MAKALAH
SISTEM RECOMMENDER MOVIE MENGGUNAKAN BAHASA
PEMROGRAMAN R
Disusun Oleh :
Arif Budi Setiawan
(15.01.53.0064)
Saiful Budi Yanto
(15.01.53.0081)
UNIVERSITAS STIKUBANK SEMARANG (UNISBANK)
FALKUTAS TEKNOLOGI INFORMASI
BAB I
PENDAHULUAN
1.1Deskripsi Permasalahan
Perkembangan Teknologi Informasi berdampak positif pada berkembangnya berbagai peranti lunak pengolah data. Secara umum, ada beberapa kategori software analisis data, yang bersifat komersil seperti seperti SPSS dan SAS, serta bersifat open source seperti R. R adalah bahasa pemrograman open source yang berhubungan dengan komputasi dan pengolahan data untuk Statistik dan yang berhubungan dengan penampilan grafik menggunakan tools yang disediakan oleh paket-paketnya yang sangat berguna di dalam penelitian dan industri. Versi awal dari R dibuat pada tahun 1992 di Universitas Auckland, New Zealand oleh Ross Ihaka dan Robert Gentleman.
R adalah bahasa pemrograman dan perangkat lunak untuk analisis statistika dan grafik. R dibuat oleh Ross Ihaka dan Robert Gentleman di Universitas Auckland, Selandia Baru, dan kini dikembangkan oleh R Development Core Team, dimana Chambers merupakan anggotanya. R dinamakan sebagian setelah nama dua pembuatnya (Robert Gentleman dan Ross Ihaka), dan sebagian sebagian dari nama S.
Bahasa R kini menjadi standar de facto di antara statistikawan untuk pengembangan perangkat lunak statistika, serta digunakan secara luas untuk pengembangan perangkat lunak statistika dan analisis data.
R merupakan bagian dari proyek GNU. Kode sumbernya tersedia secara bebas di bawah Lisensi Publik Umum GNU, dan versi biner prekompilasinya tersedia untuk berbagai sistem operasi. R menggunakan antarmuka baris perintah, meski beberapa antarmuka pengguna grafik juga tersedia.
dan mengizinkan penggunanya untuk menambah fungsi tambahan dengan mendefinisikan fungsi baru. Kekuatan besar dari R yang lain adalah fasilitas grafiknya, yang menghasilkan grafik dengan kualitas publikasi yang dapat memuat simbol matematika. R memiliki format dokumentasi seperti LaTeX, yang digunakan untuk menyediakan dokumentasi yang lengkap, baik secara daring (dalam berbagai format) maupun secara cetakan.
R adalah suatu bahasa pemrograman dan lingkungan perangkat lunak (juga dikenal sebagai GNU S) untuk komputasi dan grafis statistik. Bahasa pemrograman R sudah menjadi standar de facto bagi para statistikawan untuk mengembangkan perangkat lunak statistik, dan digunakan secara luas untuk pengembangan software statistik dan analisis data.
R adalah implementasi dari bahasa pemrograman S yang dikombinasikan dengan pelingkupan leksikal semantik yang terinspirasi oleh Scheme. S diciptakan oleh John Chambers ketika masih di Bell Labs. R diciptakan oleh Ross Ihaka dan Robert Gentleman at the University of Auckland, New Zealand, dan sekarang dikembangkan oleh Tim Inti Pengembangan R, dengan Chambers sebagai anggota. Nama R sebagian berasal dari nama depan dari dua pengembang R pertama (Robert Gentleman and Ross Ihaka), dan sebagian sebagai permainan dari nama S.
R merupakan bagian dari GNU project. Kode Sumbernya tersedia secara bebas dibawah lisensi GNU General Public License, dan versi pre-compiled binary tersedia untuk berbagai sistem operasi. R menggunakan command line interface; namun, beberapa graphical user interface juga tersedia untuk digunakan bersama R.
1.2Rumusan Masalah
Terdapat rumusan masalah yaitu “Sistem Recommender dengan menggunakan bahasa R”
1.3Tujuan Penulisan
BAB II
TINJAUAN PUSTAKA
2.1 Kajian Deduktif
Recommendation system banyak digunakan untuk membuat prediksi seperti buku, music dalam film. Sasarannya adalah pengunjung toko online, di mana system ini memberikan prediksi dan penawaran terbaik produk apa yang disukai. Data referensi produk dari pengunjung disimapan untuk kemudian diolah menggunakan teknik statistik sehinggga menghasilkan rekomnendasi barang terkait. Teknologi ini banyak diapdopsi oleh perusahaan besar di dunia e-commerce dalam seperti Amazon, Netflix dan Pandora. Sedemikian pentingnya recomender system ini bagi ecommerce karena kemampuannya untuk memberikan referensi yang disukai oleh customer, membuat strategi marketing, hingga meningkatkan loyalitas pelanggan. Bahkan kompetisi pun telah diadakan oleh Netflix untuk menguji hasil rekomendasi dengan nilai yang cukup besar. Riset di recommender system menjadi begitu penting karena perannya di bidang e-commerce telah terbukti banyak memberikan terobosan baru di dunia bisnis dan ilmu pengetahuan. Recommendation system dibagi menjadi dua yaitu Content Based Approach dan Collaborative Filtering. Penelitian ini bertujuan untuk memberikan gambaran mengenai recommender system beserta aplikasinya yang bersifat opensource yang masih dikembangkan hingga saat ini sehingga memudahkan para peneliti untuk melakukanpenelitian di bidang ini. Hal tersebut dapat dicapai dengan menggali aspek dan tujuan dari tiap aplikasi termasuk algoritma yang digunakan. Sebagian besar aplikasi berupa kumpulan library yang dibuat berdasarkan algoritma recommender tertentu. Aplikasi ini menggunakan bahasa pemrograman yang beragam meliputi java, phyton dan php yang tentunya telah familiar di mata para peneliti sehingga membuat library ini sangat flexible untuk tujuan riset maupun bisnis.
2.1.1 Collaborative Filtering
diperoleh dari sebagian besar customer di mana customer secara explicit memberikan penilaiaannya terhadap produk. Kesimpulannya ialah system memberikan timbal balik kepada customer dengan mengolah data-data tersebut, sebagai gambaran dari skala nol sampai 5 yang mengindikasikan penilaian yang paling tidak disukai hingga paling disukai menurut sudut pandang customer, data ini memungkinkan untuk dilakukannya perhitungan statistik yang hasilnya menunjukkan produk mana yang diberikan rating tinggi oleh customer.
Collaborative filtering menggunakan database yang diperoleh dari user. Ada dua komponen utama dalam data ini agar dapat membuat prediksi bagi recommender system yaitu user dan item. Keduanya membentuk rating matrix berupa m user {u1, u2, u3, ..., um} dan daftar n item {i1, i2, i3, ..., i4}. Di mana setiap user memberikan penilaiannya pada item berupa rating dalam skala 1 sampai 5. Rating ini dilambangkan dengan Iu1. Tidak semua user memberikan rating ke setiap produk karena berbagai macam faktor, hal ini menyebabkan banyaknya missing value yang mengakibatkan sparsity pada data.
2.1.2 Hybrid Recommendation System
2.2 Kajian Induktif
Recommender system (RSs) adalah salah satu bentuk personalized information system yang digunakan dalam web e-commerce untuk menawarkan item kepada user dan memberi informasi yang dapat membantu user dalam memilih atau membeli item.
Berikut ini menunjukkan taksonomi recommender system
Pada gambar terdapat tiga 3 komponen utama dalam sebuah recommender system, yaitu:
1. Input/ Output
2. Metode Rekomendasi
Metode yang digunakan dalam memberikan rekomendasi dapat dilakukan dengan beberapa cara, antara lain secara manual, melalui pendekatan statistik, dengan berdasarkan korelasi antar user (user-to-user), atau juga dengan berdasarkan korelasi antar item (item-to-item).
3. Desain Rekomendasi
Desain rekomendasi terkait pada 2 hal, yakni bagaimana rekomendasi disajikan dan bagaimana sifat rekomendasi atau tingkat personalisasinya. Ada 3 cara untuk menyajikan rekomendasi kepada user, yaitu:
Push : bentuk aktif pemberian rekomendasi, seperti mengirimkan kepada user
melalui email.
Pull : rekomendasi tidak ditampilkan jika user tidak meminta
Pasif : menampilkan item lain yang berhubungan item yang sedang dilihat/ diakses
user pada saat itu.
Tingkat personalisasi rekomendasi yang diberikan kepada user ada 2 macam, yaitu:
Personalized : rekomendasi yang diberikan kepada user tidak sama antara satu
dengan yang lain, bergantung pada masing-masing profil user.
BAB III
METODE PENELITIAN 3.1Objek Penelitian
Recommender System merupakan sebuah aplikasi information filtering untuk mencari dan memberikan rekomendasi item berupa informasi, produk, atau layanan kepada user berdasarkan prediksi yang bersifat personal (Sarwar, Badrul. 2001). Pengembangan recommender system oleh berbagai online vendor merupakan langka untuk menarik lebih banyak perhatian pengguna dan meningkatkan kepuasan pengguna terhadap hasil pencarian informasi secara online. Pada e-commerce misalnya, dimana sistem rekomendasi digunakan secara luas untuk menyarankan produk kepada pelanggan dan untuk menyediakan pelanggan dengan informasi sehingga membantu pelanggan memutuskan pilihan produk yang akan dibeli (Mortensen, Magnus. 2007). Hal ini menjadi sangat penting bagi keberhasilan industri di bidang teknologi informasi dan e-commerce saat ini yang secara bertahap mendatangkan keuntungan dari segi popularitas di berbagai aplikasi, misalnya proyek Netflix, Google news, dan Amazon.
3.2Metode Pengumpulan Data
Dalam pengumpulan data yang akan digunakan dalam sistem rekomendasi dapat dilakukan dengan dua cara (Sanjung, Ariyani. 2011) yaitu secara eksplisit dan implisit .
Secara eksplisit dapat dilakukan misalnya dengan meminta user untuk merating sebuah item dari range tertentu, memberikan ranking berdasarkan dari item yang disukai dan yang tidak disukai oleh user, ataupun dengan meminta user untuk melakukan list terhadap item-item yang disukai.
3.3Jenis Data
Jenis data dalam penulisan ini adalah data primer dan data sekunder. Data primer meliputi data pencarian informasi system recommender yang penulis praktikkan langsung. Sedangkan sumber sekunder bersumber pada buku-buku yang penulis cari di perpustakaan atau penlusi pinjam dari perorangan selain ini data sekunder juga penulis peroleh dari internet demi melengkapi makalah ini.
3.4Alur Penelitian
Collaborative filtering (CF) adalah teknologi recommender system yang paling sukses dan populer saat ini, serta penggunaan CF sangat sukses untuk berbagai recommender system yang ada di internet. Teknik ini menggunakan teknik statistik untuk menemukan satu set user yang dikenal sebagai neighbors, dimana setiap user memiliki kesamaan minat dan pendapat dengan target user (yaitu, mereka memiliki beberapa rating item yang sama atau kecenderungan user menyukai item yang sama). Setelah lingkungan neighbors terbentuk, sistem ini akan menggunakan beberapa algoritma untuk menghasilkan rekomendasi.
Gambar 3.1 Proses Collaborative Filtering (Sarwar, Badrul. 2001).
disebut dengan rating dari user ui dan dilambangkan dengan Iui. Setelah sistem ini menentukan ketetanggaan terdekat, maka sistem akan merepresentasikan item yang mungkin disukai user dalam dua bentuk, yaitu:
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.
BAB IV
HASIL DAN PEMBAHASAN
Contoh scriptnya :
install.packages("recommenderlab")
library(datasets)
# Load required library
library(recommenderlab) # package being evaluated
library(ggplot2) # For plots
# Load the data we are going to work with
data(MovieLense)
MovieLense
# 943 x 1664 rating matrix of class „realRatingMatrix‟ with 99392 ratings.
# Visualizing a sample of this
image(sample(MovieLense, 500), main = "Raw ratings")
# Visualizing ratings
qplot(getRatings(MovieLense), binwidth = 1,
main = "Histogram of ratings", xlab = "Rating")
summary(getRatings(MovieLense)) # Skewed to the right
# 1.00 3.00 4.00 3.53 4.00 5.00
# How many movies did people rate on average
qplot(rowCounts(MovieLense), binwidth = 10,
recommenderRegistry$get_entries(dataType = "realRatingMatrix")
# We have a few options
# Let‟s check some algorithms against each other
scheme <- evaluationScheme(MovieLense, method = "split", train = .9,
k = 1, given = 10, goodRating = 4)
scheme
algorithms <- list(
"random items" = list(name="RANDOM", param=list(normalize = "Z-score")),
"popular items" = list(name="POPULAR", param=list(normalize = "Z-score")),
"user-based CF" = list(name="UBCF", param=list(normalize = "Z-score",
method="Cosine",
)
# run algorithms, predict next n movies
results <- evaluate(scheme, algorithms, n=c(1, 3, 5, 10, 15, 20))
plot(results, annotate = 1:4, legend="topleft")
# See precision / recall
BAB V
KESIMPULAN DAN REKOMENDASI
DAFTAR PUSTAKA
http://tiindonesia.blogspot.co.id/2014/12/recommender-system.html
