MAKALAH SISTEM RECOMMENDER
Disusun Oleh :
Muhammad Khoirul Umam 14.01.53.0001
Febry Irawan 14.01.53.0022
UNIVERSITAS STIKUBANK SEMARANG (UNISBANK)
FALKUTAS TEKNOLOGI INFORMASI
TEKNIK INFORMATIKA
BAB I PENDAHULUAN
1.1 Latar Belakang
Ledakan informasi pada jaringan internet menyebabkan masyarakat mengalami kesulitan mendapatkan informasi yang cepat dan relevan dengan kebutuhannya. Untuk itu diperlukan alat bantu yang dapat mengakses dan menemukan informasi seperti yang dikehendaki. Dalam proses pencarian informasi terdapat dua tipe pencari. Tipe pertama adalah pencari yang sudah memiliki referensi yang jelas informasi apa yang hendak dicari. Tipe seperti ini cukup dibantu dengan mesin pencari (search engine). Sedangkan tipe kedua adalah seseorang yang tidak berbekal referensi, namun hanya memiliki topik tertentu. Pencari tipe kedua ini dapat dipastikan mengalami kesulitan untuk mendapatkan informasi yang dimaksud. Oleh karena itu, dia tidak cukup dibantu hanya dengan search engine tetapi memerlukan suatu sistem lain yang disebut dengan recommender system atau sistem penyedia rekomendasi. Recommender system merupakan model penyelesaian masalah yang menerapkan teknik-teknik tertentu
pada pembuatan rekomendasi untuk pemilihan suatu informasi, produk dan jasa (Goldberg,2001). Terdapat dua pendekatan dalam mengembangkan suatu recommender system yaitu content-based dan collaborative filtering (Kangas,2002). Pendekatan content-based akan menyediakan rekomendasi dengan cara membandingkan representasi konten yang terkandung dalam suatu item dengan representasi konten yang diinginkan pengguna. Untuk itu, harus dilakukan proses indexing, yaitu melakukan ekstraksi informasi yang dikandung item. Sedangkan sistem yang dibangun dengan pendekatan collaborative filtering akan bekerja dengan cara mempelajari kebiasaan para pencari informasi dan membangun profil pencari informasi, kemudian memberikan
pendekatan berbasis item (item based). Pendekatan user based memanfaatkan histori mengenai pilihan
pencari informasi, sedangkan item based memanfaatkan histori nilai rating dari informasi yang dicari. Untuk meningkatkan akurasi dan efisiensi, telah dikembangkan sistem dengan pendekatan hybrid, yaitu mengkombinasikan pendekatan user based dan item based (Vozalis,2003).
1.2 Rumusan Permasalahan
Perumusan masalah yang ada untuk makalah ini adalah
1. Pendekatan tentang sistem recommender dan beberapa sistem recommender. 2. Teknik kerja sistem recommender dan pemanfaatan sistem recommender. 1.3 Tujuan Penulisan Makalah
Tujuan dari penulisan untuk memenuhi tugas dari mata kuliah sistem temu kembali. 1.4 Sistematika Penulisan Makalah
BAB I
Berisikan tentang latar belakang, perumusan masalah, tujuan penulisan makalah, dan sistematika penulisan makalah.
BAB II
Berisikan tentang pembahasan materi sistem recommender. BAB III
Membahas tentang hasil dan pembahasan tentang sistem recommender. BAB IV
Akan membahas tentan kesimpulan dan saran tentang sistem recommender.
BAB II
PEMBAHASAN MATERI
2.1 Pengertian Sistem Recommender
nol sampai 5 yang mengindikasikan penilaian yang paling tidak disukai hingga paling disukai menurut sudut pandang customer, data ini memungkinkan untuk dilakukannya perhitungan statistic yang hasilnya menunjukkan produk mana yang diberikan rating tinggi oleh customer.
2.2 Pendekatan Sistem Recommender Collaborative filtering
Salah satu pendekatan untuk merancang system rekomendasi yang banyak digunakan adalah collaborative filtering. Metode collaborative filtering didasarkan pada pengumpulan dan analisa informasi dalam jumlah besar. mengenai perilaku, aktivitas, dan kecenderungan pengguna dalam rangka untuk memprediksi apa yang disukai oleh pengguna berdasarkan kemiripan dengan pengguna yang lainnya. Keuntungan utama dari pendekatan collaborative filtering adalah tidak membutuhkan mesin untuk menganalisa konten sehingga handal dalam merekomendasikan item yang kompleks secara akurat. Misalkan film tanpa perlu memahami item film itu sendiri. Banyak algoritma digunakan untuk mengukur kesamaan pengguna atau kesamaan item dalam system rekomendasi. Sebagai contoh pendekatan k-nearest neighbor (k-NN) dan Pearson Correlation. Collaborative Filtering berdasarkan asumsi bahwa orang yang setuju dengan yang akan mentujui di mmasa depan, dan mereka akan menyukai item dengan jenis sama dengan yang lampau.
Namun bukan berarti pendekatan collaborative filtering tidak memiliki kekurangan. Collaborative filtering sering menghadapi tiga masalah utama:
1. Cold Start : Sistem ini sering membutuhkan data yang tersedia dalam jumlah besar untuk dapat menghasilkan rekomendasi yang akurat.
2. Scalability : Ada jutaan pengguna dan produk yang tersedia,sehingga membutuhkan kekuatan komputasi yang sangat besar untuk mengkalkulasi rekomendasi.
3. Sparsity : Ada kemungkinan item yang benar-benar dibutuhkan oleh pengguna memiliki rating yang kecil dikarenakan tertutupi oleh item lain.
Pendekatan umum lainnya ketika merancang sistem rekomendasi adalah content-based filtering. Metode content-based filtering didasarkan pada deskripsi dari item dan profil kecenderungan pengguna. Pada Content Based Recommender System, kata kunci digunakan untuk mendeskripsikan item sedangkan profil pengguna dibangun untuk mengindikasikan item yang disukai oleh pengguna. Dengan kata lain, algoritma ini mencoba untuk merekomendasikan item yang sama dengan apa yang disukai pengguna dimasa lampau atau memeriksa kecendurangan saat ini. Secara khusus, kandidat item yang bermacam-macam dibandingkan dengan item yang sebelumnya digolongkan oleh pengguna dan item yang paling sesuai direkomendasikan. Pendekatan ini berdasar pada pengambilan informasi dan penyaringan informasi.
Untuk menciptakan profil pengguna, sistem berfokus pada dua tipe informasi, yaitu Model kecenderungan pengguna dan Riwayat interaksi pengguna pada sistem rekomendasi. Pada dasarnya metode ini menggunakan profil item(sejumlah atribut dan fitur diskrit) mengkarakterisasi item dalam sistem. Sistem membuat profil berbasis konten dari pengguna berdasarkan fitur item pada vektor yang dibobotkan. Bobot menandakan pentingnya setiap fitur pada penggna dan dapat dihitung secara individual menggunakan berbagai teknik. Pendekatan sederhana menggunakan nilai rata-rata dari nilai vector item menggunakan metode machine learning seperti Bayesian Classifier, Cluster Analysis, Decision Trees, dan Artificial Neural Networks untuk mengestimasi kemungkinan bahwa user akan menyukai item.
a.) Membuat prediksi berbasis konten dan kolaborasi secara terpisah lalu hybrid dengan metode murni collaborative dan content based dan memperlihatkan bahwa metode hybrid dapat menyediakan rekomendasi yang lebih akurat daripada pendekatan murni. Pendekatan ini pula dapat digunakan untuk menangani permasalahan yang dihadapai oleh metode murni selama ini.
Contoh yang baik dari hybrid system adalah netflix, mereka membuat rekomendasi dengan membandingkan apa yang ditonton dan dicari oleh pengguna (collaborative filtering) dengan menawarkan film yang memiliki karakteristik serupa dengan film yang dirating tinggi oleh pengguna tersebut (content based filtering)Sistem rekomendasi hybrid menggabungkan berbagai teknik untuk mencapai sinergi dalam teknik tersebut. Teknik tersebut adalah:
a.) Collaborative : Sistem yang menghasilkan rekomendasi hanya dengan menggunakan informasi mengenai rating profil dari berbagai pengguna. Sistem kolaboasi menempatkan riwayat rating yang sama dengan pengguna saat ini dan menciptakan rekomendasi.
b.) Content Based : Sistem yang menghasilkan dari dua sumber, fitur yang berhubungan dengan produk dan rating yang diberikan pengguna pada mereka. Sistem rekomendasi berbasis konten memperlakukan rekomendasi sebagai klasifisikasi problem pada pengguna yang spesifik dan mempelajari klasifikasi tersebut berdasarkan apa yang disukai pengguna dan apa yang tidak dalam fitur produk.
Berikut ini adalah tujuh teknik hybirdnisasi:
a.) Weighted : Nilai dari berbagai komponen rekomendasi dikombinasikan secara numeris
b.) Switching : Sistem memilih diantara komponen rekomendasi dan mengaplikasikannya pada apa yang dipilih
c.) Mixed : Rekomendasi dari berbagai sistem rekomendasi yang berbeda.
d.) Feature Combination : Fitur berdasarkan sumber pengetahuan yang berbeda dikombinasikan bersama menggunakan satu algoritma rekomendasi.
e.) Feature Augmentation: Sebuah teknik rekomendasi yang digunakan untuk menghitung fitur atau sekumpulan fitur yang merupakan input untuk teknik selanjutnya.
f.) Cascade: Sistem rekomendasi memberikan prioritas yang tegas
g.) Meta-level: Teknik rekomendasi yang diaplikasikan dan menghasilkan beberapa jenis model yang merupakan input teknik selanjutnya.
Mobile Recommender Systems
Salah satu penelitian yang sedang berkembang saat ini adalah mobile recommender system. Salah satu contohnya adalah mobile recommender system yang menawarkan rute yang paling menguntungkan pada pengemudi taksi. Sistem ini mengambil input data dari GPS. Contoh lain adalah sistem untuk pengguna profesional yang mengambil data dari GPS dan agenda dari pengguna untuk menyarankan informasi yang sesuai dengan situasi dan kepentingannya. Sistem ini menggunakan machine learning dan proses reasoning untuk dapat beradaptasi secara dinamis dan berevolusi pada minat pengguna.
BAB III
HASIL DAN PEMBAHASAN 3.1 Sistem Kerja Teknik Collaborative Filtering
Pada prosesnya metode Collaborative filtering melakukan penyaringan data berdasarkan tingkah laku karakteristik pengguna sehingga dapat memberikan informasi yang baru kepada pengguna lainnya karna system memberikan informasi berdasarkan pola satu kelompok pengguna yang hampir sama. Berikut merupakan skema dari Colaboratif Filtering dalam pemberian rekomendasi kepada user aktif.
Gambar 3.1. Skema Collaborative Filtering
1. Prediksi, merupakan nilai numerik dimana Pa,j adalah nilai prediksi rating item j yang mungkin disukai oleh active user (Ua). Nilai prediksi ini digunakan dengan skala yang sama dengan nilai yang disediakan (misalnya, dari skala 1 sampai 5).
2. Rekomendasi adalah daftar N item yang mungkin akan disukai oleh user Ua. Daftar yang direkomendasikan biasanya terdiri dari item yang belum pernah dibeli atau dirating oleh active user. Output dari algoritma CF ini juga dikenal sebagai Top-N Recommendation.
Gambar 2.1 menunjukkan diagram skema dari proses collaborative filtering. Algoritma CF merepresentasikan seluruh m x n user-item sebagai matriks rating dimana setiap entri merupakan nilai rating dari user untuk setiap item. Active user (Ua) pada skema ini merupakan user yang akan dicari item yang mungkin disukainya dengan menggunakan algoritma CF.
3.2 Cara Kerja Teknik User-based Collaborative Filtering
Gambar 3.2. Pola User Based Filtering
3.2 Pembangkitan Rekomendasi
Berdasarkan nilai similarity antar user, maka langkah selanjutnya adalah proses perhitungan prediksi. Proses prediksi yang dilakukan adalah dengan memperkirakan nilai rating dari item terhadap seorang user yang belum pernah me-rating item tersebut. Algoritma yang dapat digunakan untuk mendapatkan prediksi dari suatu user yaitu algoritma weighted sum dan Algoritma Regression (Sarwar, 2001). Berikut merupakan penjelasan kedua algoritma tersebut.
a. Algoritma weighted sum
b. Algoritma Regression
Persamaan regression:
Gambar 3.3. Utility Based Recommended
A merupakan pelanggan yang masih awam terhadap tujuan wisatanya. Walaupun demikian, A lebih mengutamakan paket wisata dengan biaya yang sesuai dengan range biaya yang mampu dibayarnya, dibandingkan dengan paket wisata yang lebih mahal dengan kualitas guide lebih baik. Pada metode ini tingkat kegunaan sebuah produk ditentukan dengan nilai (score) kegunaan yang diprioritaskan pada pelanggan dalam beberapa cakupan domain perbandingan (dalam kasus ini adalah kualitas guide dan biaya produk). Karena A menginginkan lokasi wisata di sekitar Bandung , maka sistem menampilkan dua produk yang sesuai dengan kriteria tersebut. Sesuai dengan domain kualitas guide maka diperoleh nilai (score) 8 untuk produk 1 dan 4 untuk produk 2 (gunakan persamaan (2)). Untuk domain harga produk, maka diperoleh nilai (score) 15 untuk produk 1dan nilai 25 untuk produk 2. Total score produk 1 = 23, total score produk 2 = 29. Karena score yang diperoleh produk 2 lebih besar maka produk 2 menjadi rekomendasi.
Catatan :
- Tingkat prioritas domain ditentukan terutama oleh pelanggan, oleh karena itu score yang dihasilkan dari domain yang diprioritaskan pelanggan hasilnya lebih besar.
- Apabila A tidak menentukan prioritas terhadap domain tertentu maka
3.4 Pemanfaatan Metode User-based collaborative filtering
Gambar 3.4. User Based Collaborative Filtering
A memiliki sebuah kelompok yang beranggotakan A,B, C, dan D. Ketiga teman A memiliki tujuan lokasi wisata yang sama, tetapi hanya B lah yang memiliki kesamaan kebutuhan terbesar dengan A (sesuai persamaan (3)). Maka transaksi atau minat B kearah produk tertentu akan direkomendasikan pada A (sesuai persamaan (4) dan (5)).Karena B memilih produk/paket Tangkuban Perahu (produk 2) maka produk tersebutlah yang direkomendasikan pada A.
Catatan : - Untuk metode ini diperlukan data komunitas beserta kegiatan yang dilakukannya.
- Apabila A tidak memiliki komunitas atau tidak memiliki kesamaan data dengan temannya (B,C, atau D) maka kemungkinan A tidak memperoleh rekomendasi.
Gambar 3.5. Item Based Collaborative Filtering
A memiliki sebuah kelompok yang beranggotakan A,B, C, dan D. Pada saat A diminta memberikan rating untuk produk, ternyata A memberikan rating yang baik pada produk 2, begitu pula dengan B dan C, sedangkan D lebih tertarik pada produk 1. Produk 2 ternyata sudah dipilih untuk dilanjutkan keproses transaksi oleh B dan C , begitu pula produk 1 diproses kearah transaksi oleh D. Karena terdapat kesesuaian antara rating dan transaksi maka dapat dilanjutkan perhitungan dengan persamaan (6). Kebutuhan A mencakup lokasi_wisata Bandung dan pengalaman _wisata awam. Maka kedua hal tersebut menjadi parameter pembagi. Nilai kegunaan produk 2 berdasarkan kesamaan rating dan transaksi (B,C) yang berkesesuaian dengan kebutuhan A adalah 0,85 (dengan persamaan (7)). Sedangkan nilai kegunaan produk 1 (berdasarkan rating dan transaksi D) adalah 0,17. Maka produk 2 dipilih untuk direkomendasikan pada A karena memiliki nilai kegunaan yang lebih tinggi.
Catatan : 14 - Untuk metode ini diperlukan peran serta pelanggan dalam pemberian rating, apabila pemberian rating terhadap produk tidak dilakukan, maka proses rekomendasi tidak dapat berjalan.
- Pemberian rating yang tidak dilanjutkan kearah transaksi yang dilakukan teman A, tidak menghasilkan solusi rekomendasi bagi A. Karena hanya rating yang dilanjutkan kearah transaksilah yang dihitung.
Gambar 3.6. Associaton Rule
Teman A memiliki kebiasaan transaksi yang bersamaan ketika menentukan tujuan wisata sehingga memenuhi conf (confidence) mendekati 1 atau 100 % (persamaan (8)). C memiliki transaksi yang bersamaan dengan D yakni dengan atribut p.lokasi = Bandung dan p.guide = normal. Transaksi yang sama antara C dan D tersebut dibagi dengan Transaksi keseluruhan (B,C, dan D) menghasilkan nilai supp (support) 2/3 yang merupakan nilai support terbesar dari kemungkinan transaksi lainnya (persamaan (9)). Data yang memiliki nilai support terbesar akan disimpan di dalam data mining, sehingga dapat direkomendasikan pada A di lain waktu. Data yang direkomendasikan tersebut merupakan data produk 2.
Catatan : - Dalam metode ini diperlukan kerjasama dengan data mining atau sejenisnya. 16
- Nilai confidence haruslah memenuhi nilai 1 atau mendekati 1 untuk menentukan rule (Association rules) mana saja yang dapat dijadikan rekomendasi.
- Nilai support terbesar adalah parameter produk yang dapat direkomendasikan. Apabila nilai support baik dan sama besar, maka semuanya dapat dijadikan rekomendasi.
BAB IV KESIMPULAN
4.1 Kesimpulan
Sistem Rekomendasi adalah salah satu tindak lanjut dari pengamatan kepuasan pelanggan (user satisfaction). Dengan adanya sistem ini maka produk yang dijual akan menemukan pelanggannya yang benar-benar potensial. Dalam pemodelan SR terdapat beberapa metode yang digunakan, yakni knowledge-based recommendation, utilitybased recommendation, user-based collaborative filtering, item-based collaborative filtering, dan association rules yang memiliki domain dan wilayahnya masing-masing dalam penyelesaian masalah penentuan rekomendasi.
Tiap-tiap metode memiliki kelebihan dan kekurangan masing-masing yang merupakan upaya pengolahan umpan balik maupun informasi yang bermanfaat lainnya dari pelanggan.
4.2 Saran
Usaha kolaborasi metode-metode tersebut memungkinkan terbentuknya sistem Rekomendasi yang lebih baik dan aktual.
DAFTAR PUSTAKA
[1]Witten,IH,Frank,E..2005.Data Mining : Practical Machine Learning Tools and Techniques.Morgan Kaufmann, San Francisco.
[2]Zanker,M,Bricman,M,Gordea,S,Jannach,D.,Jessenitchnig,M..2006.Persuasive online –selling in quality and taste domains” Poland.
[3]Zanker,M,Jessenitchnig,M.,Jannach,D.,Gordea,S..2007.Comparing
recommendation strategies in a commercial context.IEEE Intell Syst. [4]Matsatsinis,F,Nikolaos, Loannidou,E, Grigoroudis. Customer satisfaction using data mining techniques. [5]McGinty,L,Smyth,B.Adaptive.2006. selection : analysis of critiquing and preference based feed back in conversation on recommender systems.Int J Electron Commerce 11 (2),35-57
