MAKALAH
SISTEM REKOMENDER MOVIE
MENGGUNAKAN BAHASA PEMROGRAMAN R
Disusun Oleh :
Irfan Ardhiyanto
(15.01.53.0061)
Apriana Panca Kartika
(15.01.53.0065)
Fadilla Maulida
(15.01.53.0082)
UNIVERSITAS STIKUBANK SEMARANG (UNISBANK)
FAKULTAS TEKNOLOGI INFORMASI
BAB I
PENDAHULUAN
1.1Latar Belakang
Perkembangan teknologi informasi berdampak positif pada berkembangnya berbagai software pengolah data. Secara umum, ada beberapa kategori software analisis data, yang bersifat komersil 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, 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.
R menyediakan berbagai teknik statistika (permodelan linier dan
seperti LaTeX, yang digunakan untuk menyediakan dokumentasi yang lengkap, baik secara daring (dalam berbagai format) maupun secara cetakan.
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.
Recommender System atau Sistem Rekomendasi 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.
1.2Rumusan Masalah
Berdasarkan latar belakang diatas, terdapat rumusan masalah yaitu : 1. Bagaimana proses recommender system menggunakan bahasa
pemrograman R?
2. Bagaimana hasil dari proses recommender system menggunakan bahasa pemrograman R?
1.3Tujuan Penulisan
BAB II
TINJAUAN PUSTAKA
2.1 Kajian Deduktif
Recommender system banyak digunakan untuk membuat prediksi seperti buku dan musik dalam film. Sasarannya adalah pengunjung toko online, di mana sistem ini memberikan prediksi dan penawaran terbaik produk apa yang disukai. Data referensi produk dari pengunjung disimpan untuk kemudian diolah menggunakan teknik
statistik sehinggga menghasilkan rekomendasi barang terkait. Teknologi ini banyak diadopsi oleh perusahaan besar di dunia e-commerce dalam seperti Amazon, Netflix, dan Pandora. Sedemikian pentingnya recommender system ini bagi e-commerce
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.
Recommender system dibagi menjadi dua, yaitu Collaborative Filtering dan Hybrid Recommendation System. Penelitian ini bertujuan untuk memberikan gambaran mengenai recommender system beserta aplikasinya yang bersifat open source yang masih dikembangkan hingga saat ini sehingga memudahkan para peneliti untuk melakukan penelitian 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
explicit memberikan penilaiannya terhadap produk. Kesimpulannya ialah sistem 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 matriks 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
Teknik yang digunakan berupa content based CF (fab), content boosted
CF, hybrid CF kombinasi memory based dan model based (personality diagnosis). Teknik ini sebagai solusi atas kelemahan yang terdapat pada
memory dan model based CF seperti sparsity dan grayship, sehingga meningkatkan akurasi prediksi. Beberapa kelemahan juga muncul seperti meningkatnya kompleksitas program hingga perlunya data external yang terkadang tidak tersedia.
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. Gambar 2.1 berikut ini menunjukkan taksonomi
Gambar 2.1 Taksonomi Recommender System
Pada Gambar 2.1 terdapat tiga komponen utama dalam sebuah recommender system, yaitu:
1. Input/ Output
Input yang dianalisa RSs didapat baik secara eksplisit maupun implisit dari
user kemudian dikombinasikan dengan input dari user-user lain/ komunitas. Input yang didapat secara eksplisit, misalnya dengan cara meminta user untuk memberi rating terhadap suatu item. Sedangkan secara implisit, misalnya dari data transaksi pembelian item oleh user pada waktu lampau, atau bisa juga dengan memonitor item-item mana saja yang telah dilihat oleh user. Output yang dihasilkan oleh RSs dapat berupa sugesti (merekomendasikan sebuah item secara khusus) atau prediksi (bisa berupa prediksi per item atau beberapa item sekaligus dalam bentuk
list/ daftar).
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
1. Push : bentuk aktif pemberian rekomendasi, seperti mengirimkan kepada user
melalui email.
2. Pull : rekomendasi tidak ditampilkan jika user tidak meminta
3. 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:
1. Personalized : rekomendasi yang diberikan kepada user tidak sama antara satu dengan yang lain, bergantung pada masing-masing profil user.
2. Non-personalized : bentuk rekomendasi ini tidak melihat profil masing-masing
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.
Implisit dilakukan dengan mengamati pola kecenderungan user
(behavior user) melalui observasi social network atau dengan mengamati
item-item yang sering dilihat atau didengar oleh user. Dengan kata lain, jika secara eksplisit user memberikan penilaian preferensi terhadap item
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). Dalam skenario CF terdapat daftar pengguna m user U = {u1, u2,…, um} dan daftar item I = {p1, p2,…, pn}. Setiap ui user
bentuk, yaitu:
1. Prediksi, merupakan nilai numerik dimana Pa,j adalah nilai prediksi
rating item j yang mungkin disukai oleh active user (Ua). Nilai prediksi ini digunakan dengan skala yang sama dengan nilai yang disediakan (misalnya, dari skala 1 sampai 5).
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.
Gambar 3.1 menunjukkan diagram skema dari proses collaborative filtering. Algoritma CF merepresentasikan seluruh m x n user-item
sebagai matriks rating dimana setiap entri merupakan nilai rating dari
user untuk setiap item. Active user (Ua) pada skema ini merupakan
BAB IV
HASIL DAN PEMBAHASAN
1. Install software R version 3.4.3
2. Disini kami akan melakukan sistem rekomendasi terhadap MovieLens, maka terdapat 4 library yang digunakan, yaitu :
library(recommenderlab)
library(ggplot2)
library(data.table)
library(reshape2)
3. Unduh datasetMovieLens pada link https://grouplens.org/datasets/movielens/ 4. Install packages recommenderlab, berikut perintahnya :
install.packages("recommenderlab")
Gambar 4.1 Install Packages Recommenderlab
5. Berikut script lanjutannya :
library(recommenderlab) # package being evaluated
library(ggplot2) # for plots
data(MovieLense) # load the data we are going to work with MovieLense
# 943 x 1664 rating matrix of class ‘realRatingMatrix’ with 99392
ratings.image(sample(MovieLense, 500), main = "Raw ratings")
# Visualizing a sample of this
6. Menampilkan Raw ratings, berikut scriptnya :
image(sample(MovieLense, 500), main = “Raw ratings”)
# Visualizing ratings
Gambar 4.2 Tampilan Raw Ratings
7. Menampilkan Histogram of ratings, berikut scriptnya :
qplot(getRatings(MovieLense), binwidth = 1, main = “Histogram of ratings”, xlab = “Rating”)
summary(getRatings(MovieLense)) # Skewed to the right
# Min. 1st Qu. Median Mean 3rd Qu. Max.
Gambar 4.3 Tampilan Histogram of Ratings
8. Menampilkan Movies Rated on average, berikut scriptnya :
# How many movies did people rate on average
qplot(rowCounts(MovieLense), binwidth = 10, main = “Movies Rated on average”, xlab = “# of users”, ylab = “# of movies rated”)
# Seems people get tired of rating movies at a logarithmic pace. But most rate some.
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
9. Menampilkan Plot-plot, berikut scriptnya :
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”,
nn=50, minRating=3)))
# 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”)
Gambar 4.5 Tampilan Plot FPR / TPR
# See precision / recall
plot(results, “prec/rec”, annotate=3)
BAB V KESIMPULAN
Recommender system bertujuan untuk menyediakan rekomendasi informasi kepada
DAFTAR PUSTAKA
http://tiindonesia.blogspot.co.id/2014/12/recommender-system.html, diunduh 21
Desember 2017
Ricci, Francesco, et al.(2011). Recommender System Handbook. New York: Springer http://rpubs.com/jeknov/movieRec, diakses 5 Januari 2018
http://files.grouplens.org/datasets/movielens/ml-latest-small-README.html, diakses
5 Januari 2018
https://grouplens.org/datasets/movielens/, diakses 5 Januari 2018
https://kungfumas.wordpress.com/2016/12/13/program-recommender-movie/, diakses
