ISSN : 2502-8928 (Online) 227
Received June 1st,2012; Revised June 25th, 2012; Accepted July 10th, 2012
PEMBUATAN WEB E-COMMERCE PADA TOKO
KENIME STORE MENGGUNAKAN SISTEM
REKOMENDASI BERBASIS METODE
COLLABORATIVE FILTERING DENGAN
ALGORITMA ADJUSTED COSINE SIMILARITY
Laode Aldhi Maulana Ramadhan *1, Sutardi2, Jumadil Nangi3 *1,2,3
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Halu Oleo, Kendari
e-mail : *1hiruma.graphics@gmail.com,2sutardi.hapal@gmail.com, 3madilstmikh@yahoo.co.id Abstrak
Sistem penjualan yang digunakan di Kenime Store saat ini masih menggunakan fasilitas social
media atau secara konvensional karena belum memiliki website e-commerce sehingga penjualan
masih minim. Permasalahan yang juga sering dialami oleh toko Kenime Store dan toko-toko serupa lainnya adalah website yang dibangun selalu bersifat standar, dimana menu-menu yang ada pada
website selalu sama. Padahal barang yang ditawarkan sangat menarik dan membutuhkan sebuah
strategi pemasaran dimana barang selalu up-to-date, sehingga pembeli semakin senang berbelanja. Algoritma Adjusted cosine similarity adalah algoritma yang dibuat untuk mengatasi kelemahan algoritma dasarnya, yaitu algoritma cosine similarity. Algoritma cosine similarity adalah algoritma yang juga dikenal sebagai algoritma vector-based. Formula algoritma ini menunjukkan dua buah item yang berhubungan dan rating nya, lalu mendefinisikan kemiripan diantaranya sebagai sebuah sudut diantara vektor-vektornya.
Hasil yang didapatkan pada penelitian selama perancangan sampai implementasi sistem web
e-commerce pada toko Kenime Store menggunakan sistem rekomendasi berbasis metode collaborative filtering dengan algoritma adjusted cosine similarity adalah sebuah aplikasi web E-Commerce pada
Toko Kenime Store menggunakan Sistem Rekomendasi Berbasis Metode Collaborative Filtering dengan Algoritma Adjusted Cosine Similarity dimana sistem memberikan rekomendasi barang kepada pembeli (user) sesuai dengan kedekatannya dengan pembeli (user) lain yang mirip dalam pola pembelian barang.
Kata kunci— E-Commerce, Adjusted Cosine Similarity, Rekomendasi.
Abstract
The sales system used in the Kenime Store is still using social media facilities or conventionally because it does not have an e-commerce website so sales are still minimal. The problems that are also often experienced by the store Kenime Store and other similar stores is a website that is built is always a standard, where the menus are on the website is always the same. Though the goods offered are very interesting and require a marketing strategy where the goods are always up-to-date, so that buyers are more happy to shop.
Adjusted cosine similarity algorithm is an algorithm designed to overcome the weakness of its basic algorithm, ie cosine similarity algorithm. Cosine similarity algorithm is an algorithm also known as a vector-based algorithm. This algorithm formula shows two related items and its rating, then defines the similarities between them as an angle between the vectors.
Similarity where the system provides goods recommendations to the buyer (user) in accordance with their proximity to other similar (buyers) in the purchase pattern of the goods.
Keywords— E-Commerce, Adjusted Cosine Similarity, Recommendation.
1. PENDAHULUAN
erdagangan atau perniagaan pada umumnya adalah pekerjaan membeli barang dari suatu tempat dan suatu waktu dan menjual barang tersebut di tempat dan waktu lainnya untuk memperoleh keuntungan [1]. Sejalan dengan perkembangan manusia diikuti perkembangan teknologi informasi dan komunikasi, cara dan sarana yang digunakan dalam proses perdagangan senantiasa berubah. Perdagangan terbaru yang kian memudahkan penggunanya dalam melakukan proses transaksi ialah perdagangan secara online, atau biasa yang disebut dengan
Electronic Commerce (e-commerce).
Pengguna bisnis e-commerce sudah merambah berbagai negara di dunia, baik negara maju sampai negara yang masih berkembang termasuk Indonesia. Bahkan dalam era sekarang ini, bisnis e-commerce dianggap sebagai jalur terbaik dibandingkan jenis bisnis lain. Selain biaya yang bisa dipangkas dengan baik, daerah pemasaran yang begitu luas membuat potensi e-commerce tidak bisa dianggap sebelah mata. Dengan jumlah pengguna internet yang mencapai angka 82 juta orang atau sekitar 30% dari total penduduk Indonesia, e-commerce menjadi tambang emas yang menguntungkan bagi sebagian orang yang bisa melihat potensi ke depannya [2].
Toko Kenime Store merupakan perusahaan perdagangan yang bergerak di bidang penjualan berkategori koleksi dan hobi yang melakukan penjualan secara retail. Produk yang dijual diimpor dari Jepang dan juga berasal dari pengrajin lokal dan memiliki target pasar penghobi Anime Jepang. Beberapa contoh jenis item yang dijual adalah Action
Figure, Static Figure, Model Kit, Merchandise
hingga T-shirt. Namun, toko ini mengalami banyak kendala di bidang pemasaran.
Sistem penjualan yang digunakan di Kenime Store saat ini masih menggunakan fasilitas social media atau secara konvensional (bertemunya antara penjual dan pembeli dan melakukan pembayaran saat itu juga) karena
belum memiliki website e-commerce sehingga penjualan masih minim. Dengan menggunakan fasilitas social media sebagai sarana penjualan maka lingkup penjualan dan promosi pun masih kecil karena hanya orang-orang yang tergabung dengan akun Facebook Kenime Store saja yang dapat dijangkau. Permasalahan yang juga sering dialami oleh toko Kenime Store dan toko-toko serupa lainnya adalah
website yang dibangun selalu bersifat standar,
dimana menu-menu yang ada pada website selalu sama. Padahal barang yang ditawarkan sangat menarik dan membutuhkan sebuah strategi pemasaran dimana barang selalu
up-to-date, sehingga pembeli semakin senang
berbelanja.
Penelitian ini bersandar pada rujukan beberapa penelitian sebelumnya seperti yang dilakukan oleh [3]. Sistem ini dibuat untuk membantu memberikan rekomendasi produk sepatu dari toko Platinum Shoes kepada pelanggan. Metode ini menggunakan rekomendasi kepada user dihitung dengan menentukan item yang mirip dengan item lain yang disukai oleh pelanggan.
Kemudian [4] dimana sistem ini dibuat dengan metode item-based dengan algoritma
Slope One. Algoritma ini mencari korelasi
antar item berdasarkan “beda popularitas”. Penelitian selanjutnya dilakukan oleh [5] dengan judul Pembuatan Website Movie dengan Sistem Recommender Berbasis Metode
Collaborative Filtering. Sistem ini dibangun
dengan algoritma Adjusted Cosine Similarity, namun memodifikasinya dengan pendekatan
user-based untuk memberikan rekomendasi
film kepada penggunannya.
Dari rujukan diatas, dapat dilihat terdapat beberapa penilitian yang pernah dilakukan menggunakan metode collaborative
filtering. Dari sini penulis berangkat untuk
menggabungkan teori-teori dari penelitian yang sudah ada untuk diterapkan pada sebuah sistem yang baru, yaitu sebuah web
e-commerce dengan metode collaborative
filtering dan algoritma adjusted cosine similarity.
2. METODE PENELITIAN
2.1 E-Commerce
Menurut [6] E-commerce adalah sebuah bentuk transaksi yang berhubungan dengan aktivitas komersial, baik itu organisasi maupun individual yang berdasarkan pengolahan dan transmisi data yang terdigitalisasi, termasuk teks, suara dan gambar visual. Pada umumnya e-commerce mengacu pada aplikasi perdagangan yang menggunakan media internet untuk melakukan transaksi online, seperti untuk belanja produk dan jasa. Contohnya terjadi ketika konsumen melakukan order, produk berwujud maupun tidak berwujud melalui internet.
Kegiatan e-commerce mencakup banyak hal, untuk menbedakannya e-commerce
dibedakan menjadi 4 bagian:
1. B2B (Business to Business)
Hal ini berarti kedua pihak perusahaan melakukan transaksi bisnis dalam menjalankan usahanya.
2. B2C (Business to Consumer)
Definisi ini berarti transaksi e-commerce merupakan transaksi di mana para pembeli merupakan konsumen individu.
3. C2C (Consumer to Consumer)
Disini konsumen menjual secara langsung satu sama lain melalui iklan elektronik atau situs pelanggan.
4. C2B (Consumer to Business)
Kategori ini mendefinisikan individu menjual barang-barang atau jasa ke perusahaan.
Gambar 1 menunjukkan ruang lingkup dari e-commerce.
Gambar 1 Ruang Lingkup E-commerce
1. Electronic Business, merupakan lingkup
aktivitas perdagangan secara elektronik dalam arti luas.
2. Electronic Commerce, merupakan
lingkup perdagangan yang dilakukan secara elektronik, dimana didalamnya termasuk:
a. Perdagangan via internet (Internet
Commerce)
b. Perdagangan dengan fasilitas web Internet (Web-Commerce)
c. Electronic Data Interchange/EDI
Di dalam bagan terdapat bagian yang beririsan dikarenakan pengertian EDI dapat tergabung kedalam web commerce atau
internet commerce. Seperti misalnya penjualan
buku dengan sistem B2B yang kemudian buku tersebut dikirim melalui pos. Namun EDI tidak bisa dikaitkan secara keseluruhan sebagai proses perdagangan karena sifat dari EDI adalah tertutup pada orang-orang yang telah melakukan kesepakatan diawal [7].
2.2 Sistem Rekomendasi
Sistem rekomendasi adalah sebuah suatu alat dan teknik yang menyediakan saran terkait suatu hal untuk dapat dimanfaatkan oleh user [8]. Pada layanan e-commerce, saran yang diberikan dapat berupa produk maupun jasa yang ditawarkan. Perusahaan Amazon merupakan salah satu penyedia layanan
e-commerce yang menerapkan sistem
rekomendasi dan penerapan sistem rekomendasi tersebut membuat perusahaan seperti Amazon dapat memberikan layanan yang bersifat personal kepada pengunjung
website. Selain itu, intensitas pengguna
layanan dalam hasil rekomendasi serta membeli produk yang direkomendasikan sangat tinggi, melebihi konten yang ditampilkan tanpa melalui sistem rekomendasi seperti iklan berupa spanduk pada halaman
website ataupun bagian daftar barang yang
paling laku dijual.
Sistem rekomendasi dapat dikategorikan atas [9] :
1. Cara sistem memperoleh data yang dibutuhkan :
a. Content-Based Filtering
preferensi pengguna untuk membuat model dari pengguna tersebut.
b. Collaborative Filtering
Collaborative filtering tidak hanya
menggunakan informasi yang diperoleh untuk pengguna yang aktif tersebut, tapi juga digunakan untuk memberikan rekomendasi kepada pengguna lain dengan preferensi yang serupa.
c. Hybrid Recommender System
Hybrid recommender system
menggabungkan pendekatan antara
content-based filtering dan collaborative-filtering.
Penggabungan dapat dilakukan salah satunya dengan membuat rekomendasi secara terpisah kemudian menggabungkan hasilnya sehingga memberikan kapabilitas collaborative filtering kepada hasil rekomendasi dari content-based
filtering atau sebaliknya. Penggabungan juga
dapat dilakukan dengan menggabungkannya ke dalam sebuah model.
2. Berdasarkan interaksi sistem dan penggunanya:
a. Pendekatan Reaktif.
Pendekatan reaktif melibatkan proses komunikasi yang mengharuskan interaksi secara eksplisit dengan pengguna baik melalui
query ataupun feedback pengguna.
b. Pendekatan Proaktif
Pendekatan proaktif mempelajari preferensi pengguna dan memberi rekomendasi berdasarkan informasi yang dipelajari, tidak mengharuskan pengguna memberi feedback secara eksplisit kepada sistem untuk dapat memperoleh rekomendasi.
3. Informasi yang digunakan untuk menghasilkan rekomendasi
a. Item-Related Information
Item-related information berfokus pada item yang dinilai, dimasukkan ke keranjang
belanja, dibeli ataupun dilihat pengguna dalam menentukan item-item yang akan direkomendasikan.
b. User-Related Information
User-related information berfokus pada
profil dan preferensi pengguna dalam menentukan item-item yang akan direkomendasikan.
4. Bagaimana profil pengguna disimpan
a. Memory-based
Memory-based menyimpan seluruh data
dan menarik kesimpulan berdasarkan data-data tersebut dalam memberikan rekomendasi.
b. Model-based
Model-based membagi proses atas 2 fase.
Fase pertama dilakukan secara offline, dimana data pengguna dikumpulkan dan sebuah model dari pengguna dihasilkan untuk digunakan di interaksi online yang akan datang. Fase kedua dilakukan secara real-time saat pengunjung baru mulai berinteraksi dengan website, data dari session pengguna di saat tersebut diperoleh dan rekomendasi diberikan menggunakan model-model yang telah dihasilkan sebelumnya.
2.3 Adjusted Cosine Similarity
Algoritma Adjusted cosine similarity adalah algoritma yang dibuat untuk mengatasi kelemahan algoritma dasarnya, yaitu algoritma
cosine similarity. Algoritma cosine similarity
adalah algoritma yang juga dikenal sebagai algoritma vector-based. Formula algoritma ini menunjukkan dua buah item yang berhubungan dan rating nya, lalu mendefinisikan kemiripan diantaranya sebagai sebuah sudut diantara vektor-vektornya.
Algoritma Adjusted cosine similarity berusaha mengatasi kelemahan algoritma
cosine similarity, dimana dalam hal merating, user memiliki perbedaan skema. Ada yang
member rating tinggi untuk sebuah item, lalu memberi rating rendah pada item lainnya. Lalu, untuk item yang sama, item tersebut diberi rating biasa dan rendah. Untuk menyeimbangkan nilai rating nya, maka dihitunglah rata-rata dari masing masing user.
Tahapan tahapan dalam perhitungan ini dapat dibagi menjadi tiga tahapan penting, yaitu Data Preparation, Mencari Pola.
1. Data Preparation
Pengimplementasian Collaborative Filtering dengan metode apapun, pada
Tahap pertama, data preparation, tahap berikutnya, yaitu pencarian pola selera pelanggan yaitu pembentukan tabel yang nantinya akan membentuk tabel akhir yang diistilahkan dengan nama tabel similarity.
Tahap terakhir, pemberian rekomendasi. Pada fase data preparation, pengguna memberikan rating ke film yang pernah dilihat. Rating yang diberikan berkisar antara 1 sampai dengan 10. Nilai 1 diberikan dengan asumsi bahwa film tersebut tidak patut untuk dilihat, dari nilai 1 akan beranjak ke 2, 3 dan seterusnya sampai dengan nilai 10 yang diasumsikan bahwa film tersebut patut untuk ditonton. Tabel 1 berisikan 10 film beserta
rating dan berapa banyak orang yang rating. Field dari rating didapat dari rata-rata setiap rating yang diberikan oleh setiap user. Berikut
akan diberikan contoh pemberian rating dari 5
user sampai dengan diketemukan nilai similarity dari user 1 ke user lain.
Tabel 1 menunjukkan contoh tabel film sebagai ilustrasi perhitungan.
Tabel 1 Contoh Tabel Film
Judul Rating Jumlah orang
rating merating film tersebut dibagi dengan jumlah orang yang merating film bersangkutan. Field jumlah orang rating berisikan jumlah orang yang pernah merating film tersebut. Setiap
user yang merating film tertentu disimpan
datanya ke suatu tabel yaitu tabel rating. Dalam tabel rating disebutkan setiap user merating film apa saja dan berapa ratingnya seperti pada contoh tabel rating pada Tabel 2.
Tabel 2 Contoh Tabel Rating
User 1 User 2 User 3 User 4 User 5
rating 4. Jumlah rating 4 didapat dari 4 orang
yang merating yaitu User I, User II, User III, dan User V yang dapat dilihat pada Tabel 2. Field rating dari Tabel 1 didapat dari rating
User I terhadap Pocong vs Kuntilanak
ditambah dengan rating User II terhadap Pocong vs Kuntilanak ditambah dengan rating
User III terhadap Pocong vs Kuntilanak
ditambah dengan rating User IV terhadap Pocong vs Kuntilanak. Jadi perhitungannya adalah (5+7+7+5)/4 = 6.
2. Pencarian Pola
Setelah melewati tahap preparation
(persiapan), data yang didapat siap diolah untuk menemukan CI. Langkah berikutnya adalah menentukan nilai kemiripan similarity suatu user dengan user lainnya. Nilai tersebut dikenal dengan isitilah Commonality Index (CI). Proses ini dapat dikatakan sebagai proses pencarian pola selera pelanggan yang terdaftar dan pernah memberikan rating pada suatu film. Semakin tinggi nilai CI suatu pasangan
user menandakan bahwa kedua user tersebut
memiliki kemiripan dalam hal selera film. Algoritma yang dipakai dalam penelitian ini adalah adjusted cosine similarity yang ditunjukkan pada Persamaan (1).
( , )
= ∑( , −
∑ , − ∑ , −
Dalam algoritma tersebut, dibandingkan antara similarity dari film 1 ke film lainnya, sedangkan pada penelitian ini similarity dimodifikasi menjadi similarity antara user. Algoritma akan menghitung kedekatan user 1 dengan user lainnya. Setelah semua data yang berada di tabel film dan tabel rating dihitung menggunakan algoritma adjusted cosine similarity. Hasil perhitungan similarity antar user dimasukkan ke tabel similarity. Semua similarity dihitung apabila user sama-sama
merating film yang sama. Film yang tidak dirating oleh salah satu dari user tidak dihitung. Sebagai contoh perhitungan dari hasil tabel similarity diambil dari User I dan
User II sebagai berikut:
Pada contoh perhitungan terdapat nilai 0, apabila terdapat nilai 0 berarti tidak dihitung karena rating 0 dan tidak merating berbeda. Dalam perhitungan tersebut perhitungan (0- 5.5)(4-5.5), 2)(3-2), 5.5)(8-5.5), (4-4) (0-4) tidak dianggap. Begitu pula dengan penyebut, nilai (0-5.5), (0-2), (0-5.5), 4), (4-5.5), (3-2), (8-5.5) serta (0-4) juga tidak dihitung. Setelah nilai yang tidak dihitung hilang akan tersisa sehingga dihasilkan
similarity seperti yang ditunjukkan Tabel 3.
Tabel 3 Contoh Tabel Similarity
User 1 User 2 User 3 User 4 User 5
3. Penyusunan Rekomendasi
Pada tahap ini tabel similarity sudah terbentuk seperti yang terlihat pada Tabel 2.3. Bila dilihat pada Tabel 2.3 dapat disimpulkan bahwa tingkat similarity pasangan User I dengan User II, User II dengan User IV, User III dengan User I, User IV dengan User II serta User V dengan User IV memiliki
similarity yang paling tinggi. Semakin tinggi
hasil similarity, tingkat kesamaan film antar
user juga akan tinggi. Setelah mendapatkan
hasil similarity dan mengetahui user yang memiliki tingkat similarity paling tinggi, 3
user yang memiliki CI tertinggi diambil untuk
dicari film yang pernah dirating dan dipakai sebagai rekomendasi film. Berikut akan dijelaskan dengan menggunakan salah satu
contoh. User I memiliki similarity paling
User IV. Film yang pernah dirating oleh User
II, User III, dan User IV akan
direkomendasikan.
2.4 Personal Home Page
Bahasa pemrograman Personal Home
Page (PHP) adalah bahasa pemograman script server-side yang didesain untuk pengembangan web, tetapi juga bisa digunakan sebagai bahasa pemrograman umum [10]. Kemudahan dan kepopuleran PHP sudah menjadi standar bagi programmer web di seluruh dunia.
Menurut [11], PHP merupakan bahasa pemograman web yang bersifat server-side
HTML=embedded scripting, di mana
script-nya mescript-nyatu dengan HTML dan berada pada sisi server. Artinya adalah sintaks dan perintah-perintah yang diberikan akan sepenuhnya dijalankan di server tetapi disertakan HTML biasa. PHP dikenal sebagai bahasa scripting yang menyatu dengan tag HTML, dieksekusi di server dan digunakan untuk membuat halaman web yang dinamis seperti ASP (Active Server Pages) dan JSP (Java Server Pages).
Kelebihan yang dimiliki bahasa pemrograman PHP dibandingkan bahasa pemrograman lain, yaitu [10] :
1. Bahasa pemrograman PHP adalah sebuah bahasa script yang tidak melakukan sebuah kompilasi dalam penggunaannya. 2. Web Server yang mendukung PHP dapat
ditemukan dimana-mana dari mulai IIS sampai dengan apache, dengan konfigurasi yang relatif mudah.
3. Dalam sisi pengembangan lebih mudah, karena banyaknya milis-milis dan
developer yang siap membantu dalam
pengembangan.
4. Dalam sisi pemahaman, PHP adalah bahasa scripting yang paling mudah karena referensi yang banyak.
5. PHP adalah bahasa open source yang dapat digunakan di berbagai mesin (linux,
unix, windows) dan dapat dijalankan
dapat menjalankan perintah-perintah sistem.
6. PHP adalah bahasa pemrograman script yang paling banyak dipakai saat ini. 7. PHP banyak dipakai untuk memrogram
situs web dinamis, walaupun tidak tertutup kemungkinan digunakan untuk pemakaian lain. Contoh terkenal dari aplikasi PHP adalah phpBB dan MediaWiki (software di belakang Wikipedia).
8. PHP juga dapat dilihat sebagai pilihan lain dari ASP.NET/C#/VB.NET
Microsoft, ColdFusion Macromedia,
JSP/Java SunMicrosystems, dan
CGI/Perl. Contoh aplikasi lain yang lebih kompleks berupa Content Management
System yang dibangun menggunakan PHP
adalah Mambo, Joomla!,Postnuke, Xaraya dan lain-lain.
3. HASIL DAN PEMBAHASAN
Implementasi rancangan antarmuka terbagi menjadi beberapa bagian utama, yaitu:
1. Halaman Login
Pada halaman ini merupakan halaman
login dari sistem. Untuk masuk ke halaman
utama aplikasi, user harus memasukkan
username dan password terlebih dahulu.
Tampilan Halaman Login dapat dilihat pada Gambar 2.
Gambar 2 Halaman Login
2. Halaman Home
Halaman ini merupakan halaman awal saat pengguna melakukan login ke aplikasi. Pada Halaman Home juga terdapat menu Cart serta informasi produk-produk yang ditawarkan dan juga detail produk. Tampilan Halaman Home dapat dilihat pada Gambar 3.
Gambar 3 Halaman Home
3. Halaman Menu Cart
Pada halaman ini ditampilkan keranjang belanja atau produk-produk yang akan dibeli oleh konsumen. Menu ini berisi item yang dibeli, harga, kuantitas dan total harga yang harus dibayar Tampilan Halaman Cart dapat dilihat pada Gambar 4.
Gambar 4 Halaman Menu Cart
4. Halaman Checkout
Pada halaman ini merupakan halaman jika konsumen akan melakukan pembayaran. Halaman ini berisi form yang terdiri dari informasi pribadi untuk melakukan transaksi. Selain itu, ditampilkan juga nomor rekening untuk melanjutkan transaksi. Tampilan halaman Checkout dapat dilihat pada Gambar 5.
5. Halaman Detail
Pengguna dapat memberikan rating
terhadap salah satu produk untuk memberikan nilai rekomendasi. Tampilan halaman Detail dapat dilihat pada Gambar 6.
Gambar 6 Halaman Detail
Berdasarkan hasil pengujian dengan metode Black Box dengan kasus uji sample di atas dapat ditarik kesimpulan bahwa perangkat lunak yang telah dirancang secara fungsional mengeluarkan hasil sesuai dengan yang diharapkan. Hal ini dibuktikan dengan hasil pengujian dimana semua skenario uji selesai dan tidak memiliki error sama sekali.
4. KESIMPULAN
Berdasarkan penelitian yang telah dilakukan selama perancangan sampai implementasi sistem web e-commerce pada toko Kenime Store menggunakan sistem rekomendasi berbasis metode collaborative
filtering dengan algoritma adjusted cosine similarity ini, maka dapat diambil beberapa
kesimpulan sebagai berikut:
1. Telah berhasil dibuat web E-Commerce pada Toko Kenime Store menggunakan Sistem Rekomendasi Berbasis Metode
Collaborative Filtering dengan Algoritma Adjusted Cosine Similarity.
2. Sistem memberikan rekomendasi barang kepada pembeli (user) sesuai dengan kedekatannya dengan pembeli (user) lain yang mirip dalam pola pembelian barang.
5. SARAN
Adapun saran dalam penelitian ini adalah:
1. Perlu dilakukan pengembangan dalam tampilan website.
2. Memilih seorang administrator yang terlatih dan bertanggung jawab baik dalam penggunaan maupun pemeliharaan program aplikasi.
DAFTAR PUSTAKA
[1] Fachrizal, Helmy. 2013. Pengaruh ROA,
ROE dan IOS Terhadap Nilai
Perusahaan. Jakarta : Fakultas Ekonomi
dan Bisnis UIN Syarif Hidayatullah
[2] Kurniawan, Rulianto. 2009. Berjualan di
Facebook untuk Orang Awam.
Palembang : Maxicom
[3] Kurniawan, Arif. 2016. Sistem Rekomendasi Produk Sepatu dengan Menggunakan Metode Collaboritve
[4] Masruri, Farid. 2007. Personalisasi Web
E-Commerce Menggunakan
Recommender System Dengan Metode Item-Based Collaborative Filtering.
Malang : Jurnal Teknologi Informasi
[5] Purwanto, Devi Dwi. 2011. Pembuatan
Website Movie dengan Sistem
Recommender Berbasis Metode
Collaborative Filtering. Surabaya :
Jurnal Prosiding Konferensi Nasional Inovasi dalam Desain dan Teknologi
[6] Chaffey, Dave. 2009. Business and
E-Commerce Management. 4th Edition.
New Jersey : Prentice Hall, Inc
[7] Sanusi, Rasyad. 2005. Hukum Dan
Internet Di Indonesia. UII Press
Yogyakarta : UII Press
[8] Wen, Zhang. 2008. Recommendation
System Based on Collaborative
Filtering. Stanford
[9] Swearingen, Kirsten dan Sinha, Rashmi. 2001. Beyond Algorithms : An HCI
Perspective on Recommender Systems.in
ACM SIGIR 2001 Workshop on
[10] Dwiartara, Loka. 2011. Menyelam dan
Menaklukkan Samudra PHP. Bogor :
Ilmu Website
[11] Syafii, Muh. 2004. Membangun
Aplikasi Berbasis PHP dan MySQL.