1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Infrastruktur teknologi informasi dan komunikasi telah berkembang sangat cepat. Hal yang sama juga terjadi pada perangkat gadget yang memberikan banyak fitur dalam mengakses sumber informasi dengan menggunakan teknologi wireless dan seluler. Pertumbuhan jumlah pengguna perangkat teknologi informasi pun meningkat luar biasa. Hal ini tidak hanya terjadi di wilayah perkotaan melainkan juga di pedesaan yang kehidupan masyarakatnya masih relatif tradisional. Penetrasi teknologi informasi yang begitu ekspansif dan masif telah meniadakan perbedaan antara masyarakat kota dan desa.
Dalam waktu yang sama, kesadaran untuk membuat dan menyimpan dokumen dalam format digital juga meningkat secara signifikan, baik oleh individu, komunitas maupun institusi. Pada skala individu banyak dijumpai orang yang melakukan digitalisasi dokumen seperti kartu identitas diri, ijazah, akta notaris, bukti transaksi dan lain sebagainya, kemudian disimpan pada host yang terkoneksi jaringan internet, dengan alasan keamanan dan kemudahan akses. Sekarang pun banyak institusi yang mulai menerapkan paperless system sehingga seluruh atau sebagian besar dokumen institusi disimpan dalam format digital. Bahkan perusahaan yang bergerak dalam bidang penerbitan pun menawarkan produk seperti majalah, koran, buku, prosiding dan jurnal dalam format digital.
Melimpahnya sumber informasi digital tentu saja memberikan banyak manfaat bagi masyarakat dalam berbagai urusan, seperti bidang pendidikan, penelitian, ekonomi, keuangan, bisnis, sosial politik, hiburan dan lain sebagainya. Namun kondisi tersebut juga menimbulkan masalah tersendiri di kalangan masyarakat, yakni kesulitan untuk mendapatkan informasi yang cepat, akurat dan relevan dengan kebutuhannya. Permasalahan inilah yang mendorong para pakar ilmu komputer melakukan riset untuk menemukan alternatif solusi.
2
Solusi pertama untuk mendapatkan sumber informasi dengan cepat adalah dengan mengembangkan tools pencari informasi yang dikenal dengan nama information retrieval system atau sistem temu-kembali informasi. Alat bantu tersebut diimplementasikan dalam bentuk search engine atau mesin penelusur. Setiap pengguna bebas menentukan jenis dan bentuk informasi yang diinginkan hanya dengan memasukkan kata kunci dalam query, selanjutnya sistem akan menampilkan daftar sumber informasi yang merupakan hasil penelusuran. Beberapa website mesin penelusur yang berkembang pesat antara lain
search.baidu.com, www.altavista.com dan www.google.com. Setiap mesin
penelusur memiliki kelebihan dan kekurangan masing-masing. Pada dasarnya kinerja suatu mesin penelusur sangat ditentukan oleh teknik pengindeksan atau proses ekstrasi konten dari sumber informasi digital, penyimpanan dalam repository server dan teknik temu-kembali informasi yang diimplementasikan (Hasibuan, dkk., 2004). Faktor lain yang juga berpengaruh adalah kualitas infrastruktur jaringan komputer yang tersedia.
Selain information retrieval system, solusi lain untuk mendapatkan sumber informasi yang tepat dan relevan adalah recommender systems atau sistem penyedia rekomendasi (Konstan, 2004). Sistem ini diimplementasikan dalam bentuk engine yang melakukan pemilihan sumber informasi berdasarkan rekam jejak personal, lalu merekomendasikannya kepada pengguna yang sedang aktif (Deshpande, 2004). Solusi ini masih terhitung baru dalam dunia ilmu komputer, bahkan organisasi Association of Computing Machinery (ACM) pun baru pada tahun 2007 memulai penyelenggaraan konferensi internasional tahunan dengan topik khusus ACM Conference on Recommender Systems. Pada awalnya sistem rekomendasi hanya digunakan untuk e-mail filtering (Goldberg, 1992), kemudian dikembangkan menjadi alat bantu dalam bisnis online, yakni untuk mempromosikan produk baru kepada para pelanggan dengan memanfaatkan karakteristik pelanggan (Kangas, 2002 dan Montaner, 2003).
3
Ditinjau dari lima aspek, yakni goal, input, output, methods dan registrasi, terdapat perbedaan yang cukup mendasar antara recommender systems dengan information retrieval systems, sebagaimana ditunjukkan pada Tabel 1.1.
Tabel 1.1 Perbandingan IR Systems dan Recommender Systems
Sistem rekomendasi bersifat aktif dalam menyebarkan atau menawarkan informasi baru kepada setiap pengguna yang sudah melakukan registrasi. Setiap kali melakukan login ke dalam sistem, pengguna akan diberi rekomendasi berupa sejumlah sumber informasi untuk dipilih dan dinilai sesuai dengan preferensinya. Seluruh proses tersebut direkam oleh sistem lalu digunakan untuk membangun user profile, sesuai dengan metode information filtering yang diaplikasikan. Semakin besar frekuensi interaksi pengguna dengan sistem rekomendasi maka user profile-nya akan semakin cepat terbentuk, sehingga rekomendasi yang akan diberikan pada kesempatan berikutnya lebih mendekati karakteristik user profile. Berbeda dengan sistem rekomendasi, sistem temu-kembali informasi lebih bersifat pasif dan baru akan memberikan respon apabila ada input dari pengguna yang didefinisikan dalam bentuk query. Selain itu, implementasi sistem temu-kembali informasi mutlak menggunakan content-based approach, sedangkan sistem rekomendasi dapat menerapkan enam pendekatan untuk proses filtering.
No Aspek Information Retrieval Systems Recommender Systems
1. Goal Menjawab permintaan (request ) pengguna
Merekomendasikan / menganjurkan suatu item pada pengguna
2. Input Kebutuhan pengguna yang didefinsikan dalam bentuk query
Preferensi pengguna yang didefinisikan dalam bentuk user profile
3. Output Daftar ranked items yang relevan dengan kata kunci
Daftar ranked items berdasarkan preferensi pengguna
4. Methods Content-based searching
Content-based filtering, collaborative filtering, demograhic filtering, community-based filtering, knowledge-community-based filtering, hybrid approach
5. Registrasi Pengguna tidak perlu melakukan registrasi
Beberapa teknik information filtering mutlak mensyaratkan registrasi pengguna
4
Pendekatan yang paling populer dan dominan dalam sistem rekomendasi adalah social collaborative filtering atau seringkali disebut dengan istilah collaborative filtering saja (Shardanand, 1995). Collaborative filtering sangat cocok digunakan untuk membangun sistem rekomendasi dengan obyek yang memiliki format non teks, seperti musik, gambar dan movie karena tidak diperlukan analisis konten. Namun jika obyek rekomendasinya berformat teks, sistem rekomendasi dapat menggunakan content-based filtering, community-based filtering, knowledge-based filtering, demograpic filtering, collaborative filtering atau kombinasi hybrid dari kelima pendekatan tersebut (Ricci, 2011).
Sistem rekomendasi yang dikembangkan dengan collaborative filtering memiliki karakteristik unik, dimana pembangkitan rekomendasi didasarkan pada nilai similaritas user profile. Asumsi dasar yang digunakan dalam pendekatan collaborative filtering adalah para pengguna yang memiliki kesamaan pilihan dokumen terdahulu cenderung pula memiliki kesamaan pilihan untuk dokumen baru (Linden, 2003). Oleh karena itu, langkah mendasar dalam collaborative filtering adalah pengukuran similaritas di antara pengguna yang sudah registrasi. Dalam perspektif komputasi, pendekatan collaborative filtering terkesan sangat sederhana karena proses yang terjadi di dalamnya memang jauh dari kerumitan dan relatif mudah untuk diaplikasikan. Namun collaborative filtering dipandang sebagai terobosan yang cukup inovatif dan telah terbukti memberikan keuntungan yang luar biasa. Oleh karena itu, wajar jika sekarang banyak perusahaan yang tertarik untuk memanfaatkan engine berbasis collaborative filtering sebagai alat bantu promosi dengan cara menempatkannya ke dalam situs e-commerce atau menjadikannya sebagai fitur tambahan pada mesin penelusur, situs berita dan situs jejaring sosial. Model pemanfaatan sistem rekomendasi berbasis collaborative filtering dapat dilihat pada situs e-commerce seperti www.amazon.com atau www.tokobagus.com, mesin penelusur
www.google.com, atau www.baidu.com, jejaring sosial www.facebook.com, situs movie seperti www.yahoo.com/movies atau www.youtube.com.
5
Sejauh ini pengembangan collaborative filtering banyak dilakukan untuk meningkatkan kinerja sistem rekomendasi dengan memanfaatkan berbagai pendekatan dan menggunakan kriteria tunggal (Su, 2009). Diantaranya adalah pemanfaatan Algoritma Genetika untuk collaborative filtering (Garcin, 2009), prediksi nilai rating dengan hierarchical regression (Umyarof, 2009), penanganan cold-start problem (Gunawardana, 2008) dan penerapan konsep adaptive social similarity (Yu, 2011). Kriteria tunggal tersebut merepresentasikan opini pengguna terhadap suatu item atau sumber informasi secara keseluruhan. Opini seseorang direpresentasikan dengan menggunakan nilai rating tertentu. Sebagai contoh, seseorang memberikan nilai rating 5 pada suatu dokumen yang telah dibaca. Nilai rating 5 tersebut tidak spesifik menunjukkan kriteria yang digunakan dalam penilaian, sehingga mungkin saja terjadi kasus dimana beberapa pengguna yang berbeda memberikan nilai rating yang sama namun dasar penilaian atau kriteria yang digunakan sangat berbeda. Permasalahan semacam ini dalam studi literatur sistem rekomendasi berbasis metode collaborative filtering disebut sebagai without distinction of interest problem (Chapphannarungsri, 2009).
Untuk mengatasi permasalahan tersebut, ditawarkan sebuah metode baru yang mengakomodasi gagasan penggunaan kriteria yang berbeda dalam melakukan penilaian, yang disebut dengan multicriteria collaborative filtering (Adomavicius, 2011). Konsep tersebut sebenarnya merupakan variasi dari konsep collaborative filtering tradisional dengan menggunakan banyak kriteria dalam merepresentasikan penilaian ketertarikan seorang pengguna (Lakiotaki, 2008). Sebagai contoh, sistem Zagat’s Guide mengaplikasikan multicriteria collaborative filtering dengan menetapkan tiga kriteria penilaian restauran, yaitu food, decor, ervice, situs Buy.com menggunakan multicriteria rating system untuk alat-alat elektronik, meliputi display size, performance, battery life, cost, sedangkan sistem Yahoo!Movies menetapkan empat kriteria untuk movie, yaitu story, action, direction dan visuals (Adomavicius, 2011). Terlihat jelas bahwa jumlah kriteria yang digunakan disesuaikan dengan jenis obyek rekomendasi.
6
Dengan mengimplementasikan metode multicriteria collaborative filtering ternyata rekomendasi yang dihasilkan memiliki kualitas yang lebih baik dan lebih mendekati kebutuhan pengguna. Indikasi peningkatan kualitas dapat diketahui dari semakin tingginya akurasi prediksi multiratings yang didasarkan pada kriteria yang sesuai dengan kecenderungan pengguna (Liu, 2011). Akurasi prediksi dalam sistem rekomendasi diukur dengan menggunakan rumus Mean Absolute Error (MAE) yang merupakan rata-rata selisih antara nilai rating yang diberikan oleh pengguna dan nilai prediksi rating yang dibangkitkan oleh sistem pada sejumlah obyek rekomendasi (Vozalis, 2003). Pengembangan metode multicriteria service recommendation yang dilakukan Liu (2011) dipicu oleh fakta bahwa para pengguna memiliki perbedaan dalam menentukan significant criteria suatu obyek rekomendasi. Contoh yang digunakan adalah ketika para tamu hotel diminta memberikan nilai rating dengan menggunakan lima kriteria hotel yakni location, cleanlines, rooms, service dan value. Ada tamu yang memberikan memberi prioritas pada location, namun ada juga yang mementingkan aspek cleanlines. Untuk itu perlu dilakukan clustering terhadap preferensi pengguna agar proses prediksinya memberikan hasil yang lebih akurat. Pengujian dilakukan dengan memanfaatkan dataset yang sudah tersedia di www.tripadvisor.co.uk. Hasil pengujian metode collaborative filtering klasik memberikan nilai MAE sebesar 0,8940, metode multicriteria collaborative filtering memberikan nilai MAE sebesar 0,8312 dan metode multicriteria collaborative filtering based on clustering memberikan nilai MAE terbaik sebesar 0,6745.
Pengembangan metode multicriteria collaborative filtering di atas belum memasukkan unsur bobot kriteria yang mencerminkan preferensi pengguna. Dalam sistem rekomendasi, hal ini dianggap sebagai permasalahan yang disebut dengan istilah without weight feature problem (Chapphannarungsri, 2009). Solusi yang pernah dicoba adalah dengan memberikan bobot secara statis pada beberapa kriteria yang secara subyektif dianggap memiliki prioritas tinggi dan mengabaikan kriteria-kriteria lain yang dipandang tidak penting dalam sistem.
7
Mekanisme pembobotan seperti itu sangat berpotensi mengurangi performansi sistem rekomendasi, yakni kemungkinan berkurangnya akurasi prediksi sebab preferensi pengguna secara kolektif dapat berubah secara dinamis. Maksudnya adalah beberapa kriteria yang saat ini memiliki prioritas tinggi mungkin saja suatu saat berubah menjadi tidak penting lagi, sebaliknya beberapa kriteria yang diabaikan justru menjadi sangat penting. Perubahan tersebut sangat mungkin terjadi apabila perspektif pengguna mengalami pergeseran, atau suatu saat akan muncul segmen pengguna baru yang karakteristiknya berbeda dengan pengguna sebelumnya dalam menilai suatu obyek rekomendasi.
Oleh karena itu perlu dikembangkan metode multicriteria collaborative filtering yang mengakomodasi adanya perubahan preferensi kolektif pengguna di dalam memberikan rating pada suatu obyek rekomendasi. Dengan demikian seluruh kriteria dianggap penting dan diberi bobot sesuai dengan perkembangan. Mekanisme pembaruan bobot kriteria diterapkan untuk seluruh kriteria yang telah ditetapkan, sekecil apapun bobot pengaruhnya dalam proses kolaboratif. Dengan melakukan penyesuaian terhadap perubahan preferensi pengguna terhadap kriteria sumber informasi diharapkan sistem rekomendasi memiliki kualitas lebih baik, yang ditandai dengan tingginya akurasi prediksi dan berdampak positif terhadap peningkatan presisi rekomendasi.
Di sisi lain, penggunaan pendekatan multicriteria collaborative filtering memantik munculnya gagasan baru yang memperkaya fitur pengembangan model sistem rekomendasi. Gagasan pertama adalah modifikasi cara mengukur similaritas pengguna dengan menerapkan konsep jarak multidimensi. Sedangkan gagasan yang kedua adalah pengembangan algoritma prediksi rating suatu obyek rekomendasi dengan mengkombinasikan metode collaborative filtering dengan metode pencarian bobot kriteria. Gagasan ketiga terkait dengan pemanfaatan multikriteria untuk penentuan diversitas rekomendasi. Ketiganya sangat penting untuk dielaborasi lebih lanjut agar menghasilkan model sistem rekomendasi yang memberikan output yang relevan dengan kebutuhan pengguna.
8
1.2 Rumusan Masalah
Berdasarkan latar belakang yang sudah diuraikan sebelumnya, ditemukan beberapa permasalahan yang cukup mendasar dalam pengembangan sistem rekomendasi dengan menggunakan metode multicriteria collaborative filtering, yaitu :
1. Algoritma prediksi nilai rating tidak diaplikasikan pada seluruh kriteria obyek rekomendasi, namun hanya dipilih kriteria individual tertentu yang dianggap signifikan dan mewakili preferensi pengguna.
2. Belum ada algoritma prediksi nilai rating untuk kriteria overall yang mengkombinasikan collaborative filtering dan bobot kriteria individual. 3. Prosedur pembangkitan obyek rekomendasi masih dilakukan secara
konvensional, yakni hanya berdasarkan pada nilai-nilai prediksi rating, belum mempertimbangkan aspek diversitas.
1.3 Batasan Masalah
Sebagai domain penelitian yang relatif masih baru dalam bidang ilmu komputer, sistem rekomendasi berbasis multicriteria collaborative filtering memiliki ruang permasalahan yang amat luas (Said, 2012), sehingga satu penelitian tidak mungkin mencakup seluruh permasalahan. Oleh karena itu, penelitian ini dibatasi hanya pada dua masalah penting sebagai berikut :
a. Masalah peningkatan akurasi prediksi pada multicriteria collaborative filtering, khususnya prediksi rating untuk kriteria secara keseluruhan. Masalah ini sangat dipengaruhi oleh pendekatan yang digunakan dalam pengukuran similaritas pengguna, pembentukan user-neighborhood, perhitungan bobot kriteria obyek rekomendasi dan rumus prediksi. Untuk kepentingan ini maka masalah cold-start perlu diselesaikan terlebih dahulu (Nhat, 2008).
b. Masalah peningkatan presisi rekomendasi yang terjadi pada tahap pembangkitan obyek rekomendasi.
9
1.4 Tujuan Penelitian
Penelitian ini bertujuan untuk :
a. Meningkatkan akurasi prediksi multicriteria collaborative filtering yang diaplikasikan pada sistem rekomendasi dokumen ilmiah dengan mengakomodasi seluruh kriteria individual.
b. Meningkatkan akurasi prediksi kriteria overall dengan mengembangkan algoritma yang mengkombinasikan metode collaborative filtering dan bobot kriteria individual.
c. Meningkatkan presisi rekomendasi dengan memanfaatkan diversitas berbasis konten maupun kriteria. Sehingga pada tahapan pembangkitan rekomendasi terdapat dua proses, yaitu pengurutan dokumen secara descending berdasarkan nilai prediksi rating dan perhitungan nilai diversitas dokumen.
1.5 Manfaat Penelitian
Dalam ranah pengembangan ilmu pengetahuan dan teknologi informasi, penelitian ini memberikan manfaat berupa variasi model multicriteria collaborative filtering yang diterapkan pada sistem rekomendasi dokumen ilmiah. Sedangkan secara khusus, engine hasil penelitian ini dapat diletakkan dalam sistem manajemen dokumen ilmiah agar memberikan manfaat kepada para mahasiswa, pengajar dan peneliti berupa kemudahan dalam hal :
a. Mendapatkan referensi yang relevan untuk proses pengajaran.
b. Mendapatkan referensi penelitian yang lengkap dan komprehensif sesuai dengan bidang minat pengguna.
1.6 Kontribusi dan Keaslian Penelitian
Penelitian ini memberikan kontribusi berupa variasi model sistem rekomendasi dokumen menggunakan metode multicriteria collaborative filtering yang memiliki karakteristik sebagai berikut :
10
a. Similaritas pengguna dihitung menggunakan dua pendekatan, yakni rumus cosinus dan rumus jarak multidimensi.
b. Relasi antara kriteria overall dengan semua kriteria individual ditemukan dengan cara mengolah data multiratings yang dihasilkan sebelumnya. c. Prediksi rating overall dilakukan dengan mengkombinasikan metode
collaborative filtering dengan hasil perhitungan bobot kriteria individual. d. Pembangkitan rekomendasi dilakukan dengan mempertimbangkan
aspek diversitas dokumen berdasarkan konten dan kriteria.
Keaslian penelitian terletak pada tahap prediksi nilai multiratings dan penentuan diversitas dan pembangkitan rekomendasi yang alurnya ditunjukkan Gambar 1.1.
Gambar 1.1 Posisi Kontribusi Penelitian
Recommender Systems Hybrid Models Collaborative Filtering Item-Based
Similarity User-Based Similarity
Combination Similarity Content-Based Filtering Demographic Filtering Memory-Based Approach Model-Based Approach Knowledge-Based Filtering Community-Based Filtering Hybrid Approach Multi Criteria Single Criterion
Similarity-Based Prediction Combination-Based
Prediction
Criteria-Based Diversity
Content-Based Diversity
11
Dari Gambar 1.1 dapat diketahui alur pengembangan model yang dimulai dari awal sampai ditemukan novelty yang membedakannya dengan model sistem rekomendasi lain yang sudah dikembangkan sebelumnya. Dari enam metode information filtering sebagaimana yang dituliskan oleh Ricci, dkk. (2011), metode yang dipilih untuk dikembangkan adalah collaborative filtering, yang dasar teorinya dipaparkan Sub Bab 3.4. Di dalam collaborative filtering, terdapat tiga pendekatan untuk melakukan user profile matching (Vozalis, 2003) dan yang dipilih adalah memory-based approach agar bisa memanfaatkan data-data hasil rekaman interaksi pengguna dan sistem sebelumnya. Kemudian similaritas yang diaplikasikan adalah user-based dengan multicriteria approach yang urgensi penggunaannya dijelaskan pada Sub Bab 4.1.
Novelty pertama terletak pada tahap prediksi rating yang disebut dengan istilah combination-based prediction. Proses prediksi tersebut berbeda dengan apa yang sudah dilakukan para peneliti sistem rekomendasi berbasis multicriteria yang lain seperti Lakiotaki, dkk. (2008), Chapphannarungsri, dkk.(2009), Naak, dkk. (2009) dan Liu, dkk. (2011). Nilai rating untuk empat kriteria individual diprediksi menggunakan collaborative filtering klasik, sedangkan nilai rating kriteria overall diprediksi dengan metode kombinasi collaborative filtering dan perhitungan bobot kriteria individual yang dilakukan berdasarkan database multiratings yang telah dihasilkan sistem sebelumnya. Penjelasan combination-based prediction diberikan secara lengkap dan detail pada Sub Bab 4.4.2.
Sedangkan novelty yang kedua terletak pada tahapan pembangkitan obyek rekomendasi. Proses pembangkitan dilakukan melalui dua proses, yaitu proses sorting obyek rekomendasi dan proses perhitungan diversitas. Proses sorting didasarkan pada nilai rating hasil prediksi secara descending. Selanjutnya dipilih obyek rekomendasi yang masuk daftar Top-N untuk dihitung nilai diversitasnya, baik diversitas berbasis konten maupun kriteria. Obyek rekomendasi yang memiliki nilai diversitas yang tinggi dipilih untuk ditawarkan pada pengguna. Pemaparan secara detail tentang diversitas diberikan ecara terpisah pada Bab V.
12
1.7 Struktur Penulisan
Laporan hasil penelitian untuk mengembangkan metode multicriteria collaborative filtering yang diterapkan pada sistem rekomendasi dokumen ini ditulis dalam enam bab, dengan sistematika penulisan sebagai berikut :
Bab I Pendahuluan
Bagian pendahuluan ini menguraikan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, kontribusi dan keaslian penelitian, struktur penulisan laporan penelitian disertasi dan publikasi.
Bab II Tinjauan Pustaka
Bagian ini berisi hasil studi literatur terhadap berbagai hasil penelitian yang mengambil topik yang terkait dengan sistem rekomendasi dan dokumen ilmiah. Studi literatur diawali dengan analisis dan klasifikasi sistem rekomendasi yang menghasilkan klasifikasi domain aplikasi dan taksonomi sistem rekomendasi. Khusus untuk sistem rekomendasi berbasis collaborative filtering, studi literatur dibagi secara tematik yaitu arsitektur dan keamanan sistem rekomendasi, kinerja komputasi, akurasi prediksi, presisi rekomendasi dan diversitas rekomendasi. Selain itu juga diperkaya dengan studi tentang penerapan konsep multikriteria dalam sistem rekomendasi dan berbagai metode hybridisasi yang sudah dikembangkan para peneliti sebelumnya. Bagian ini diakhiri dengan deskripsi singkat, posisi penelitian yang dilakukan dan perbedaannya dengan metode sejenis yang telah dikembangkan peneliti sebelumnya.
Bab III Sistem Rekomendasi Berbasis Collaborative Filtering
Merupakan bagian yang memaparkan dasar-dasar teori yang melandasi penelitian yang meliputi arsitektur dasar sistem rekomendasi, profile generation and maintenance, profile exploitation, collaborative filtering. Juga diterangkan rumus perhitungan similaritas pengguna, rumus perhitungan similaritas item dan prediksi nilai rating. Bab ini diakhiri dengan teori pengujian performansi sistem rekomendasi, yakni akurasi prediksi, presisi rekomendasi, efisiensi dan running time. Selain itu dipaparkan juga identifikasi kriteria dokumen ilmiah.
13
Bab IV Pengembangan Metode Multicriteria Collaborative Filtering
Bab ini merupakan inti pertama dari laporan hasil penelitian yang dilakukan. Dimulai dari penjelasan tentang urgensi pemodelan sistem rekomendasi dengan menggunakan multicriteria, representasi multicriteria user profile, pembentukan user-neighborhood, perhitungan prediksi rating dan pembangkitan rekomendasi. Semua penjelasan tersebut diperkuat dengan contoh kasus agar memudahkan pemahaman terhadap proses yang terjadi. Selanjutnya dijelaskan konstruksi sistem rekomendasi yang diusulkan menggunakan variasi metode multicriteria collaborative filtering. Bab ini dilengkapi dengan hasil pengujian dan evaluasi terhadap sistem rekomendasi yang telah dikembangkan, meliputi aspek akurasi prediksi dan presisi rekomendasi.
Bab V Pengembangan Diversitas Rekomendasi Dalam MCF
Bab ini merupakan bagian inti kedua dari penelitian yang mengembangkan diversitas pada sistem rekomendasi yang menerapkan multicriteria collaborative filtering. Pembahasan mencakup diversitas berdasarkan konten dokumen dan diversitas berdasarkan kriteria. Pada akhir bab ini disajikan pula hasil pengujian pengaruh diversitas terhadap peningkatan presisi rekomendasi.
Bab VI Kesimpulan dan Saran
Bab ini menjelaskan kesimpulan hasil penelitian yang telah dilakukan dan merekomendasikan topik penelitian yang dapat dilanjutkan.
1.8 Publikasi
Penelitian ini menghasilkan tiga publikasi, yaitu :
1. Wiranto, Winarko, E., 2010, Konsep Multicriteria Collaborative Filtering Untuk Perbaikan Rekomendasi, Prosiding Seminar Nasional Informatika, Yogyakarta, 22 Mei 2010. Paper ini merupakan hasil literature review terhadap model pengembangan sistem rekomendasi, yang menghasilkan kesimpulan bahwa pendekatan multicriteria collaborative filtering banyak memberikan peluang untuk perbaikan kualitas rekomendasi.
14
2. Wiranto, Winarko, E., Hartati, S., Wardoyo, R., 2014, Improving The Prediction Accuracy of Multicriteria Collaborative Filtering by Combination Algorithms, International Journal of Advanced Computer Science and Applications (IJACSA), Volume 5 Issue 4, April 2014. Paper ini merupakan publikasi hasil pengembangan metode multicriteria collaborative filtering yang diaplikasikan pada sistem rekomendasi dokumen. Fokus dari paper ini adalah peningkatan akurasi prediksi dengan menggunakan algoritma kombinasi pada saat melakukan perhitungan nilai rating overall. Merujuk pada pendekatan pengukuran similaritas pengguna yang diterapkan, maka dapat dikembangkan dua variasi metode kombinasi. Secara detail, substansi publikasi ini dijelaskan pada bab IV.
3. Wiranto, Winarko, E., Hartati, S., Wardoyo, R., 2014, The Effect of Diversity Implementation on Precision in Multicriteria Collaborative Filtering, International Journal of Advanced Computer Science and Applications (IJACSA), Volume 5 Issue 5, May 2014. Publikasi ini berisi hasil pengembangan diversitas rekomendasi, baik yang diversitas berbasis konten maupun berbasis kriteria dokumen. Pada tahapan pembangkitan rekomendasi, setelah dilakukan sorting terhadap dokumen berdasarkan nilai prediksi rating kemudian dilanjutkan dengan pengukuran diversitas sebelum diberikan kepada pengguna aktif. Hasil penerapan diversitas ternyata memberikan pengaruh yang signifikan terhadap peningkatan presisi rekomendasi. Materi publikasi ini secara lengkap dipaparkan pada bab V.
