat disebut sebagai ulasan seseorang mengenai suatu mobil. Meningkatnya penggunaan internet, terutama di bidang perdagangan online, ulasan pelanggan terhadap barang-barang yang digunakan menjadi lebih lengkap [1]. Namun, ulasan yang diperoleh dan penawaran yang diberikan terkadang tidak seperti yang diharapkan, karena setiap orang memiliki kebutuhan yang berbeda, sehingga rekomendasi mobil yang berbeda diperlukan. Masalah ini dapat difasilitasi dengan menggunakan sistem rekomendasi untuk merekomendasikan mobil kepada pelanggan atau pengguna. Sistem rekomendasi telah banyak digunakan dalam e-commerce dan telah menjadi topik penelitian yang sangat penting dalam pengetahuan informasi sebagai sistem bantuan dalam penentuan produk [2]. Mobil yang akan direkomendasikan adalah mobil yang memiliki empat roda, jumlah seater kurang dari 10, mobil produksi tahun 2015 seterusnya, mobil produksi di Indonesia, dan merk mobil yang digunakan adalah Toyota, Daihatsu, Mitsubishi, Honda, Suzuki, Isuzu, Datsun, Nissan, Wuling, Mazda, KIA, BMW, Chevrolet, Ford, Jeep, Land Rover, Lexus, Mercedes, Mini, Hyundai, dan mobil yang digunakan berasal dari survei yang dilakukan berdasarkan
merk yang telah disebutkan. Ulasan yang terdapat pada sistem yang dibuat direpresentasikan dalam bentuk rating berupa bintang dengan skala nol hingga lima. Pengguna sistem dapat mengubah penilaiannya terhadap suatu mobil, sehingga rekomendasi yang dihasilkan juga dapat berubah seiring perubahan yang dilakukan pengguna. Terdapat banyak sekali penelitian mengenai metode Collaborative Filtering akan tetapi sedikit yang mengambil kasus mengenai perekomendasian mobil. Oleh karena itu, sistem rekomendasi mobil dibuat menggunakan metode User-based Collaborative Filtering (UCF). Parameter lain selain ulasan pengguna digunakan juga parameter berdasarkan profil seseorang seperti usia, jenis kelamin, pendapatan, pekerjaan, dan anggaran. Parameter ini dipilih berdasarkan hasil observasi dan survei yang dilakukan yang mengacu pada profil atau atribut pengguna (User-based), sehingga parameter seperti spesifikasi mobil tidak digunakan pada sistem. Pada metode ini terdapat perhitungan kemiripan dimana perhitungan kemiripan ini memiliki berbagai persamaan yang digunakan seperti cosine similarity,
Pearson correlation similarity, atau adjusted cosine similarity [3]. Paper ini menawarkan metode sederhana,
tidak seperti penelitian collaborative lainnya yang lebih memilih pengukuran kemiripan menggunakan Pearson
correlation similarity. Pada paper ini, untuk menghitung
kemiripan rating yang diberikan oleh pengguna menggunakan cosine similarity. Namun kemiripan yang digunakan tidak hanya dari rating yang diberikan oleh pengguna, akan tetapi digunakan juga kemiripan atribut pengguna. Pada penelitian lain digunakan pembobotan terhadap parameter pengguna, sehingga dapat mengetahui kemiripan atribut pengguna [4]. Untuk menhitung kemiripan atribut pengguna pada paper ini tidak menggunakan pembobotan melainkan juga menggunakan
cosine similarity.
II. DASAR TEORI
A. User-based Collaborative Filtering
Sistem rekomendasi ditujukan untuk memberikan rekomendasi secara pribadi kepada pengguna dengan memprediksi produk atau selera pengguna [5]. Collaborative Filtering bergantung pada informasi pengguna untuk merekomendasikan. Informasi tersebut mencakup perilaku pengguna atau rating suatu produk. Sistem perlu menyelesaikan dua tugas penting. Pertama, cari pengguna atau barang serupa. Dan kedua, sistem rekomendasi memprediksi apakah pengguna saat ini menyukai produk dan merekomendasikan keinginan pengguna ke pengguna lain [6].
User-based collaborative filtering adalah teknologi rekomendasi yang paling personal dalam algoritma penyaringan dengan tujuan supaya pelanggan dapat membeli produk yang disebabkan oleh pembelian atau evaluasi pelanggan lainnya dari produk yang tekait. Pengguna mungkin lebih memilih untuk membeli produk mereka yang memiliki produk serupa. Dalam proses rekomendasi, pengguna dapat mengevaluasi berbagai produk untuk mengetahui tingkat kemiripan antar pengguna, kemudian merekomendasikan produk dengan minat terdekat tersebut kepada pengguna. [7].
B. Persamaan
Dalam menghitung kemiripan rating yang diberikan oleh pengguna, ada berbagai metode pengukuran kemiripan. Pearson correlation coefficient adalah metode yang telah banyak digunakan [8]. Secara umum, dapat menggunakan metode pengukuran cosine similarity.
𝑠𝑖𝑚𝑅(𝑥, 𝑦) = ∑𝑠∈𝑆𝑥𝑦𝑅𝑥, 𝑠 . 𝑅𝑦, 𝑠 √∑ 𝑅𝑥, 𝑠2
𝑠∈𝑆𝑥𝑦 . √∑𝑠∈𝑆𝑥𝑦𝑅𝑦, 𝑠2
Dalam persamaan (1), simR (x, y) adalah kemiripan
rating yang diberikan oleh pengguna x dan y, Rx, s adalah rating yang diberikan oleh pengguna x ke item s, dan Ry, s
adalah rating yang diberikan oleh pengguna y ke item s. Untuk meningkatkan akurasi dalam menghitung kemiripan pengguna, itu bisa dilakukan dengan mencari kesamaan pengguna berdasarkan atributnya [4]. Atribut pengguna umumnya dalam bentuk jenis kelamin, usia, dan lainnya. Berikut adalah persamaan untuk menemukan kemiripan atribut antar pengguna.
𝑠𝑖𝑚𝐴(𝑥, 𝑦) = 𝑊𝑥. 𝑊𝑦 ||𝑊𝑥|| . ||𝑊𝑦||
Dalam persamaan (2), SimA (x, y) adalah kemiripan atribut pengguna, Wx adalah vektor atribut pengguna x, sedangkan Wy adalah vektor atribut pengguna y. Menggabungkan kemiripan rating dan atribut pengguna digunakan untuk memberikan rekomendasi berdasarkan atribut pengguna dan rating yang diberikan pengguna [4]. Untuk menggabungkan dua kemiripan tersebut, maka persamaan berikut digunakan.
𝑠𝑖𝑚(𝑥, 𝑦) = 𝛼. 𝑠𝑖𝑚𝐴(𝑥, 𝑦) + (1 − 𝛼)𝑠𝑖𝑚𝑅(𝑥, 𝑦)
Dalam persamaan (3), Sim (x, y) adalah hasil dari menggabungkan atribut dan persamaan rating dan α adalah bobot atribut-atribut. Nilai α untuk bobot atribut pengguna adalah sekitar 0,4 [9]. Dengan mengetahui nilai kemiripan kombinasi kemiripan rating dan kemiripan atribut antar pengguna yang dihitung menggunakan (3), dapat memprediksi nilai rating suatu produk untuk pengguna dengan persamaan berikut.
𝑅𝑥, 𝑠 = 𝑅𝑥̅̅̅̅ +∑𝑦∈𝑆𝑥𝑦(𝑅𝑦, 𝑠 − 𝑅𝑥̅̅̅̅) 𝑠𝑖𝑚(𝑥, 𝑦) ∑𝑦∈𝑆𝑥𝑦𝑠𝑖𝑚(𝑥, 𝑦)
Dalam persamaan (4), 𝑅𝑥̅̅̅̅ adalah rating rata-rata yang diberikan oleh pengguna x. Untuk menentukan akurasi, digunakan Mean Absolute Error (MAE). MAE adalah indeks deviasi aktual dari nilai rating. MAE dibuat untuk menghitung rata-rata galat dari sampel yang diukur [10].
(1)
(2)
(3)
MAE pada sistem ini digunakan untuk menentukan akurasinya.
𝑀𝐴𝐸 =1
𝑁 ∑𝑖=0|𝑅𝑖 − 𝑃𝑖|
Dalam persamaan (5), N menunjukkan jumlah semua item yang memiliki prediksi rating, Ri adalah rating aktual, dan Pi adalah rating prediksi.
C. Parameter
Dikarenakan sistem rekomendasi menggunakan metode User-based Collaborative Filtering, maka parameter yang digunakan adalah ulasan pengguna dan profil pengguna berdasarkan analisis dan survei yang telah dilakukan, Terdapat enam parameter yang digunakan dan memengaruhi pemilihan mobil sebagai berikut:
Rating: Parameter penting yang digunakan untuk merekomendasikan mobil. Karena Rating ini pada sistem rekomendasi mewakili ulasan pengguna secara numerik, sehingga sistem dapat dengan mudah memproses opini pengguna.
Usia: usia mempengaruhi selera pemilihan mobil sehingga dikelompokan menjadi lima bagian, yaitu usia 16-18 tahun, usia 19-36 tahun, usia 37-48 tahun, usia 49-67 tahun, dan usia di atas 68 tahun [11]. Namun, dengan adanya data survei, kesimpulan pengelompokan diambil seperti pada Tabel I.
TABEL I. PENGELOMPOKAN USIA
Usia Kelompok
19-30 tahun 1
31-40 tahun 2
41-50 tahun 3
51-60 tahun 4
Lebih dari 60 tahun 5
Jenis Kelamin: Pria mendominasi lebih banyak pengguna dari berbagai merek kecuali Daihatsu [12]. Sehingga dapat diketahui bahwa jenis kelamin dapat mempengaruhi pilihan mobil. Pengelompokan jenis kelamin dapat dilihat pada Tabel II.
TABEL II. PENGELOMPOKAN JENIS KELAMIN Jenis Kelamin Kelompok
Wanita 1
Pria 2
Pendapatan perbulan: Faktor yang menentukan pembayaran. Berdasarkan survei yang telah dilakukan, pengelompokan berdasarkan hasil
analisis dan kesimpulan yang dibuat, sehingga dapat dilihat pada Tabel III.
TABEL III. PENGELOMPOKAN PENDAPATAN PERBULAN Pendaparan perbulan Kelompok
Kurang dari Rp.8 juta 1 Antara Rp.8 juta and Rp.15 juta 2 Lebih dari Rp.15 juta 3
Pekerjaan: Dikelompokkan menjadi lima, yaitu pelajar, wiraswasta, pegawai negeri, pegawai swasta, dan profesional [12]. Pekerjaan ini dapat berpengaruh tidak hanya dari pendapatannya, juga dari lingkungannya dalam pekerjaan sehari-hari. Pengelompokan pekerjaan ditunjukkan pada Tabel IV.
TABEL IV. PENGELOMPOKAN PEKERJAAN
Pekerjaan Kelompok Pelajar 1 Wiraswasta 2 Pegawai Negeri 3 Pegawai Swasta 4 Profesional 5
Anggaran: harga mobil adalah faktor pertama yang paling berpengaruh atau faktor paling berpengaruh dari parameter lain dalam pemilihan mobil [11]. Karena pemilihan mobil dipengaruhi oleh harga mobil dan anggaran yang dimiliki pengguna sehingga dapat menentukan kesanggupan pembelian mobil. Anggaran dibagi menjadi lima kelompok dari hasil pengamatan yang dilakukan yaitu kurang dari Rp. 200 juta, Rp. 200 juta - Rp.400 juta, Rp.400 juta - Rp.600 juta, Rp.600 juta - Rp.800 juta, dan lebih dari Rp.800 juta. Pengelompokan anggaran dapat dilihat pada Tabel V.
TABEL V. PENGELOMPOKAN ANGGARAN
Anggaran Kelompok
Kurang dari Rp.200 juta 1 Rp.200 juta–Rp.400 juta 2 Rp.400 juta–Rp.600 juta 3 Rp.600 juta–Rp.800 juta 4 Lebih dari Rp.800 juta 5 (5)
III. PERANCANGAN SISTEM
Gambar 1. Diagram Alir Sistem
Berdasarkan diagram yang ditunjukkan pada Gambar 1, terdapat cara kerja sistem rekomendasi yang memiliki tujuh proses. Ketujuh proses tersebut secara berurutan adalah memasukkan profil pengguna, memberikan rating mobil, menghitung kemiripan atribut, menghitung kemiripan
rating, menggabungkan kemiripan, memprediksi rating,
dan menampilkan rekomendasi yang akan dijelaskan sebagai berikut:
1. Memasukkan Profil Pengguna
Proses ini wajib dilakukan ketika pengguna ingin mendapatkan rekomendasi, yaitu dengan cara mendaftarkan diri pada aplikasi web dengan memasukkan username, password, usia, jenis kelamin, pendapatan perbulan, pekerjaan, dan anggaran pengguna. Tabel VI adalah contoh data hasil pendaftaran.
TABEL VI. CONTOH DATA HASIL PENDAFTARAN PENGGUNA Pengguna Jenis
Kelamin Usia
Pendapatan
perbulan Pekerjaan Anggaran U1 Wanita 31-40 > Rp.15 jt Pegawai Negeri Rp.200 jt-Rp.400 jt U2 Pria 41-50 Rp.8 jt-Rp.15 jt Pegawai Negeri Rp.400 jt-Rp.600 jt U3 Pria 41-50 Rp.8 jt-Rp.15 jt Pegawai Swasta Rp.400 jt-Rp.600 jt U4 Pria 41-50 Rp.8 jt-Rp.15 jt Wiraswasta < Rp.200 jt U5 Pria 51-60 < Rp.8 jt Wiraswasta < Rp.200 jt
U6 Wanita 41-50 Rp.8 jt-Rp.15 jt Pegawai Swasta Rp.200 jt-Rp.400 jt
U7 Pria 51-60 > Rp.15 jt Pegawai Swasta Rp.200 jt-Rp.400 jt
U8 Pria 31-40 > Rp.15 jt Pegawai Negeri Rp.400 jt-Rp.600 jt
U9 Wanita 41-50 > Rp.15 jt Pegawai Swasta Rp.200 jt-Rp.400 jt
U10 Wanita 51-60 > Rp.15 jt Pegawai Swasta Rp.200 jt-Rp.400 jt
2. Memberikan Rating Mobil
Pada tahap ini pengguna harus memberikan mobil sebuah rating. Pada sistem yang dibuat pengguna diminta untuk memberikan rating minimal pada tiga
buah mobil. Tabel VII menunjukkan contoh data pemberian rating oleh pengguna U kepada mobil M. Angka-angka yang terdapat pada Tabel VII adalah nilai rating mobil M yang berasal dari pengguna U.
TABEL VII. CONTOH DATA RATING M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 U1 4 4.5 5 3 4 U2 3.5 5 4 U3 5 5 3 4 U4 3 4.5 4 U5 3 5 5 4 3.5 U6 4.5 3.5 4 4 5 U7 3 4.5 5 4 4 4 U8 4 3.5 4 3.5 3 U9 3 4 3 U10 4 3 4.5 5
3. Menghitung Kemiripan Atribut
Proses perhitungan ini dibutuhkan data profil pengguna. Data tersebut akan direpresentasikan sebagai vektor-vektor. Untuk contoh kasus, kita dapat merepresentasikan Tabel VI menjadi vektor U1 = (1, 2, 3, 3, 2), U2 = (2, 3, 2, 3, 3), U3 = ( 2, 3, 2, 4, 3), U4 = (2, 3, 2, 2, 1), U5 = (2, 4, 1, 2, 1), U6 = (1, 3, 2, 4, 2), U7 = (2, 4, 3, 4, 2), U8 = (2, 2, 3, 3, 3), U9 = (1, 3, 3, 4, 2), dan U10 = (1, 4, 3, 4, 2). Kemudian hitung menggunakan persamaan (2)
𝑠𝑖𝑚𝐴(𝑈1, 𝑈2)
= (1, 2, 3, 3, 2). (2, 3, 2, 3, 3)
√12+ 22+ 32+ 32+ 22 × √22+ 32+ 22+ 32+ 32
= 0.943 ≈ 0.94
Di atas adalah contoh perhitungan untuk mendapatkan kemiripan atribut pengguna U1 dan U2. Perhitungan ini dilakukan hingga mendapatkan kemiripian atribut setiap pengguna dengan pengguna lainnya, maka hasilnya dapat dibuat tabel yang ditunjukkan pada Tanel VIII
TABEL VIII. CONTOH HASIL KEMIRIPAN ATRIBUT
U1 U2 U3 U4 U5 U6 U7 U8 U9 U10 U1 0.94 0.95 0.90 0.79 0.96 0.96 0.98 0.99 0.96 U2 0.94 0.99 0.94 0.90 0.96 0.97 0.97 0.95 0.95 U3 0.95 0.99 0.92 0.88 0.98 0.97 0.97 0.96 0.96 U4 0.90 0.94 0.92 0.96 0.91 0.97 0.90 0.92 0.94 U5 0.79 0.90 0.88 0.96 0.87 0.92 0.80 0.85 0.90 U6 0.96 0.96 0.98 0.91 0.87 0.98 0.93 0.99 0.99 U7 0.96 0.97 0.97 0.97 0.92 0.98 0.94 0.98 0.99 U8 0.98 0.97 0.97 0.90 0.80 0.93 0.94 0.95 0.92 U9 0.99 0.95 0.96 0.92 0.85 0.99 0.98 0.95 0.99 U10 0.96 0.95 0.96 0.94 0.90 0.99 0.99 0.92 0.99
4. Menghitung Kemiripan Rating
Proses perhitungan ini dilakukan dengan cara mengolah data rating menggunakan persamaan (1). Berdasarkan data rating yang ditampilkan pada Tabel VII, berikut adalah contoh perhitungan kemiripan rating pengguna U1 dan U2. Sama seperti kemiripan atribut, perhitungannya dilakukan hingga mendapatkan kemiripian rating setiap pengguna dengan pengguna lainnya.
𝑠𝑖𝑚𝑅(𝑈1, 𝑈2) = (𝑅U1,M1 × 𝑅U2,M1) + (𝑅U1,M3 × 𝑅U2,M3) √𝑅U1,M12+ 𝑅U1,M32+ 𝑅U1,M42+ 𝑅U1,M62+ 𝑅U1,M92 × √𝑅U2,M12+ 𝑅U2,M22+ 𝑅U2,M32 = (4 × 3.5) + (4.5 × 4) √42+ 4.52+ 52+ 32+ 42 × √3.52+ 52+ 42= 32 √86.25 × √53.25= 0.472 ≈ 0.47
Hasilnya dapat dibuat menjadi tabel seperti halnya dengan tabel kemiripan atribut. Untuk hasil kemiripan rating ditunjukkan pada Tabel IX.
TABEL IX. CONTOH HASIL KEMIRIPAN RATING U1 U2 U3 U4 U5 U6 U7 U8 U9 U10 U1 0.47 0.59 0.00 0.59 0.34 0.51 0.62 0.62 0.66 U2 0.47 0.32 0.00 0.52 0.00 0.45 0.53 0.28 0.23 U3 0.59 0.32 0.31 0.31 0.32 0.39 0.29 0.87 0.45 U4 0.00 0.00 0.31 0.19 0.60 0.22 0.22 0.00 0.36 U5 0.59 0.52 0.31 0.19 0.16 0.52 0.65 0.37 0.57 U6 0.34 0.00 0.32 0.60 0.16 0.50 0.40 0.19 0.48 U7 0.51 0.45 0.39 0.22 0.52 0.50 0.30 0.43 0.24 U8 0.62 0.53 0.29 0.22 0.65 0.40 0.30 0.34 0.41 U9 0.62 0.28 0.87 0.00 0.37 0.19 0.43 0.34 0.25 U1 0 0.66 0.23 0.45 0.36 0.57 0.48 0.24 0.41 0.25 5. Menggabungkan Kemiripan
Setelah hasil kemiripan atribut dan kemiripan rating didapatkan, sistem akan menggabungkan kedua kemiripan tersebut menjadi suatu kemiripan total menggunakan persamaan (3). Berikut adalah contoh perhitungan kemiripan total atau gabungan.
𝑠𝑖𝑚(𝑈1, 𝑈2) = (0.4)0.94 + (1 − 0.4)0.47 = 0.658 ≈ 0.66
Contoh hasil kemiripan total pengguna dibuat menjadi tabel baru yang ditunjukkan pada Tabel X.
TABEL X. CONTOH HASIL KEMIRIPAN TOTAL PENGGUNA
U1 U2 U3 U4 U5 U6 U7 U8 U9 U10 U1 0.66 0.73 0.36 0.67 0.58 0.69 0.76 0.77 0.78 U2 0.66 0.57 0.37 0.67 0.38 0.65 0.71 0.55 0.52 U3 0.73 0.57 0.55 0.54 0.59 0.62 0.56 0.91 0.65 U4 0.36 0.37 0.55 0.50 0.72 0.52 0.49 0.37 0.59 U5 0.67 0.67 0.54 0.50 0.44 0.68 0.71 0.56 0.70 U6 0.58 0.38 0.59 0.72 0.44 0.70 0.61 0.51 0.68 U7 0.69 0.65 0.62 0.52 0.68 0.70 0.56 0.65 0.54 U8 0.76 0.71 0.56 0.49 0.71 0.61 0.56 0.58 0.62 U9 0.77 0.55 0.91 0.37 0.56 0.51 0.65 0.58 0.54 U10 0.78 0.52 0.65 0.59 0.70 0.68 0.54 0.62 0.54 6. Memprediksi Rating
Sistem akan memprediksi rating yang akan diberikan sebelum pengguna memberikan rating yang sebenarnya kepada suatu mobil. Untuk memprediksi rating tersebut digunakan persamaan (4). Berikut adalah contoh perhitungan dalam memprediksi rating. 𝑅U1,M2 = 𝑅̅̅̅̅ +U1 ((𝑅U2,M2− 𝑅̅̅̅̅) × 𝑠𝑖𝑚(𝑈1, 𝑈2))U1 𝑠𝑖𝑚(𝑈1, 𝑈2) + 𝑠𝑖𝑚(𝑈1, 𝑈5) + 𝑠𝑖𝑚(𝑈1, 𝑈7) + 𝑠𝑖𝑚(𝑈1, 𝑈8) + ((𝑅U5,M2− 𝑅̅̅̅̅) × 𝑠𝑖𝑚(𝑈1, 𝑈5))U1 𝑠𝑖𝑚(𝑈1, 𝑈2) + 𝑠𝑖𝑚(𝑈1, 𝑈5) + 𝑠𝑖𝑚(𝑈1, 𝑈7) + 𝑠𝑖𝑚(𝑈1, 𝑈8) + ((𝑅U7,M2− 𝑅̅̅̅̅) × 𝑠𝑖𝑚(𝑈1, 𝑈7))U1 𝑠𝑖𝑚(𝑈1, 𝑈2) + 𝑠𝑖𝑚(𝑈1, 𝑈5) + 𝑠𝑖𝑚(𝑈1, 𝑈7) + 𝑠𝑖𝑚(𝑈1, 𝑈8) + ((𝑅U8,M2− 𝑅̅̅̅̅) × 𝑠𝑖𝑚(𝑈1, 𝑈8))U1 𝑠𝑖𝑚(𝑈1, 𝑈2) + 𝑠𝑖𝑚(𝑈1, 𝑈5) + 𝑠𝑖𝑚(𝑈1, 𝑈7) + 𝑠𝑖𝑚(𝑈1, 𝑈8)
= 4.1 + ((5 − 4.1) × 0.66) 0.66 + 0.67 + 0.69 + 0.76 + ((5 − 4.1) × 0.67) 0.66 + 0.67 + 0.69 + 0.76 + ((3 − 4.1) × 0.69) 0.66 + 0.67 + 0.69 + 0.76 + ((3.5 − 4.1) × 0.76) 0.66 + 0.67 + 0.69 + 0.76 = 4.1 +0.594 + 0.603 + (−0.759) + (−0.456) 2.78 = 4.094 ≈ 4.1
Contoh hasil prediksi rating menggunakan kemiripan total yang telah diketahui pada Tabel X. Sistem akan mencari prediksi rating untuk setiap kotak yang kosong pada Tabel VII. Untuk hasil prediksi rating ditunjukkan pada Tabel XI. Kotak yang berwarna putih adalah rating prediksi, sedangkan kotak yang berwarna hitam menunjukan
rating awal yang telah diberikan pengguna
sebelumnya pada Tabel VII.
TABEL XI. CONTOH HASIL PREDIKSI RATING M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 U1 4 4.1 4.5 5 4.2 3 3.4 4.2 4 3.9 U2 3.5 5 4 4.4 4.2 3.7 3.4 4.2 4.1 3.8 U3 3.7 4.1 5 5 4 3.7 3 4 4.1 4 U4 3.7 4.1 4.3 4.3 3 3.9 3.4 4.5 4.1 4 U5 3 5 4.2 5 4 3.7 3.4 4.3 3.5 3.8 U6 3.8 3.9 4.3 4.3 4 4.5 3.5 4 4 5 U7 3.7 3 4.5 4.4 5 4 4 4.2 4 4.1 U8 4 3.5 4.2 4 4 3.5 3.4 4.2 4.1 3 U9 3.7 4.1 3 4 4.2 3.7 3 4.2 4.1 4 U1 0 4 4.2 4.3 3 4 3.7 3.4 4.5 5 4 7. Menampilkan Rekomendasi
Dalam merekomendasikan, sistem akan menampilkan 10 mobil dengan prediksi rating tertinggi untuk setiap penggunanya. Untuk contoh kasus seperti pada Tabel XI dengan jumlah mobil sebanyak 10 mobil, cukup ambil satu mobil saja yang akan direkomendasikan untuk setiap pengguna. Misalnya untuk U1 akan direkomendasikan mobil M5 dan M8, U2 akan direkomendasikan mobil M4, U3 akan direkomendasikan mobil M2 dan M9, dan seterusnya hingga U10 yang akan direkomendasikan mobil M3.
IV. ANALISIS DAN PEMBAHASAN
A. Pengujian Tingkat Kepuasan
Pengujian ini dilakukan untuk mengetahui tingkat kepuasan pengguna aplikasi web terhadap rekomendasi mobil yang diberikan. Pengujian dilakukan dengan cara mencatat kepuasan rekomendasi menurut pengguna berupa numerik dari 1-10. Untuk pengujian ini kami menggunakan 30 responden. Untuk mendapatkan tingkat kepuasan responden dilakukan dengan cara meminta responden untuk menggunakan sistem rekomendasi yang dibuat, sehingga responden harus melakukan registrasi dan memberikan rating pada mobil. Setelah proses registrasi dan pemberian rating tersebut, responden langsung mendapatkan hasil rekomendasinya. Berdasarkan hasil rekomendasi tersebut responden diminta untuk melihatnya, kemudian menilai apakah mobil yang direkomendasikan oleh sistem yang dibuat sesuai dengan selera atau tidak dengan cara memberikan nilai dari 1-10. Dari seluruh
penilaian 30 responden tersebut, rata-rata tingkat kepuasan pengguna yang didapatkan adalah sebesar 7.883, dalam bentuk persentase menjadi 78.83%.
B. Pengujian Akurasi Rating Prediksi
Tujuan pengujian ini adalah untuk mengukur tingkat akurasi dari hasil prediksi rating yang telah didapatkan. Pengujian dilakukan dengan menguji data uji pada data latih, maka data akan dibagi menjadi data uji dan data latih. Dalam pengujian akurasi prediksi rating, kami melakukan lima kali pengujian dengan menggunakan besar partisi data yang berbeda setiap pengujiannya.
TABEL XII. HASIL PENGUJIAN AKURASI RATING PREDIKSI Pengujian Data Latih Data Uji Simpangan Baku Data Uji MAE Akurasi 1st 50% 50% 0.519 0.445 91.11% 2nd 60% 40% 0.521 0.426 91.48% 3rd 70% 30% 0.513 0.386 92.27% 4th 80% 20% 0.507 0.393 92.14% 5th 90% 10% 0.467 0.339 93.21%
Pada pengujian ini sudah terdapat 103 pengguna yang terdaftar dan 1088 id mobil beserta rating yang telah diberikan oleh pengguna. Tabel XII menunjukkan persentase akurasi yang didapatkan untuk setiap pengujian beserta MAE dan simpangan baku pada data uji.
Gambar 2. Grafik Hasil MAE
Dalam memprediksi rating yang diberikan pengguna, mendapatkan rata-rata MAE sebesar 0,40 dengan MAE terendah sebesar 0,34 pada pengujian kelima. Dengan menerapkan garis putus-putus merah pada Gambar 2, maka dapat disimpulkan bahwa nilai MAE akan berkurang seiring bertambahnya data latih.
Gambar 3. Grafik Hasil Akurasi
Rata-rata akurasi yang didapatkan sebesar 92,04% dengan akurasi tertinggi sebesar 93,21% pada pengujian kelima. Gambar 3 menunjukan bahwa dengan bertambahnya data latih, maka semakin tinggi akurasi yang didapatkan. Pada grafik digunakan garis putus-putus merah digunakan untuk menyimpulkan secara garis besar, sedangkan yang berwarna biru dapat digunakan untuk memprediksi nilai MAE atau akurasi dengan masukan data latih. Warna persamaan mewakili garis putus-putus yang terdapat pada grafik.
Gambar 4. Grafik MAE terhadap Simpangan Baku Data Uji
Gambar 4 menunjukkan bahwa perbedaan simpangan baku dalam data uji yang digunakan mempengaruhi nilai MAE yang diperoleh. Jika simpangan baku mendekati nol, maka data semakin tidak bervariasi. Pada Gambar 4 kesimpulan dapat ditarik berdasarkan garis linier y = 1,6501x - 0,4361 bahwa semakin kecil simpangan baku pada data uji, semakin kecil MAE yang diperoleh.
V. KESIMPULAN
Sistem yang dibuat dapat merekomendasikan mobil menggunakan algoritma User-based Collaborative Filtering yang dibuat menjadi aplikasi web dengan mendapatkan tingkat kepuasan pengguna rata-rata 78,83%, rata nilai Mean Absolute Error 0,40, dan akurasi rata-rata 92,04%. Dalam sistem rekomendasi yang dibuat, semakin banyak data profil pengguna dan rating yang diperoleh, semakin kecil nilai MAE dan akurasi yang diperoleh semakin besar. Selain itu, jika simpangan baku data uji memiliki variasi rendah, maka MAE relatif lebih kecil.
REFERENSI
[1] S. A. Sadhana, L. SaiRamesh, S. Sabena, S. Ganapathy, and A. Kannan, “Mining Target Opinions from Online Reviews Using Semi-supervised Word Alignment Model,” 2017 Second Int. Conf. Recent Trends Challenges Comput. Model., pp. 196–200, 2017. [2] J. Wang, A. P. De Vries, and M. J. T. Reinders, “Unifying
User-based and Item-User-based Collaborative,” pp. 501–508.
[3] G. Yao and L. Cai, “User-Based and Item-Based Collaborative Filtering Recommendation Algorithms Design.”
[4] L. Li, Y. Zhou, H. Xiong, C. Hu, and X. Wei, “Collaborative filtering based on user attributes and user ratings for restaurant recommendation,” Proc. 2017 IEEE 2nd Adv. Inf. Technol. Electron. Autom. Control Conf. IAEAC 2017, pp. 2592–2597, 2017.
[5] Z. Tan and L. He, “An Efficient Similarity Measure for User-Based Collaborative Filtering Recommender Systems Inspired by the Physical Resonance Principle,” IEEE Access, vol. 5, pp. 27211–27228, 2017.
[6] X. Wu, Y. Huang, and S. Wang, “A New Similarity Computation Method in Collaborative Filtering based Recommendation System,” 2017.
[7] F. Ge, “A User Based Collaborative Filtering Recommendation Algorithm Based on Folksonomy Smoothing,” Adv. Comput. Sci. Educ. Appl., vol. 202, no. 2006, pp. 514–518, 2011.
[8] Z. D. Zhao and M. S. Shang, “User-based collaborative-filtering recommendation algorithms on hadoop,” 3rd Int. Conf. Knowl. Discov. Data Mining, WKDD 2010, pp. 478–481, 2010. [9] Y. Shi and J. Zheng, “Algorithm-based on User Attribute and
Rating,” no. Cst, pp. 537–542, 2017.
[10] W. Li, H. Xu, M. Ji, Z. Xu, and F. Haiteng, “A hierarchy weighting similarity measure to improve user-based collaborative filtering algorithm,” 2016 2nd IEEE Int. Conf. Comput. Commun. ICCC 2016 - Proc., pp. 843–846, 2017.
[11] Deloitte, “Driving through the consumer ’ s mind : Steps in the buying process,” no. December, pp. 1–24, 2014.
[12] J. Ilmiah, M. Universitas, and S. Vol, “Perilaku konsumen mobil,” vol. 2, no. 1, 2013.
