IMPLEMENTASI HYBRID (CONTENT BASED DAN COLLABORATIVE
FILTERING) PADA SISTEM REKOMENDASI SOFTWARE ANTIVIRUS
DENGAN MULTI-CRITERIA RATING
SKRIPSI
WILDAN AFIFI
091402043
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
IMPLEMENTASI HYBRID (CONTENT BASED DAN COLLABORATIVE FILTERING) PADA SISTEM REKOMENDASI SOFTWARE ANTIVIRUS
DENGAN MULTI-CRITERIA RATING
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
WILDAN AFIFI 091402043
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : IMPLEMENTASI HYBRID (CONTENT BASED
DAN COLLABORATIVE FILTERING) PADA
SISTEM REKOMENDASI SOFTWARE ANTIVIRUS DENGAN MULTI-CRITERIA RATING
Kategori : SKRIPSI
Nama : WILDAN AFIFI
Nomor Induk Mahasiswa : 091402043
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI (FASILKOMTI) UNIVERSITAS
Dr. Erna Budhiarti Nababan, M.IT. Mhd. Fadly Syahputra, B.Sc., M.Sc.IT.
NIP. - NIP 19830129 200912 1 003
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
IMPLEMENTASI HYBRID (CONTENT BASED DAN COLLABORATIVE FILTERING) PADA SISTEM REKOMENDASI SOFTWARE ANTIVIRUS
DENGAN MULTI-CRITERIA RATING
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Januari 2014
UCAPAN TERIMA KASIH
Puji dan syukur penulis panjatkan kehadirat Allah SWT yang Maha Pengasih dan Maha Penyayang, yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
Penyelesaian skripsi ini tidak terlepas dari bantuan dari berbagai pihak, untuk itu, penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
2. Bapak Ketua dan Sekretaris Program Studi Teknologi Informasi, Prof. Dr. Opim Salim Sitompul, M.Sc. dan Drs. Sawaluddin, M.IT.
3. Ibu Dr. Erna Budhiarti Nababan, M.IT selaku pembimbing satu dan Bapak Mohammad Fadly Syahputra, B.Sc., M.Sc.IT. selaku pembimbing dua yang telah banyak meluangkan waktu dan pemikirannya, motivasi, kritik dan saran kepada penulis.
4. Ucapan terima kasih juga ditujukan kepada Bapak Dedi Arisandy, S.T., M.Kom., dan Bapak Dani Gunawan, S.T., M.T. yang telah bersedia menjadi dosen pembanding, serta semua dosen serta pegawai di Program Studi S1 Teknologi Informasi.
5. Ucapan terimakasih yang sangat besar penulis ucapkan kepada keluarga penulis yang telah memberikan dukungan baik materil dan spiritual. Ayahanda Alm. Ir. H. Arif Wisaksono dan Ibunda Hj. Nur Hidayati yang telah membesarkan penulis dengan kasih sayang yang tak terhingga. Dan juga kepada adik penulis, Alfian Alim dan Affan Abdillah, yang selalu menjadi sumber semangat dan inspirasi di dalam penulisan skripsi ini.
6. Terima kasih juga penulis ucapkan kepada teman-teman, Satria, Aang, Mulki, Ari, Hasmi, Robert, Bagus, Rozy, Fithrah, Gilbert, Alvin, Ranap. Teman-teman badminton untuk melepaskan penat, Salman, Dhimas, Yogi, Santana, Iqbal, Bang Franheit, dan Bang Billy.
ABSTRAK
Berbagai sumber penyedia informasi mengenai software antivirus memiliki ratusan bahkan ribuan jumlah software antivirus yang mereka tawarkan. Sulit bagi pengguna untuk menemukan software antivirus sesuai dengan yang ia inginkan. Oleh karena itu, dibutuhkan sebuah alat bantu yang dapat memberikan alternatif dan rekomendasi kepada pengguna sesuai dengan preferensi pengguna. Sistem rekomendasi merupakan solusi dari permasalahan tersebut. Sistem rekomendasi diharapkan dapat membantu pengguna untuk menemukan software antivirus yang ia inginkan. Berdasarkan penelitian sebelumnya, sistem rekomendasi dengan metode hybrid (content based dan collaborative filtering) mampu menghasilkan rekomendasi yang bagus dan handal. Di sisi lain, berbagai teknologi sistem rekomendasi sedang gencar dikembangkan. Salah satu teknologi yang sedang gencar dikembangkan tersebut adalah sistem rekomendasi dengan multi-criteria rating. Sistem rekomendasi dengan multi-criteria rating menggunakan lebih dari satu kriteria rating sebagai basis dalam menentukan rekomendasi yang sesuai untuk pengguna. Di dalam penelitian ini, penulis akan membahas mengenai penggunaan hybrid (content based dan collaborative filtering) pada sistem rekomendasi software antivirus dengan multi-criteria rating. Hasil dari penelitian ini adalah sebuah sistem rekomendasi software antivirus yang mampu memberikan rekomendasi software antivirus yang sesuai kepada pengguna.
THE IMPLEMENTATION OF HYBRID (CONTENT BASED AND COLLABRATIVE FILTERING) IN ANTIVIRUS SOFTWARE RECOMMENDATION SYSTEM USING MULTI-CRITERIA RATING
ABSTRACT
Various sources of information about antivirus software have hundreds or even thousands of number of antivirus software that they offer . It is difficult for users to find antivirus software in accordance with what they need . Therefore , a tool that can provide alternatives and recommendations to users is expected. Recommendation system is the solution to this problem. Recommendation system is expected to help users to find antivirus software matching with what he wants. According to the previous researchs, hybrid recommender system (content based and collaborative filtering) can provide good and reliable recommendation. At the same time, various technologies of this recommendation system are being intensively developed. One of that technologies that are being rapidly developed is multi-criteria rating recommendation system. Multi-criteria rating recommendation system use more than one rating criteria. In this study, the author will discuss the implementation of hybrid (content based and collaborative filtering) in antivirus software recommendation system using multi-criteria rating.The result of this research is an antivirus software recommender system that can provide appropriate recommendation to the user.
DAFTAR ISI
BAB 2 LANDASAN TEORI 6
2.1. Sistem Rekomendasi 6
2.2. Sistem Rekomendasi Content Based 7
2.3. Sistem Rekomendasi Collaborative Filtering 9
2.4. Sistem Rekomendasi Hybrid 11
2.4.1. Penggabungan Linear (Linear Combination) 11 2.4.2. Penggabungan secara Sekuensial (Sequential Combination) 12 2.4.3. Penggabungan secara Item-based Clustering Hybrid Method (ICHM)12 2.5. Sistem Rekomendasi dengan Multi-Criteria Rating 13 2.6. Proses Pengambilan Keputusan pada Pemilihan Software Antivirus 15
2.7. Bahasa Pemrograman PHP 16
2.8. Database 17
2.9. Data Flow Diagram (DFD) 18
2.10. Unified Modelling Language (UML 18
2.11. Penelitian Terdahulu 19
2.12. Perbedaan dengan Penelitian Terdahulu 20
BAB 3 ANALISIS DAN PERANCANGAN 21
3.1. Data Yang Digunakan 21
3.2. Use Case Diagram 21
3.3. Activity Diagram 23
3.3.1. Activity Diagram Register 23
3.3.2. Activity Diagram Login 24
3.3.3. Activity Diagram Halaman Utama 25
3.3.6. Activity Diagram Logout 27
3.4.1. Flowchart Keseluruhan Rekomendasi 32
3.4.2. Flowchart Cosine Based Similiarity (Collaborative Filtering) 37 3.4.3. Flowchart Weighted Sum (Collaborative Filtering) 39 3.4.4. Flowchart Perhitungan Bobot Feature (Content Based) 40 3.4.5. Flowchart Perhitungan Prediksi Rating (Content Based) 42
3.4.6. Flowchart Hybrid (Linear Combination) 43
3.4.7. Flowchart Penggabungan Kriteria (Fungsi Agregasi) 43
3.5. Perancangan Sistem 45
3.5.1. Kebutuhan Perangkat Lunak 45
3.5.2. Perancangan Antar Muka Perangkat Lunak 45
3.6. Perancangan Database 51
3.6.1. Perancangan Database 51
3.6.2. Relasi Antar Tabel 58
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 59
4.1. Implementasi Sistem 59
4.2. Implementasi Perancangan Antarmuka 60
4.2.1. Halaman Login 60
4.2.2. Halaman Registrasi 60
4.2.3. Halaman Tutorial 61
4.2.4. Halaman Home 61
4.2.5. Halaman Rekomendasi 63
4.2.6. Halaman Spesifikasi Produk 65
4.2.7. Halaman Edit Produk 66
4.2.8. Halaman Tambah Produk 67
4.3. Pengujian Sistem 67
4.3.1. Rencana Pengujian Sistem 67
4.3.2. Hasil Pengujian Sistem 68
4.4 Pengujian Data 71
4.4.4. Persiapan Pengujian Data 72
4.4.2. Perhitungan Content Based 73
4.4.3. Perhitungan Collaborative Filtering 75
4.4.3. Perhitungan Secara Hybrid 77
4.4.5. Penggabungan Kriteria Rating 78
BAB 5 KESIMPULAN DAN SARAN 79
5.1. Kesimpulan 79
5.2. Saran 79
DAFTAR PUSTAKA 81
DAFTAR TABEL
Tabel 2.1 Tabel Item Feature 7
Tabel 2.2 Matrix User x Item pada Sistem Rekomendasi Collaborative Filtering 9
Tabel 2.3 Matrix User x Item pada Sistem Rekomendasi Multi-criteria Rating 14
Tabel 2.4 Pembagian Deteksi Virus 15
Tabel 2.5 Penelitian Terdahulu 20
Tabel 3.1 Matrix rating User x Item Sistem Rekomendasi Multi Criteria Rating 35
Tabel 3.2 Tabel Item Feature pada Sistem Rekomendasi Multi-criteria Rating 35
Tabel 3.3 Matrix User x Item Untuk Kriteria Rating Pertama 36
Tabel 3.4 Tabel Item Feature Pengguna 𝑢1 Untuk Kriteria Rating Pertama 36
Tabel 3.5 Matrix User x Item Untuk Kriteria Rating Pertama 38
Tabel 3.6 Tabel Item Feature Pengguna 𝑢1 untuk Kriteria Rating Pertama 41
Tabel 3.7 Bobot Masing-Masing Kriteria Software Antivirus 44
Tabel 4.1 Rencana Pengujian 68
Tabel 4.2 Hasil Pengujian 68
Tabel 4.3 Hasil Pengujian (Lanjutan) 69
Tabel 4.4 Hasil Pengujian (Lanjutan) 70
Tabel 4.5 Hasil Pengujian (Lanjutan) 71
Tabel 4.6 Antivirus yang Sudah Pernah Diberi Rating 72
Tabel 4.7 Antivirus yang akan Diprediksi Ratingnya 73
Tabel 4.8 yang Sudah Pernah Diberi Rating (sederhana) 73
Tabel 4.9 Antivirus yang akan Diprediksi Ratingnya (sederhana) 73
Tabel 4.10 Item Feature 𝑢114 utk kriteria rating pertama 74
Tabel 4.11 Hasil Perhitungan Bobot dengan Cara Manual 74
DAFTAR GAMBAR
Gambar 2.1 Linear Combination 12
Gambar 2.2 Sequential Combination 12
Gambar 2.3 Item-based Clustring Hybrid Method 13
Gambar 3.1 Use Case Diagram 22
Gambar 3.2 Activity Diagram Register 23
Gambar 3.3 Activity Diagram Login 24
Gambar 3.4 Activity Diagram Halaman Utama 25
Gambar 3.5 Activity Diagram Halaman Rekomendasi 26
Gambar 3.6 Activity Diagram Halaman Tutorial 27
Gambar 3.7 Activity Diagram Logout 27
Gambar 3.8 Activity Diagram Tambah Produk Antivirus 28
Gambar 3.9 Activity Diagram Edit Produk Antivirus 29
Gambar 3.10 Activity Diagram Lihat Produk Antivirus 30
Gambar 3.11 Activity Diagram Beri Rating 31
Gambar 3.12 Flowchart Rekomendasi Keseluruhan 32
Gambar 3.13 Flowchart Rekomendasi Keseluruhan (Lanjutan) 33
Gambar 3.14 Flowchart Cosine Based Similiarity 37
Gambar 3.15Flowchart Weighted Sum 39
Gambar 3.16 Flowchart Perhitungan Weight 40
Gambar 3.17 Flowchart Perhitungan Prediksi Rating (Content Based) 42
Gambar 3.18 Flowchart Hybrid Linear Combination 43
Gambar 3.19 Flowchart Fungsi Agregasi 44
Gambar 3.20 Rancangan Form Registrasi 45
Gambar 3.21 Rancangan Form Login 46
Gambar 3.22 Rancangan Halaman Utama 47
Gambar 3.23 Rancangan Halaman Tambah Produk 48
Gambar 3.24 Rancangan Halaman Lihat Produk 49
Gambar 3.25 Rancangan Halaman Penjelasan Rekomendasi 50
Gambar 3.26 Rancangan Tabel user 51
Gambar 3.27 Rancangan Tabel rating 52
Gambar 3.28 Rancangan Tabel product 53
Gambar 3.29 Rancangan Tabel brands 55
Gambar 3.30 Rancangan Tabel features 55
Gambar 3.31 Rancangan Tabel product_feature 56
Gambar 3.32 Rancangan Tabel os 56
Gambar 3.33 Rancangan Tabel osver 57
Gambar 3.34 Rancangan Tabel product_platform 57
Gambar 3.35 Rancangan Relasi Antar Tabel 58
Gambar 4.1 Halaman Login 60
Gambar 4.2 Halaman Registrasi 60
Gambar 4.3 Halaman Tutorial 61
Gambar 4.4 Halaman Home 62
Gambar 4.6 Halaman Rekomendasi 64
Gambar 4.7 Detail Rekomendasi 64
Gambar 4.8 Halaman Spesifikasi Produk 65
Gambar 4.9 Halaman Edit Produk 66
Gambar 4.10 Halaman Tambah Produk 67
Gambar 4.11 Perhitungan Bobot dengan Menggunakan Sistem 74
Gambar 4.12 Perhitungan Prediksi Content Based dengan Menggunakan Sistem 75
Gambar 4.13 Perhitungan Kemiripan Pengguna pada Sistem Rekomendasi 76
Gambar 4.14 Prediksi Rating Collaborative pada Sistem Rekomendasi Antivirus 76
Gambar 4.15 Hasil Perhitungan Hybrid oleh Sistem Rekomendasi Antivirus 77