6
BAB II
LANDASAN TEORI
Pada bab ini akan diterangkan teori-teori yang mendasari dari penelitian yang akan dilakukan oleh penulis yang diantaranya meliputi : UKM Wisata, Sistem Rekomendasi, Collaborative Filtering dan, framework laravel.
2.1 UKM Wisata
UKM Wisata merupakan usaha kecil menengah yang berada di lokasi wisata yang umumnya merupakan usaha perseorangan atau kelompok kecil tanpa modal yang besar, mereka menjajakan hasil karya dalam bentuk makanan, kerajinan tangan, aksesoris, pakaian, bahkan jasa yang biasanya merupakan bentuk kearifan lokal daerah tersebut sebagai buah tangan bagi wisatawan yang berkunjung ke lokasi wisata, yang mana juga sebagai upaya meningkatkan pendapatan daerah tersebut, dan sebagai bentuk kepedulian pemerintah kegiatan ini biasanya mendapatkan dukungan atau bantuan dari pemerintah daerah dalam bentuk alokasi dana sesuai pendapatan atau besar kecilnya produksi UKM tersebut dan juga pembinaan untuk meningkatkan daya saing SDM usaha kecil menegah khususnya.
2.2 Sistem Rekomendasi
Sistem rekomendasi merupakan model aplikasi dari hasil observasi terhadap keadaan dan keinginan pelanggan. Oleh karena itu sistem rekomendasi memerlukan model rekomendasi yang tepat agar yang direkomendasikan sesuai dengan keinginan pelanggan, serta mempermudah pelanggan mengambil keputusan yang tepat dalam menentukan produk yang akan digunakannnya (McGinty dan Smyth., 2006). Menurut Sebastia, L et al (2009) sistem rekomendasi merupakan sebuah (web) alat personalisasi yang menyediakan pengguna sebuah informasi daftar item-item yang sesuai dengan keinginan masing-masing pengguna. Sistem rekomendasi menyimpulkan preferensi pengguna dengan menganalisis ketersediaan data pengguna, informasi tentang pengguna dan lingkungannya (Sebastia, L et al., 2009). Oleh karena itu Sebastia, L et al (2009) menyatakan sistem
7 rekomendasi akan menawarkan kemungkinan dari penyaringan informasi personal sehingga hanya informasi yang sesuai dengan kebutuhan dan preferensi pengguna yang akan ditampilkan di sistem dengan menggunakan sebuah teknik atau model rekomendasi. Berdasarkan metode rekomendasi yang sering digunakan, sistem rekomendasi dibagi dalam beberapa klasifikasi yaitu: content-based recommendation, collaborative-based recommendation dan hybrid-based recommendation dan beberapa peneliti menambahkan metode knowledge based recommendation.
Tabel 2.01 Klasifikasi Sistem Rekomendasi
2.2.1 Content-based recommendation
Menurut Bogers & Bosh (2007) content-based recommendation adalah hasil dari penelitian penyaringan informasi dalam sistem berbasis konten. Sistem rekomendasi berbasis konten dimulai dengan memahami kebutuhan user (pengguna), preferensi dan kendala jika ada. Informasi ini digabungkan dengan log dari interaksi user sebelumnya (jika ada) untuk membangun profil pengguna (Sharda N., 2007).
2.2.2 Collaborative-based recommendation
Adomavicius & Tuzilin (2005) menyatakan sistem collaborative-based recommendation adalah metode yang digunakan untuk memprediksi kegunaan item berdasarkan penilaian pengguna sebelumnya. Metode ini merekomendasikan item- item yang dipilih oleh pengguna lain dengan
8 kemiripan model item dari pengguna saat ini (Sebastia, L et al., 2009).
2.2.3 Hybrid-based recommendation
Hybrid recommender system digunakan untuk menggambarkan setiap sistem rekomendasi yang menggabungkan beberapa teknik rekomendasi untuk menghasilkan sebuah output (Burke, R.,2007).
2.3 Collborative Filtering
Collaborative filtering merupakan proses penyaringan atau pengevaluasian item menggunakan opini orang lain (Schafer dkk, 2007). Collaborative filtering melakukan penyaringan data berdasarkan kemiripan karakteristik konsumen sehingga mampu memberikan informasi yang baru kepada konsumen karena sistem memberikan informasi berdasarkan pola satu kelompok konsumen yang hampir sama. Perbedaan minat pada beberapa anggota kelompok menjadikan sumber informasi baru yang mungkin bermanfaat bagi anggota kelompok lainnya. Secara umum proses pemberian rekomendasi terdiri atas tiga langkah, yaitu: penemuan similar user, pembuatan ketetanggaan (neighborhood), dan penghitungan prediksi berdasarkan tetangga yang dipilih (Akhiro, 2008). Collaborative filtering menghasilkan prediksi atau rekomendasi.
Bagi pengguna atau pelanggan yang dituju terhadap satu item atau lebih. Item dapat terdiri atas apa saja yang dapat disediakan manusia seperti misalnya buku, film, seni, artikel, atau tujuan wisata. Rating dalam collaborative filtering dapat berbentuk, (a) model rating skalar yang terdiri atas rating numerik seperti 1 sampai 5 (b) model rating biner dengan memilih antara setuju atau tidak setuju, atau dapat pula baik atau buruk (c) rating unary dapat mengindikasikan bahwa pengguna telah mengobservasi atau membeli item atau merating item dengan positif. Tidak tersedianya rating mengindikasikan tidak terdapat informasi yang menghubungkan pengguna dengan item. Rating dapat dikumpulkan secara eksplisit, implisit, ataupun gabungan antara eksplisit dan implisit. Rating eksplisit yaitu rating yang
9 didapatkan pada saat pelanggan/pengguna diminta menyediakan opini terhadap item tertentu. Rating implisit yaitu rating yang didapatkan melalui aksi yang dilakukan pelanggan. Untuk memperjelas penjelasan bagaimana proses collaborative filtering memberikan rekomendasi, maka dapat dilihat proses collaborative filtering pada gambar berikut ini.
Gambar 2.01 Collaborative Filtering proses
2.3.1 Algoritma Collaborative Filtering
Schafer membagi algoritma collaborative filtering ke dalam dua kelas yang berbeda menurut teori dan kepraktisannya, yaitu algoritma non-probabilistik dan algoritma non-probabilistik. Suatu algoritma dianggap probabilistik bila algoritma tersebut berdasarkan model probabilistik. Algoritma tersebut mewakili distribusi probabilitas saat menghitung prediksi rating atau daftar rangking rekomendasi. Algoritma non-probabilistik yang terkenal yaitu nearest neighbours algorithm. Algoritma ini dibagi menjadi dua kelas yaitu user-based dan item-based (Schafer dkk, 2007).
(a) User-Based Collaborative Filtering
User-based Collaborative menggunakan teknik statistika untuk menemukan sekumpulan pengguna, dikenal sebagai tetangga (neighbour), yang memiliki sejarah setuju dengan pengguna yang menjadi sasaran. Setelah sekumpulan tetangga terbentuk, system menggunakan algoritma yang berbeda untuk menggabungkan kesukaan neighbours untuk menghasilkan prediksi atau rekomendasi N-teratas untuk active user.
10 Gambar 2.02 Bentuk User-based Collaborative Filtering
Rekomendasi user-based collaborative memanfaatkan rating user atau data transaksi. System mencari user-user yang memiliki korelasi yang tinggi kemudian merekomendasikan item-item yang disukai oleh user-user itu. Misalnya user X menyukai item A, item B, dan item C sementara user Y menyukai item B, item C, dan item D. Maka system akan merekomendasikan item D pada user X dan item A pada user Y. Gambar 1 menunjukkan pseudocode untuk algoritma user-based collaborative.
Gambar 2.03 Algoritma User-based Collaborative
11 Mirip seperti rekomendasi user-based collaborative, rekomendasi item-based collaborative memanfaatkan rating user atau data transaksi. Yang membedakan adalah korelasi yang dicari. Rekomendasi item-based collaborative mencari korelasi diantara item-item yang dipilih user kemudian merekomendasikan item-item yang berkorelasi itu pada user yang lain. Item-based collaborative merupakan metode rekomendasi yang didasari atas adanya kesamaan antara pemberian rating terhadap suatu produk dengan produk yang dibeli. Dari tingkat kesamaan produk, kemudian dibagi dengan parameter kebutuhan pelanggan untuk memperoleh nilai kegunaan produk. Produk yang memiliki nilai kegunaan tertinggilah yang kemudian dijadikan rekomendasi. Metode ini muncul sebagai solusi untuk beberapa permasalahan pada user-based collaborative filtering yaitu pada masalah keterbataan (sparsity) dan skalabilitas serta masalah waktu dan memori.
Gambar 2.04 Bentuk Item-based Collaborative Filtering
Pada awalnya, item-based collaborative akan menghitung nilai kemiripan antara item yang satu dengan item yang lainnya berdasarkan rating yang diberikan oleh user. Nilai kemiripan antara dua item itu didapat dengan menghitung rating kedua item tersebut menggunakan rumus Pearson Correlation atau Adjusted Cosine.
12 Gambar 2.05 Algoritma Item-based Collaborative
2.3.2 Menghitung Nilai Similarity
Tahap ini adalah membuat nilai kemiripan antar user atau item di mana nilai kemiripan antar user atau item didapatkan dengan menggunkan Persamaan 1 yaitu Pearson Correlation atau Persamaan 2 yaitu Adjusted Cosine.
S
(i,j)=
Σ𝑢∈𝑈(𝑅𝑢,𝑖−𝑅𝑖 ̈)(𝑅𝑢,𝑗−𝑅̈𝑗) √Σ𝑢∈𝑈 (𝑅𝑢,𝑖−𝑅𝑖̈) 2 √Σ𝑢∈𝑈 (𝑅𝑢,𝑗−𝑅𝑖̈) 2……….……(1)S
(i,j)=
Σ𝑢∈𝑈 (𝑅𝑢,𝑖−𝑅𝑢̈ )(𝑅𝑢,𝑗−𝑅𝑢̈) √Σ𝑢∈𝑈 (𝑅𝑢,𝑖−𝑅𝑢̈ ) 2 √Σ𝑢∈𝑈 (𝑅𝑢,𝑗−𝑅𝑢̈ ) 2 ………..….(2) Keterangan :S(i,j) = Nilai kemiripan antara item i dan item j
u ∈ U = Himpunan user yang me-rating baik item i maupun item j Ru,i = Rating user u pada item i
Ru,j = Rating user u pada item j 𝑅𝑢̈ = Nilai rating rata-rata user u 𝑅𝑖̈ = Nilai rating rata-rata item i 𝑅𝑗̈ = Nilai rating rata-rata item j
2.3.3 Menghitung Nilai Prediksi
Setelah menetapkan jumlah user yang dipakai, maka selanjutnya dilakukan pembuatan prediksi untuk rating user atau item yang baru. Nilai
13 prediksi untuk user atau item baru ini didapatkan dengan persamaan Weighted Sum.
P
(a,j)=
Σ𝑖∈𝐼 (𝑅𝑎,𝑖 . 𝑆𝑖,𝑗)Σ𝑖∈𝐼 |𝑠𝑖,𝑗| ………(3)
Keterangan :
P(a,j) = Prediksi rating item j oleh user a
𝑖 ∈ 𝐼 = Himpunan item yang mirip dengan item j Ra,i = Rating user a pada item i
Si,j = Nilai similarity antara item i dan item j
2.3.4 Mengukur Tingkat Akurasi
Mean Absolute Error (MAE) adalah salah satu persamaan yang sering digunakan untuk mengukur akurasi antara nilai yang diprediksi dengan nilai yang sebenarnya. Sesuai dengan namanya, persamaan ini akan menghitung rata-rata selisih antara nilai prediksi dan nilai yang sebenarnya yang ditunjukkan oleh Persamaan 4.
MAE = 1
𝑛Σ𝑖=0
𝑛 |𝑝𝑖 − 𝑓𝑖|……….(4)
Keterangan :
MAE = Nilai rata-rata kesalahan hitung n = Jumlah data yang dihitung pi = Nilai prediksi pada data ke-i
fi = Nilai sebenarnya pada data ke-i
2.4 Framework Laravel
Pemanfaatanya pada tugas akhir ini adalah sebagai media utama dalam membangun website ini, yaitu program yang penulis gunakan ialah berasal dari Framework Laravel, dimana Framework sendiri adalah alat yang mempermudah kita dalam membuat program. Sudah disediakan berbagai
fungsi-fungsi yang sering dipakai seperti Form, Validation,
