BAB I PENDAHULUAN
1.1 Latar Belakang
Industri kecantikan saat ini mengalami peningkatan pertumbuhan dan daya jual. Kementerian Perindustrian Republik Indonesia dalam situs resminya menyatakan industri kosmetik mengalami kenaikan sebesar 20% atau empat kali lipat dari pertumbuhan ekonomi pada tahun 2017[1]. Hal ini disebabkan antara lain meningkatnya populasi generasi muda atau generasi millenial. Berbagai tren kecantikan yang sedang berkembang saat ini tidak terlepas dari influencer dalam mempromosikan produk kecantikan pada berbagai platform media sosial yaitu youtube, instagram, blogspot, medium dan lainnya[2]. Berbagai macam produk kecantikan seperti makeup, skincare serta layanan kecantikan seperti spa dan makeup artist memberikan promosi dan layanan terbaik untuk dapat bersaing dalam menarik pelanggan. Beautystar.id merupakan platform layanan digital yang menyediakan layanan makeup artist dengan berbagai kategori makeup, harga, lokasi, portofolio, sertifikasi dan kepuasan pelayanan yang beragam. Pelanggan yang berbeda datang dengan kebutuhan yang berbeda, dengan properti makeup artist yang bervariasi seperti itu, terkadang menjadi lebih rumit dalam memenuhi kepuasan pelanggan. Pelanggan membutuhkan lebih banyak waktu untuk memutuskan pilihan layanan yang paling sesuai dengan kebutuhan, baik itu produk makeup yang digunakan, harga yang sesuai atau tingkat profesionalitas makeup artist itu sendiri.
Sistem rekomendasi merupakan solusi dalam mengatasi masalah tersebut. Sistem rekomendasi memberikan informasi yang berguna untuk memprediksi apa yang dibutuhkan pengguna untuk mencapai apa yang dituju, misalnya dalam menentukan item atau layanan tertentu. Rekomendasi diklasifikasikan berdasarkan sumber pengetahuannya, terdapat beberapa teknik yang dapat diterapkan dalam sistem rekomendasi. Teknik collaborative-filtering, content-based dan hybrid recommendation.
Collaborative-filtering memberikan rekomendasi dengan melihat seberapa mirip pengguna dalam menilai item berdasarkan pemberian rating dengan profil pengguna lainnya[3]. Collaborative-filtering bergantung pada data yang dihasilkan oleh pengguna saat mereka berinteraksi dengan item[4]. Contohnya dengan pemberian rating dengan skala 1-5 atau bereaksi dengan “thumbs up” atau “thumbs down” pada suatu item.
Content-based menggunakan fitur item dan preferensi pengguna untuk memberikan rekomendasi[3]. Sistem rekomendasi content-based memerlukan sebuah preferensi pengguna yang berisikan ketertarikan dan minat pengguna. Dalam teknik ini, fitur item seperti kata kunci digunakan untuk menggambarkan item, sedangkan preferensi pengguna menunjukan item yang disukai oleh pengguna. Content-based merekomendasikan item yang mirip dengan item yang disukai oleh pengguna berdasarkan konten atau informasi yang melekat pada item.
Setiap metode rekomendasi memiliki keunggulan dan kekurangannya tersendiri. Teknik Collaborative-filtering memiliki masalah saat pengguna belum pernah memberikan rating pada suatu produk baru, atau pada saat produk baru yang masih belum mendapatkan rating, sehingga muncul masalah cold start dan data sparsity yaitu ketika jumlah data rating tidak cukup mengidentifikasi sejumlah pengguna yang mirip, sedangkan content-based memiliki masalah yaitu rekomendasi yang diberikan terlalu spesifik sehingga item lain yang kemungkinan disukai pengguna tidak menjadi pilihan rekomendasi[3].
Hybrid recommendation hadir untuk dapat mengatasi kelemahan tersebut dengan memanfaatkan keuntungan dari masing-masing teknik rekomendasi yang berbeda [3]. Teknik hybrid menggabungkan dua atau lebih teknik rekomendasi untuk memprediksi rekomendasi. Hybrid recommendation dimungkinkan untuk mengatasi kelemahan yang ditetapkan oleh satu teknik rekomendasi dan merangkum keuntungan dari teknik rekomendasi yang berbeda. Misalnya, teknik collaborative-filtering memiliki masalah ketika peringkat item pengguna terbatas dan content-based tidak menggunakan data peringkat dan karenanya dapat mengatasi cold start problem [3]. Oleh karenanya, hybrid recommendation system
merupakan pilihan utama penelitian ini dalam meningkatkan kinerja sistem rekomendasi layanan pemesanan makeup artist dengan platform digital.
Pada penelitian yang dilakukan oleh Rahman Indra Kesuma dan Amirul Iqbal [5] digunakan teknik hybrid dengan menggabungkan metode content-boosted dan collaborative filtering untuk mendapatkan rekomendasi. Proses content based rekomendasi digunakan untuk mengatasi masalah pada collaborative filtering pada pengguna baru atau produk baru yang belum pernah diberi rating sebelumnya. Proses content-based prediction dilakukan untuk mendapatkan prediksi rating layanan yang belum dinilai oleh pengguna. Dalam penelitian ini metode klasifkasi naïve bayes digunakan dalam membentuk model klasifikasi. Proses ini memerlukan informasi produk dan profil pengguna untuk membentuk matriks rating lengkap dari rating hasil prediksi dan aktual, dengan menggunakan data informasi profil pengguna dan data rating produk [5].
Pada penelitian yang dilakukan oleh Ekkawut Rojsattarat dan Nuanwan Soonthornphisaj [6] menunjukan bahwa penerapan hybrid menggunakan SVM memiliki performa lebih baik dibandingkan dengan pure content based, pure collaborative filtering dengan NB classifier, dan hybrid approach using NB karena nilai matrik MAE yang dihasilkan pada pendekatan ini memiliki kinerja 6,6% lebih baik daripada pure content-based using NB, 2,2% lebih baik daripada hybrid approach using NB. Pada metrik ROC-4, pendekatan berkinerja 10,6% lebih baik daripada pure content-based using NB dan 2,4% lebih baik daripada hybrid approach using NB [6]. Dengan menerapkan metode content based prediction ini diharapkan mampu mengatasi masalah sparsity dan first-rater (coldstart problem) yang terdapat pada metode collaborative filtering.
Hasil prediksi matriks rating lengkap yang didapatkan pada proses content based filtering kemudian digunakan pada proses item-based collaborative filtering. Pada proses ini sebagian layanan dipilih berdasarkan kemiripan dengan layanan yang sebelumnya diberi rating oleh pengguna aktif dengan menerapkan collaborative filtering. Proses user-based collaborative filtering adalah dengan menghitung kemiripan antara pengguna dan semua pengguna lain berdasarkan data rating,
selanjutnya nilai kemiripan diambil sebagai bobot untuk menghasilkan rekomendasi.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, maka dapat dirumuskan permasalahan yang akan dikaji untuk penulisan tugas akhir ini adalah bagaimana merancang dan membangun sistem rekomendasi menggunakan pendekatan hybrid dengan menggabungkan content-based dengan klasifikasi SVM dalam membentuk model prediksi rating dan user-based collaborative filtering dalam merekomendasikan layanan pemesanan makeup artist.
1.3 Tujuan
Berdasarkan rumusan masalah di atas, adapun tujuan dari penelitian ini adalah membuat model sistem rekomendasi dengan pendekatan hybrid untuk pemilihan makeup artist serta mengevaluasi keakuratan model sistem rekomendasi dengan confusion matrix.
1.4 Batasan Masalah
Mengacu kepada permasalahan dan tujuan dari penelitian ini, untuk dapat fokus pada permasalahan dan tujuan penelitian maka terdapat batasan untuk masalah yang diteliti. Hal ini dibutuhkan supaya penulisan tidak menyimpang dari tujuan permasalahan yang ada, adapun batasan yang dimaksud adalah sebagai berikut: 1. Data makeup artist yang diperoleh dari website beautystar.id. Dataset yang
digunakan sebanyak 1200 penilaian terhadap 40 produk layanan oleh 30 responden, 80% data digunakan dalam proses training dan 20% lainnya digunakan dalam proses testing
2. Data pelanggan yang digunakan dalam membangun profile pengguna menggunakan kuesioner dengan jumlah 30 responden
layanan, harga, dan durasi pengerjaan. Sedangkan, pada profil pelanggan yaitu usia, jenis kelamin, pekerjaan, penghasilan, kategori look makeup yang biasa digunakan sehari-hari, hobi dan skin-tone
4. Skala penilaian layanan yang digunakan adalah dengan pengategorian nilai rating 1-2 merupakan yang tidak direkomendasikan dan nilai rating 3-5 merupakan layanan yang direkomendasikan
5. Pengujian melibatkan 3 kondisi, yaitu pada saat terdapat pengguna baru atau pengguna lama yang belum pernah memberikan rating, pengguna lama yang pernah memberikan rating dan layanan baru yang belum pernah mendapatkan rating.
1.5 Metodologi
Dalam penyusunan penelitian ini akan digunakan metodologi sebagai berikut: 1. Studi Literatur
Pada tahap ini dilakukan pengkajian terkait teori-teori pendukung dengan cara mengumpulkan penelitian, buku, dan jurnal terkait yang telah dilakukan sebelumnya.
2. Kuesioner
Kuesioner merupakan suatu metode dalam pengumpulan data kuantitatif dengan bertanya langsung kepada narasumber terkait yang terdiri dari pertanyaan tertulis. Pada penelitian ini metode wawancara dilakukan dengan memberikan kuesioner kepada responden.
3. Akuisisi data
Pada tahap ini data makeup artist didapat dari website beautystar.id yang telah terdaftar sebagai makeup artist pada website tersebut.
4. Analisis Sistem
Tahap ini melakukan Analisa pada data yang telah didapatkan. Setelah itu dilakukan analisis atribut yang akan digunakan.
5. Perancangan Sistem
Tahap ini merupakan dilakukan perancangan dari hasil analisis tersebut. 6. Pengujian
Pengujian terhadap kualitas dari metode untuk mengetahui nilai akurasi yang dihasilkan. Pengujian dalam penelitian ini adalah dengan melakukan perhitungan akurasi, presisi, dan recall.
1.6 Sistematika Penulisan
Sistematika penulisan yang digunakan dalam penelitian ini adalah sebagai berikut: Bab I Pendahuluan
Pada bab ini berisi latar belakang yang menjelaskan alasan penelitian ini dilakukan. Rumusan masalah menjelaskan terkait permasalahan yang akan diatasi dengan penelitian ini. Batasan masalah yang diangkat sebagai parameter cakupan pengerjaan penelitian ini. Tujuan penelitian merupakan jawaban dari penyelesaian permasalahan yang telah dipaparkan. Metodologi mengartikan tentang teknik penyelesaian tugas akhir serta membahas penataan penulisan.
Bab II Studi Literatur
Pada bab ini menerangkan teori-teori yang berkaitan dengan permasalahan yang akan dikaji serta hal-hal yang dapat dimanfaatkan dalam proses implementasi sistem yang dibangin. Teori yang digunakan berdasarkan acuan yang dapat dipertanggungjawabkan sehingga penulisan mengacu pada refrensi tertentu. Bab III Analisis dan Perancangan
Pada bab ini berisi rancangan sistem yang akan dibangun dengan penjabaran mengenai rancangan sistem, rancangan sistem rekomendasi, dan perancangan pengujian dari sistem sehingga diharapkan dapat memberikan gambaran jelas untuk implementasi dan pengujian.
Pada bab ini menjabarkan implementasi dari hasil perancangan sistem yang telah dibuat pada bab III dan mencakup hasil pengujian sistem, apakah sistem memberikan hasil yang baik atau tidak.
Bab V Kesimpulan dan Saran
Pada bab ini membahas kesimpulan yang dapat diambil dari implementasi dan uji coba yang telah dilakukan. Saran yang diharapkan dapat berguna untuk penelitian selanjutnya.
