BAB II LANDASAN TEORI
2.1 Sistem Rekomendasi
Sistem rekomendasi adalah sebuah piranti lunak atau software tools dan teknik-teknik yang menyajikan saran untuk item-item yang berguna bagi pengguna (Ricci, 2011). Menurut Prasetya (2017), sistem rekomendasi juga mengarahkan pengguna untuk memilih produk sesuai dengan kebutuhan user. Sistem rekomendasi merupakan jenis aplikasi dari hasil penelitian terhadap keadaan dan keinginan pengguna. Maka dari itu, sistem rekomendasi memerlukan jenis rekomendasi yang tepat agar tepat dan sesuai dengan keinginan pengguna (Kadyanan, 2017).
Bersumber pada sistem rekomendasi yang kerap digunakan. Sistem rekomendasi dibagi menjadi beberapa jenis yaitu (Anggriawan, 2015):
a) Content based: membangun profil pengguna b) Collaborative filtering: menggunakan rating c) Knowledge based: menggunakan pola pengetahuan d) Hybrid based: Menggabungkan dua metode
2.2 Collaborative Filtering
Collaborative filtering adalah metode yang memprediksi kegunaan item yang dilihat dari user sebelumnya (Pratama et al., 2013). Metode ini merupakan proses penilaian item dengan menggunakan review orang lain (Sondakh, 2020). Metode ini terkait pada riwayat pilihan ataupun riwayat penilaian (Putra, 2019).
Kelebihan dari metode ini adalah sistem rekomendasi tidak akan berhenti bekerja walaupun konten sulit dianalisa. Metode ini juga memiliki kekurangan yaitu wajib memiliki parameter rating sehingga jika ada item baru, sistem tidak akan merekomendasikan item tersebut (Wijaya & Alfian, 2018).
Menurut Konguasa (2018), metode collaborative filtering terbagi menjadi dua, yaitu:
a) User-based collaborative filtering
User-based collaborative filtering memberikan rekomendasi dengan memanfaatkan rating pengguna lain sesuai dengan kesukaan pengguna. Metode ini sering disebut nearest-neighbour atau memory-based filtering.
b) Item-based collaborative filtering
Item-based collaborative filtering memberikan rekomendasi berdasarkan tabel rating dengan mencari hubungan antar item. Metode ini sering disebut model-based. Metode item-based muncul sebagai solusi untuk beberapa permasalahan pada user-based yaitu masalah keterbatasan atau sparsity dan skalabilitas serta masalah waktu dan memori.
2.3 Hybrid Recommender System
Hybrid recommender system adalah sebuah rekomendasi yang memanfaatkan dua metode menjadi satu untuk menghasilkan output (Geetha et al., 2018). Metode hybrid muncul karena masalah yang terjadi di metode collborative filtering yaitu kurangnya informasi karena ketergantungan domain dan masalah content-based yaitu kurangnya informasi karena berdasarkan pilihan orang-orang.
Penggabungan hybrid terdapat beberapa cara yang dapat dilakukan, yaitu:
a) Hybrid Linear Combination
Penggabungan ini menggabungkan hasil prediksi atau rating dari metode collaborative dan content-based (Anggriawan, 2015). Penggabungan ini dilakukan dengan cara pemberian ranking atau rating.
Gambar 2.1. Hybrid Linear Combination
b) Hybrid Sequential Combination
Penggabungan ini melakukan perincian dari salah satu metode misalnya content-based, lalu hasilnya digabungkan dengan metode lainnya misalnya collaborative.
2.4 Item-Based Clustering Hybrid
Item-based clustering hybrid termasuk salah satu metode penggabungan hybrid reccomender system. Metode penggabungan ini, bertujuan untuk meningkatkan akurasi prediksi dari metode collaborative filtering dan mengatasi masalah item baru yang belum pernah dilakukan rating atau biasa disebut cold-start problem (Djamal et al., 2010).
Terdapat beberapa tahap yang dilakukan:
1) Menerapkan algoritma clustering pada konten item. Lalu, dilakukan perhitungan nilai peluang setiap item kepada setiap cluster untuk membentuk matriks group-rating. Selanjutnya, Algoritma k-means clustering digunakan seperti biasa namun pada langkah terakhir pengelompokan, dihitung peluang setiap item terhadap cluster.
2) Menghitung similiarity dari matriks group-rating dan matriks item-rating. Group-rating menggunakan rumus adjusted cosine similarity dan item-rating menggunakan rumus pearson correlation-based similarity. Rumusnya sebagai berikut:
a) Adjusted Cosine Similarity
𝑠𝑖𝑚(𝑘, 𝑙) = ∑𝑚𝑢=1(𝑅𝑢,𝑘− 𝑅̅̅̅̅)(𝑅𝑢 𝑢,𝑙− 𝑅̅̅̅̅)𝑢
√∑𝑚 (𝑅𝑢,𝑘− 𝑅̅̅̅̅)𝑢 2
𝑢=1 √∑𝑚𝑢=1(𝑅𝑢,𝑙− 𝑅̅̅̅̅)𝑢 2
(2.1)
Dimana,
𝑅𝑢,𝑘 dan 𝑅𝑢,𝑙 = Rating yang diberikan oleh user u kepada item k
dan item l
b) Pearson Correlation-Based Similarity
𝑠𝑖𝑚(𝑘, 𝑙) = ∑𝑚𝑢=1(𝑅𝑢,𝑘− 𝑅̅̅̅̅)(𝑅𝑘 𝑢,𝑙− 𝑅̅̅̅)𝑙 √∑𝑚 (𝑅𝑢,𝑘− 𝑅̅̅̅̅)𝑘 2 𝑢=1 √∑ (𝑅𝑢,𝑙− 𝑅̅̅̅)𝑙 2 𝑚 𝑢=1 (2.2) Dimana,
𝑠𝑖𝑚(𝑘, 𝑙) = Nilai similarity antara item k dan item l
𝑚 = Jumlah total user yang me-rating item k dan item l 𝑅𝑘
̅̅̅̅ dan 𝑅̅ 𝑙 = Rating rata-rata item k dan item l
𝑅𝑢,𝑘 dan 𝑅𝑢,𝑙 = Rating yang diberikan oleh user u kepada item k dan item l
3) Hasil dari perhitungan similarity untuk persamaan adjusted consine dan pearson correlation kemudian digabungkan dengan kombinasi Item-Based Clustering Hybrid. Berikut adalah rumusnya:
𝑠𝑖𝑚(𝑘, 𝑙) = 𝑠𝑖𝑚(𝑘, 𝑙)𝑖𝑡𝑒𝑚𝑥(1−𝑐) + 𝑠𝑖𝑚(𝑘, 𝑙)𝑔𝑟𝑜𝑢𝑝𝑥𝑐 (2.3)
Dimana,
𝑠𝑖𝑚(𝑘, 𝑙) = Nilai similarity antara item k dan item l 𝑐 = Koefisien kombinasi dengan interval dari 0-1 𝑠𝑖𝑚(𝑘, 𝑙)𝑖𝑡𝑒𝑚 = Similarity untuk item k dan l yang diperoleh dari
perhitungan similarity item-rating
𝑠𝑖𝑚(𝑘, 𝑙)𝑔𝑟𝑜𝑢𝑝 = Similarity untuk item k dan l yang diperoleh dari perhitungan similarity group-rating
4) Langkah terakhir, menghitung prediksi sebuah item. Perhitungan prediksi dilakukan dengan dua pendekatan yaitu item yang sudah pernah di-rating oleh pengguna (non cold-start problem) dan item yang belum pernah di-rating sama sekali (cold-start problem). Berikut adalah rumus untuk kedua pendekatan diatas:
a) Non Cold-Start Problem
𝑃𝑢,𝑘= 𝑅𝑘+
∑𝑛𝑖=1(𝑅𝑢,𝑖−𝑅1)𝑥 𝑠𝑖𝑚(𝑘,𝑖)
∑𝑛𝑖=1|𝑠𝑖𝑚(𝑘,𝑖)| (2.4)
Dimana,
𝑃𝑢,𝑘 = Prediksi rating item k untuk user u 𝑛 = Jumlah rated item user u
𝑅𝑢,𝑖 = Rating dari user u untuk item i
𝑠𝑖𝑚 (𝑘, 𝑖) = Nilai similiarity antara item k dengan seluruh rated item user yang aktif
𝑅𝑘 𝑑𝑎𝑛 𝑅1 = Rating rata-rata untuk item k dan item i
b) Cold-Start Problem
𝑃
𝑢,𝑘=
∑ 𝑅𝑢,𝑖𝑥 𝑠𝑖𝑚(𝑘,𝑖) 𝑛 𝑖=1 ∑𝑛𝑖=1|𝑠𝑖𝑚(𝑘,𝑖)| (2.5) Dimana,𝑃𝑢,𝑘 = Prediksi rating item k untuk user u 𝑛 = Jumlah rated item user u
2.5 Sepeda
Di dalam Kamus Besar Bahasa Indonesia (KBBI), sepeda diartikan sebagai kendaraan beroda dua atau tiga, mempunyai setang, tempat duduk, dan sepasang pengayuh yang digerakkan kaki untuk menjalankannya. Sepeda pertama kali diciptakan pada abad ke-18 oleh pria berkebangsaan jerman bernama Baron Karls Drais von Sauerbronn, beliau menciptakan velocipede untuk alat transportasi. Kirkpatrick Macmillian selanjutnya menciptakan pedal khusus sepeda. Kemudian, diciptakan sepeda yang roda depannya sangat besar dan roda belakangnya kecil, sepeda ini disebut high wheel bicycle. Sepeda ini diciptakan oleh James Starley di tahun 1870, beliau berhasil membuat terobosan membuat roda dengan mempunyai jari-jari dan metode cross tangent. Teknologi tersebut pun masih terus digunakan sampai sekarang. Di tahun 1880 ditemukan safety bicycle dengan ukuran roda yang sama besar dan sudah menggunakan rantai. Sepeda model tersebut yang masih digunakan sampai sekarang.
Seiring dengan perkembangannya, sepeda memiliki banyak jenis dan fungsi dalam penggunaanya. Adapun beberapa jenis sepeda antara lain sepeda gunung, sepeda lipat, road bike, urban bike, bmx, trail bike, dan lain-lain. Di Indonesia muncul berbagai merk sepeda, mulai dari yang buatan Indonesia sampai import dari luar negeri. Merek yang sering digunakan United, Polygon, Brompton, Pacific, dan lain-lain.
2.6 USE Questionnaire
USE pada USE Questionnaire merupakan singkatan dari Usefullness, Satisfication dan Ease to use yang dikembangkan oleh Arnold Lund (2016).
Terdapat dua faktor yang berkontribusi terhadap Ease to use yaitu Ease of Learnimg dan Ease of Use (Lund, 2001). Kuesioner dibuat dalam skala Likert (Lund, 2016). Berikut adalah paket kuesioner dari Use Quesinnaire (Lund, 2016):
Usefullness
• It helps me be more effective. • It helps me be more productive. • It is useful.
• It gives me more control over the activities in my life. • It makes the things I want to accomplish easier to get done. • It saves me time when I use it.
• It meets my needs.
• It does everything I would expect it to do. Ease Of Use
• It is easy to use. • It is simple to use. • It is user friendly
• It requires the fewest steps possible to accomplish what I want to do with it. • It is flexible
• Using it is effortless.
• I can use it without written instructions. • I don’t notice any inconsistencies as I use it. • Both occasional and regular users would like it.
Ease Of Learning
• I learned to use it quickly. • I easily remember how to use it. • It is easy to learn to use it. • I quickly became skillful with it. Satisfication
• I am satisfied with it.
• I would recommend it to a friend. • It is fun to use.
• It works the way I want it to work. • It is wonderful.
• I feel I need to have it. • It is pleasant to use.
Skala likert digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau sekelompok orang tentang fenomena sosial (Sugiyono, 2013). Berikut adalah nilai pengukuran skala likert:
Tabel 2.1 Pengukuran Skala Likert
Respon Skor
Sangat Setuju 5
Setuju 4
Netral 3
Tidak Setuju 2
Sangat tidak setuju 1
Kemudian hasil dari kuesioner dihitung untuk mendapat skor presentase kelayakan (Novita, 2016)
𝑝𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒(%) =𝑠𝑘𝑜𝑟 𝑦𝑎𝑛𝑔 𝑑𝑖𝑑𝑎𝑝𝑎𝑡
Setelah itu hasil presentase kelayakan akan dikonversi menjadi nilai kualitatif berskala lima dengan menggunakan skala likert. Presentasi akan di konversi ke pernyataan seperti dalam table berikut (Rahman and Vitalocca, 2018).
Tabel 2.2 Inteprestasi Presentase
Persentase Pernyataan 0-20% Sangat Buruk 21%-40% Buruk 41%-60% Cukup 61%-80% Baik 81%-100% Sangat Baik
