Rancang bangun Website Voucher diskon “Golekvoucher.com” Menggunakan
Item Based Collaborative Filtering Recommendation Algorithm
Romansah Koeswandy Kho Universitas Ciputra UC Town, Citraland Surabaya 60219 rkoeswandy@student.ciputra.ac.id ABSTRAK
Menurut Kamus Besar Bahasa Indonesia, vaucer adalah kupon atau kartu yang dapat digunakan oleh penerimanya untuk berbelanja dan mendapatkan diskon atau gratis terhadap pembelian, layanan, dan sebagainya setelah penerimanya memenuhi syarat yang sudah ditentukan. Namun sayangnya terkadang voucher yang diberikan oleh merchant melalui berbagai cara seperti pembelanjaan jumlah tertentu, undian atau hadiah tidak selalu digunakan oleh pembelinya. Pembeli cenderung membiarkan sampai masa kadaluarsa atau membuangnya, jika mereka merasa tidak memerlukannya. Di samping itu, ada pihak yang mencari voucher potongan harga namun mereka tidak menemukannya. Sehingga banyak dari mereka mencari melalui forum-forum atau sosial media melalui internet. Hal ini bisa dibuktikan dengan mencari di google dengan kata kunci “cari voucher”, dapat dilihat berbagai hasil para pencari mencari voucher yang mereka inginkan. Dari masalah tersebut, muncullah sebuah ide solusi “website for voucher” agar pemilik voucher yang tidak menggunakan voucher-nya lagi, dapat menjual voucher-nya di website dan pencari voucher dapat mencari voucher yang dicarinya melalui website tersebut. Sehingga penjual dan pembeli dapat bertemu di website ini dan voucher tersebut dapat menjadi berguna ke pencari voucher tersebut dan pemilik voucher mendapatkan hasil dari penjualan voucher yang awalnya tidak berguna. Dengan menggunakan recommender system di website ini, pembeli dapat menemukan voucher yang dia sukai atau inginkan dan barang yang dijual oleh penjual dapat terjual dengan cepat. Selain itu, aktivitas pembeli dan penjual di website memberikan pembelajaran kepada recommender system untuk lebih cerdas dan semakin akurat dalam menampilkan barang dan menawarkan barang untuk dibeli.
Kata kunci: Item Based Collaborative Filtering, Recommender System, Voucher
1. PENDAHULUAN 1.1. Latar Belakang
Dalam penelitian ini penulis mengamati bahwa voucher yang diberikan oleh merchant dan tidak selalu digunakan oleh pembelinya. Pembeli cenderung mengabaikan voucher tersebut atau membuangnya, jika mereka merasa tidak
memerlukannya. Pernyataan ini didukung dengat riset kecil dari 51 responden (simple random sampling) dengan responden yang berusia 16-20 tahun (51%) , 21-25 tahun(37%), 26-30 tahun (2%), dan >30 tahun (8%), semuanya berdomisili di Surabaya, dengan persentase pria 73% dan wanita 27% menghasilkan bahwa 86%
Rinabi Tanamal Universitas Ciputra UC Town, Citraland
Surabaya 60219 r.tanamal@ciputra.ac.id
voucher yang didapatkan dari merchant tidak terpakai dan rata-rata mereka membuang voucher tersebut karena tidak digunakan dan 84% mereka melihat orang atau keluarga mereka mendapatkan voucher dan melakukan hal yang sama. Hal tersebut diperkuat dari pengalaman penulis, mengamati keluarga, teman-teman, dan orang sekeliling penulis yang rata-rata seperti itu.
Di samping itu, ada pihak yang mencari voucher namun mereka tidak menemukannya. Sehingga banyak dari mereka mencari melalui forum-forum atau sosial media melalui internet. Hal ini bisa dibuktikan dengan mencari di Google dengan kata kunci “cari voucher”, dapat dilihat berbagai hasil para pencari mencari voucher yang mereka inginkan. Pernyataan ini didukung dengan hasil riset kecil dari 51 responden (simple random sampling) dengan responden yang berusia 16-20 tahun (51%), 21-25 tahun (37%), 26-30 tahun (2%), dan >30 tahun (8%), semuanya berdomisili di Surabaya, dengan persentase pria 73% dan wanita 27% menghasilkan bahwa 41% mereka pernah mencari atau menanyakan ke orang akan voucher yang ingin mereka miliki, dan 27% mereka pernah melihat orang atau keluarga mereka yang melakukan hal seperti itu. Adanya pasar di sisi pencari voucher, didukung dengan pengalaman
penulis, melihat temannya di social media menanyakan siapa yang memiliki voucher di salah satu tempat fitness terkenal dan dia mau membelinya.
Dari masalah tersebut, muncullah sebuah ide solusi “website for voucher” agar pemilik voucher yang tidak menggunakan voucher-nya, dapat menjual voucher-nya di website dan pencari voucher dapat mencari voucher yang dicarinya melalui website tersebut. Penjual dan pembeli dapat bertemu di website ini dan voucher tersebut dapat menjadi berguna ke pencari voucher dan pemilik voucher mendapatkan hasil dari penjualan voucher yang tidak digunakan. Website adalah sebuah aplikasi berbasis web yang memfasilitasi perdagangan online antara satu atau lebih pihak pembeli dengan beberapa pihak pemasok.
Recommender system digunakan untuk merekomendasikan hal-hal yang tersembunyi atau jarang dijangkau dalam pencarian yang dilakukan user lalu kemudian disajikan atau bisa juga membantu memberikan saran kepada pengguna sesuai dengan behaviour dari user tersebut. Dengan menggunakan recommender system, diharapkan pembeli dapat menemukan voucher yang disukai atau diinginkan. Selain itu, aktivitas pembeli dan penjual di website memberikan pembelajaran kepada
recommender system untuk lebih cerdas dan semakin akurat dalam menampilkan barang dan menawarkan barang untuk dibeli seperti di amazon.com sehingga memudahkan pengunjung menemukan barang sesuai dengan keinginan mereka.
1.2. Rumusan Masalah
Berdasarkan dengan latar belakang yang telah dipaparkan, maka perumusan masalah dalam tugas akhir ini adalah : “Bagaimana merancang bangun website “Golekvoucher.com” menggunakan Item
Based Collaborative Filtering recommendation algorithm.”
1.3. Batasan Masalah
1) Kategori voucher hanya kuliner, shopping, hotel dan penginapan, jalan-jalan dan rekreasi, perawatan tubuh, hardwares, games, dan services.
2) Tidak menangani pembayaran secara online.
3) Tidak berkonsentrasi penuh pada keamanan website.
4) Mata uang yang digunakan Rupiah (Rp.).
5) Tidak menanggani pengiriman pesanan. Pengiriman menggunakan pihak ketiga (kurir lokal).
6) Merchant adalah pihak yang mengeluarkan voucher diskon.
7) Data rating dari user adalah data yang digunakan untuk pengolahan untuk menghasilkan rekomendasi item.
8) Pre-kondisi rekomendasi item diperlukan minimal dua user dengan kondisi:
a. User pertama me-rating minimal lima buah voucher.
b. User kedua me-rating minimal salah satu dari lima voucher yang di-rating oleh user pertama.
9) Golekvoucher menggunakan konsep e-economic C2C (Customer to Customer) dimana voucher yang dijual merupakan milik member Golekvoucher dan dibeli oleh member Golekvoucher.
10) Golekvoucher merupakan perantara atau pihak penengah antara penjual dan pembeli.
11) Target pengguna website ini adalah pemilik voucher yang tidak digunakan dan pencari voucher diskon di Surabaya, Indonesia.
12) Dirancang bangun dengan menggunakan bahasa pemrograman PHP dan database MYSQL.
13) Uji coba menggunakan browser mozilla firefox minimal versi 8.0 dan perangkat notebook/PC screen resolution
1280x800 yang terhubung dengan internet.
1.4. Tujuan Penelitian
Tujuan penelitian ini untuk merancang bangun sebuah website voucher diskon “Golekvoucher.com” yang mengimplementasikan algoritma Item Based Collaborative Filtering Recommendation dan mengetahui tingkat keakuratan algoritma tersebut.
2. DASAR TEORI 2.1. Voucher
Menurut Kamus Besar Bahasa Indonesia Online, vaucer adalah kupon atau kartu yang dapat digunakan untuk berbelanja dan mendapatkan diskon atau gratis terhadap pembelian, layanan, setelah penerimanya memenuhi syarat yang sudah ditentukan (Nasional, 2008).
2.2. Recommender System
Recommender System adalah sebuah sistem yang digunakan untuk memberikan rekomendasi barang yang dapat berupa informasi atau produk diminati oleh pengguna (Ricci, et al. 2010).
Fungsi utama recommender system untuk menganalisa personalisasi dari pengguna yang didapatkan secara implisit
maupun eksplisit yang kemudian dianalisa untuk menghasilkan rekomendasi informasi atau produk yang diminati oleh pengguna tersebut (Ricci, et al. 2010).
Beberapa macam teknik recommender system yaitu:
Content Based
Pembelajaran sistem memberikan rekomendasi item berdasarkan pada apa yang disukai oleh pengguna sebelumnya. Kesamaan barang dihitung berdasarkan fitur yang berhubungan dengan item yang dibandingkan. Misalkan jika pengguna sebelumnya menyukai film bergenre komedi, maka sistem akan memberikan rekomendasi film bergenre komedi juga (Ricci, et al. 2010).
Collaborative filtering
Pembelajaran sistem memberikan rekomendasi berdasarkan pada apa yang disukai oleh pengguna yang lain yang memiliki selera yang mirip. Sehingga dalam melakukan perbandingan, sistem akan mempelajari personalisasi dari pengguna lainnya. Misalkan si A setelah membeli buku A juga membeli buku B, maka jika ada pengguna lain yang membeli buku A, maka sistem akan merekomendasi buku B pada pengguna tersebut (Ricci, et al. 2010).
Demographic
Pembelajaran sistem memberikan rekomendasi barang berdasarkan pada letak demografis dari pengguna. Sistem ini beranggapan bahwa pengguna dengan letak demografis yang berbeda akan memiliki selera yang berbeda pula terhadap suatu item. Misalkan pengguna yang letak demografisnya pada kawasan Asia memiliki selera yang berbeda dengan pengguna yang letak demografisnya pada kawasan Eropa (Ricci, et al. 2010).
Knowledge-based
Pembelajaran sistem memberikan rekomendasi barang berdasarkan pada kebutuhan dan keinginan dari pengguna yang terpenuhi oleh fitur-fitur di barang yang dipilih pengguna sebelumnya. Jadi seberapa bergunanya masing-masing barang tergantung pada masing-masing pengguna (Ricci, et al. 2010).
Community-based
Pembelajaran sistem memberikan rekomendasi barang didasarkan pada teman dari masing-masing pengguna. Teknik ini memiliki prinsip “Tell me who your friends are, and I will tell you who you are”. Penentuan rekomendasi barang berdasarkan pada teman pengguna dibandingkan dengan pengguna yang
tidak dikenal. Rating yang digunakan sebagai pembanding diambil dari rating-rating yang dilakukan oleh pengguna yang dikenal oleh pengguna (Ricci, et al. 2010).
Hybrid
Sistem rekomendasi hybrid menggunakan kombinasi dari teknik-teknik rekomendasi yang telah dijelaskan sebelumnya. Dengan melakukan kombinasi tersebut diharapkan, sistem ini dapat memperbaiki kekurangan dari sistem A menggunakan kelebihan dari sistem B (Ricci, et al. 2010).
2.3. Collaborative Filtering
Proses Collaborative Filtering terdiri dari proses prediksi dan rekomendasi yang dihasilkan oleh sebuah model yang berisi rating dari user.Dari model tersebut, akan dihitung tingkat similarity dari tiap-tiap elemennya. Dengan kata lain, item yang akan diprediksi atau direkomendasi mempunyai kesamaan dengan item-item item-item yang telah di-rating oleh user yang aktif memberikan rating sebelumnya
(Maharani, et.al. 2008).
Item Based Collaborative Filtering Recommendation Algorithm
Gambar 1. Proses Collaborative Filtering
2.4. Algoritma Item-Based Collaborative Filtering
Model yang dibangun pada Item Based Collaborative Filtering berupa matriks yang berukuran m x m, dimana m merupakan jumlah item yang terdapat di sistem. Di tahap pembangunan model, untuk semua item j,akan dihitung ”k-most similar items” yaitu beberapa item yang mempunyai kemiripan yang paling tinggi {j1,j2,j3,..,jk }.
Setelah itu, kemiripan antara item-item tersebut akan disimpan dalam matriks m x m tersebut. Informasi kemiripan itu akan digunakan untuk menghitung prediksi rating dan memberikan rekomendasi kepada user yang aktif.
2.5. Waterfall
Horner (1993) menjelaskan tahapan-tahapan pada model waterfall meliputi fase-fasa antara lain:
1) Requirements 2) Analysis 3) Design 4) Coding 5) Testing 6) Acceptance
Keenam fase di atas dapat dijelaskan dengan gambar berikut ini.
Gambar 2. Fase SDLC Siklus Waterfall
2.6. Teori Entrepreneurship
Menurut Wickham, entrepreneurship adalah hal yang berkaitan dengan perubahan dan membuat sebuah perbedaan (Wickham, 2006).
Ada tiga hal yang dapat dilakukan untuk melihat peluang, yaitu sebagai berikut (Barringer, et al. 2011):
1. Observing trends
Mengobservasi trend apa yang sedang terjadi di tengah masyarakat merupakan cara yang dilakukan untuk melihat peluang untuk menemukan ide baru yang akan mengikuti trend. Beberapa cara mengobservasi trend adalah:
b) Membeli hasil survey dan analisa pasar dari organisasi peneliti independent.
2. Solving a problem
Adanya masalah maka peluang bisnis bisa saja muncul sebagai solusi dari masalah tersebut. Sering kali adanya masalah yang dialami masyarakat sehingga masyarakat membutuhkan solusi tersebut. Di sisi ini, seorang entrepreneur dapat menemukan ide bisnis dari masalah yang muncul sebagai solusi dari masalah tersebut.
3. Finding gaps in the marketplace
Kebutuhan masyarakat semakin meningkat, seiring waktu dan bertambahnya kebiasaan hidup. Kebutuhan masyarakat akan sebuah produk atau jasa tentunya bisa membuahkan ide bisnis. Pasar memang sudah menyediakan produk dan jasa yang dibutuhkan masyarakat, tapi tidak dapat dipungkiri terkadang masyarakat tidak mendapat akses atau mendapatkan ketidaksesuaian antara penawaran dan permintaan. Terciptanya kondisi di atas memberikan peluang bisnis untuk mengisi kondisi yang tidak diharapkan tersebut, dimana dapat memenuhi kebutuhan masyarakat dengan lebih tepat dan sesuai harapan masyarakat.
3. PERANCANGAN SISTEM 3.1. Arsitektur Sistem
Gambar 3. Arsitektur Sistem Golekvoucher
Penjelasan dari gambar arsitektur sistem Golekvoucher di atas sebagai berikut: 1. Member yang ingin menjual voucher di
Golekvoucher mengakses website Golekvoucher dan memasukkan data informasi voucher tersebut.
2. Data informasi dari voucher tersebut disimpan di dalam database Golekvoucher.
3. Ketika member melakukan rating voucher, data informasi voucher dipanggil dan dihitung sesuai dengan algoritma Item Based Collaborative Filtering.
4. Hasil dari perhitungan tersebut menghasilkan voucher – voucher untuk direkomendasikan ke user yang bersifat personal.
5. Informasi rekomendasi voucher-voucher tersebut ditampilkan di website Golekvoucher di sidebar rekomendasi item.
3.2. Use Case Diagram
Aktor dari use case di bawah ini
adalah guest (pengunjung website yang belum melakukan login). Hal-hal yang dapat dilakukan oleh guest adalah login, register, melihat detil voucher, mencari voucher dengan fitur pencarian, melihat voucher di kategori dan menambah keranjang belanja.
Gambar 4. Use Case Guest
Aktor untuk use case di bawah ini adalah member (pengunjung yang sudah terdaftar dan melakukan login di website). Hal-hal yang dapat dilakukan oleh member adalah melihat detil voucher, mencari voucher dengan fitur pencarian, melihat voucher di kategori, menambah keranjang belanja, menyelesaikan pemesanan, melihat rekomendasi item, dan memberi komentar.
Gambar 5. Use Case Member
Tabel yang digunakan dalam algoritma rekomendasi item ini adalah tabel rating_voucher dan tabel recommend_data. Informasi tentang tabel tersebut dapat diliat di tabel 1,3 dan tabel 2,4. Pre-kondisi rekomendasi item diperlukan minimal dua user dengan kondisi:
a. User pertama me-rating minimal lima buah voucher.
b. User kedua me-rating minimal salah satu dari lima voucher yang di-rating oleh user pertama.
Design alur kerja rekomendasi item sebagai berikut :
Gambar 6. Alur Kerja Algoritma Rekomendasi Item
4. IMPLEMENTASI DAN TESTING
4.1. Scenario Testing Algoritma Item Based Collaborative Filtering
Keterangan :
User 1 = user1@yahoo.com; User 2 = user2@yahoo.com;
Voucher id 4 = Voucher Makanan 4; Voucher id 7 = Voucher Makanan 7;
Voucher id 10 = Voucher Makanan 10; Voucher id 21 = Voucher Belanja 1;
Voucher id 24 = Voucher Belanja 4
Scenario :
1. User 1 melakukan rating voucher ke 5 voucher dengan nilai rating sebagai berikut:
Voucher id 4 => 4 ; Voucher id 7=> 3 ; Voucher id 10 =>5; Voucher id 21 =>4; Voucher id 24 =>5
Tabel 1. Rating_voucher User 1
id 4 id 7 id 10 id 21 id 24 user 1 4 3 5 4 5
Tabel 2. Recommend_data User 1
2. User 2 melakukan rating voucher ke salah satu dari 5 voucher yang di-rating oleh user 1. User 2 me-rating voucher 4 dengan nilai rating 4.
Tabel 3. Rating_voucher User 2
id 4 id 7 id 10 id 21 id 24 user 1 4 3 5 4 5 user2 4
Tabel 4. Hasil Recommend_data User 2
id 4 id 7 id 10 id 21 id 4 n total n total n total n total n total
id 4 2 0 1 1 1 -1 1 0 1 -1 id 7 1 -1 1 0 1 -2 1 -1 1 -2 id 10 1 1 1 2 1 0 1 1 1 0 id 21 1 0 1 1 1 -1 1 0 1 -1 id 24 1 1 1 2 1 0 1 1 1 0 id 4 id 7 id 10 id 21 id 24
n total n total n total n total n total
id 4 1 0 1 1 1 -1 1 0 1 -1
id 7 1 -1 1 0 1 -2 1 -1 1 -2
id 10 1 1 1 2 1 0 1 1 1 0
id 21 1 0 1 1 1 -1 1 0 1 -1
Hasil perhitungan nilai prediksi :
Nilai prediksi = Σ voucher yang di-rating user (total dari recommend_data+ jumlah selisih yang dilakukan x rating voucher dari user) /jumlah selisih yang dilakukan.
Tabel 5. Hasil Perhitungan Nilai Prediksi
id 4 Keterangan Total prediksi Keterangan id 4 X tidak dihitung X tidak dihitung id 7 3 (-1+1*4) 3 3/1 id 10 5 (1+1*4) 5 5/1 id 21 4 (0+1*4) 4 4/1 id 24 5 (1+1*4) 5 5/1
Hasil rekomendasi yang dimunculkan adalah voucher 24, voucher 10, voucher 21,
voucher 7.
Gambar 7. Hasil Rekomendasi
5. KESIMPULAN DAN SARAN 5.1. Kesimpulan
Berdasarkan hasil pengujian yang telah dilakukan disimpulkan bahwa :
1. Testing rancang bangun website Golekvoucher.com berjalan dengan baik dan telah melalui scenario testing dengan baik.
2. Website telah diimplementasi menggunakan rekomendasi Item Based Collaborative Filtering algorithm dan berjalan dengan baik. Hasil dari proses perhitungan nilai rekomendasi voucher secara manual sama dengan hasil voucher-voucher yang ditampilkan di sidebar rekomendasi item user.
3. Tingkat keakuratan rekomendasi Item Based Collaborative Filtering di website Golekvoucher dalam memprediksi voucher yang akan dipilih user adalah 42,22% dengan sampel pengujian 50 sampel. Karena jumlah sampel yang masih kurang 50% dari jumlah sampel yang semestinya, hasil ini tidak dapat dijadikan sebagai hasil akhir. Namun, jika dilihat kembali dari tingkat keakuratan yang telah dihasilkan dari pengujian ini, algoritma Item Based Collaborative Filtering perlu dikolaborasikan dengan algoritma rekomendasi lainnya untuk
meningkatkan tingkat keakuratan dalam merekomendasikan voucher di website Golekvoucher.
5.2. Saran
Beberapa saran yang diajukan untuk pengembangan rancang bangun Golekvoucher sebagai berikut :
1. Golekvoucher disarankan membuat dan mengembangkan aplikasi khusus di smartphone juga agar user dapat menggunakan Golekvoucher.com tidak hanya melalui website.
2. Adanya sistem pembatalan dan penghapusan otomatis terhadap pesanan yang belum dibayar ketika sudah melewati waktu tertentu.
3. Design website dibuat lebih menarik lagi.
4. Sistem pembayaran dapat bekerja sama dan diintegrasikan dengan pihak ketiga yang khusus menanggani sistem pembayaran seperti ipay, kaspay, dan sebagainya
5. Golekvoucher disarankan untuk mengkolaborasikan algoritma Item Based Collaborative Filtering dengan algoritma lainnya agar tingkat keakuratan dalam merekomendasi voucher dapat meningkat.
6. DAFTAR PUSTAKA
Barringer, Bruce R, et al. 2011. Entrepreneurship: Sucessfully Launching New Ventures. New Jersey: Prentice Hall.
Horner, K. 1993. Methodology as a Productivity Tool in Software Productivity Handbook. J. Keyes (ed). New York: Windcrest/McGraw-Hill.
Maharani, Warih & Firdaus, Yanuar 2008. ‘Analisis Semantic Similarity pada item based
Recommender System’. Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008). Nasional, Pusat Bahasa Departmen Pendidikan. 2008. ‘Cari kata dasar dalam KBBI sama dengan
vaucer‘ in Kamus Besar Bahasa Indonesia’. accessed 20 February 2012. From http://bahasa.kemdiknas.go.id/kbbi/index.php.
Ricci, Francesco, et al. 2010. Recommender Systems Handbook. New York : Springer Reference. Wickham, Philip A. 2006. Strategic Entrepreneurship Fourth Edition. Financial Times. United
