MAKALAH SISTEM RECOMMENDER
Disusun Oleh :
Septian Eka Cahya 14.01.53.0027
Ida Alifatul 14.01.53.0034
Dwi Agung Sugiharto 14.01.53.0073
UNIVERSITAS STIKUBANK SEMARANG (UNISBANK)
FALKUTAS TEKNOLOGI INFORMASI
TEKNIK INFORMATIKA
BAB I PENDAHULUAN
1.1 Latar Belakang
Di tengah banyaknya informasi yang senantiasa membanjiri kita setiap detik, kita pun seakan menjadi kehilangan kendali atau kehilangan pegangan tentang informasi apa yang kita inginkan. Sehingga kemudian lahirlah sistem rekomendasi untuk membantu kita menemukan hal-hal yang kita sukai, informasi-informasi yang kita butuhkan dan semacamnya. Sistem rekomendasi juga pada umumnya ditujukan untuk individu yang kekurangan pengalaman atau kompetensi yang cukup untuk mengevaluasi banyaknya jumlah alternatif item yang ada pada suatu kasus tertentu. Contohnya saya yang baru-baru ini menyukai musik beraliran dubstep, saya baru tau satu lagu dubstep yang bagus dan ingin mendengarkan lagu-lagu dubstep bagus yang lainnya. Karena baru mendengarkan satu lagu, bisa dibilang pengalaman saya dalam musik dubstep sangatlah minim. Karena itulah saya lantas mencari rekomendasi tentang musik-musik dubstep lainnya yang bagus di situs-situs seperti Youtube, LastFM, atau SoundCloud. Recommender Systems atau Recommendation Systems (System disini bisa diganti juga menjadi platform atau engine) merupakan bagian dari information filtering system yang memprediksi tingkat atau kecenderungan pengguna. Recommender systems sangat umum diaplikasikan pada tahun-tahun terakhir pada berbagai bidang, yang paling populer adalah pada bidang film, musik, berita, buku, atrikel penelitian, queri pencarian, social tags, dan produk secara umum.
1.2 Rumusan Permasalahan
Perumusan masalah yang ada untuk makalah ini adalah
1. Pendekatan tentang sistem recommender dan beberapa sistem recommender. 2. Teknik kerja sistem recommender dan pemanfaatan sistem recommender. 1.3 Tujuan Penulisan Makalah
Tujuan dari penulisan untuk memenuhi tugas dari mata kuliah sistem temu kembali. 1.4 Sistematika Penulisan Makalah
BAB I
Berisikan tentang latar belakang, perumusan masalah, tujuan penulisan makalah, dan sistematika penulisan makalah.
BAB II
Berisikan tentang pembahasan materi sistem recommender. BAB III
Membahas tentang hasil dan pembahasan tentang sistem recommender. BAB IV
BAB II
PEMBAHASAN MATERI
2.1 Pengertian Sistem Recommender
akan mentujui di mmasa depan, dan mereka akan menyukai item dengan jenis sama dengan yang lampau.
Namun bukan berarti pendekatan collaborative filtering tidak memiliki kekurangan. Collaborative filtering sering menghadapi tiga masalah utama:
1. Cold Start : Sistem ini sering membutuhkan data yang tersedia dalam jumlah besar untuk dapat menghasilkan rekomendasi yang akurat.
2. Scalability : Ada jutaan pengguna dan produk yang tersedia,sehingga membutuhkan kekuatan komputasi yang sangat besar untuk mengkalkulasi rekomendasi.
3. Sparsity : Ada kemungkinan item yang benar-benar dibutuhkan oleh pengguna memiliki rating yang kecil dikarenakan tertutupi oleh item lain.
Content-based filtering
Pendekatan umum lainnya ketika merancang sistem rekomendasi adalah content-based filtering. Metode content-based filtering didasarkan pada deskripsi dari item dan profil kecenderungan pengguna. Pada Content Based Recommender System, kata kunci digunakan untuk mendeskripsikan item sedangkan profil pengguna dibangun untuk mengindikasikan item yang disukai oleh pengguna. Dengan kata lain, algoritma ini mencoba untuk merekomendasikan item yang sama dengan apa yang disukai pengguna dimasa lampau atau memeriksa kecendurangan saat ini. Secara khusus, kandidat item yang bermacam-macam dibandingkan dengan item yang sebelumnya digolongkan oleh pengguna dan item yang paling sesuai direkomendasikan. Pendekatan ini berdasar pada pengambilan informasi dan penyaringan informasi.
learning seperti Bayesian Classifier, Cluster Analysis, Decision Trees, dan Artificial Neural Networks untuk mengestimasi kemungkinan bahwa user akan menyukai item.
Feedback langsung dari pengguna menggunakan tombol suka atau tidak suka, dapat digunakan untuk menentukan bobot yang lebih tinggi atau lebih rendah dari beberapa atribut penting. Isu penting dari content based filtering adalah apakah sistem ini dapat mempelajari kecenderungan dari aksi pengguna yang efektif pada beberapa kasus. Pendekatan hybrid dapat diimplementasikan pada beberapa cara: hybrid dengan metode murni collaborative dan content based dan memperlihatkan bahwa metode hybrid dapat menyediakan rekomendasi yang lebih akurat daripada pendekatan murni. Pendekatan ini pula dapat digunakan untuk menangani permasalahan yang dihadapai oleh metode murni selama ini.
a.) Collaborative : Sistem yang menghasilkan rekomendasi hanya dengan menggunakan informasi mengenai rating profil dari berbagai pengguna. Sistem kolaboasi menempatkan riwayat rating yang sama dengan pengguna saat ini dan menciptakan rekomendasi.
b.) Content Based : Sistem yang menghasilkan dari dua sumber, fitur yang berhubungan dengan produk dan rating yang diberikan pengguna pada mereka. Sistem rekomendasi berbasis konten memperlakukan rekomendasi sebagai klasifisikasi problem pada pengguna yang spesifik dan mempelajari klasifikasi tersebut berdasarkan apa yang disukai pengguna dan apa yang tidak dalam fitur produk.
c.) Demografi: Demografi sistem rekomendasi berdasarkan kepada demografi profil pengguna. Produk yang direkomendasikan dapat dihasilkan dari berbagai ceruk demografis dengan mengkombinasikan rating pengguna pada ceruk tersebut. d.) Knowledge based : Sistem rekomendasi knowledge based menyarankan produk berdasarkan kesimpulan mengenai kebutuhan dan kecenderungan pengguna. Pengetahuan ini kadan mengandung fungsi pengetahuan eksplisit mengenai bagaimana fitur produk tertentu memenuhi kebutuhan pengguna.
Berikut ini adalah tujuh teknik hybirdnisasi:
a.) Weighted : Nilai dari berbagai komponen rekomendasi dikombinasikan secara numeris
b.) Switching : Sistem memilih diantara komponen rekomendasi dan mengaplikasikannya pada apa yang dipilih
c.) Mixed : Rekomendasi dari berbagai sistem rekomendasi yang berbeda.
d.) Feature Combination : Fitur berdasarkan sumber pengetahuan yang berbeda dikombinasikan bersama menggunakan satu algoritma rekomendasi.
e.) Feature Augmentation: Sebuah teknik rekomendasi yang digunakan untuk menghitung fitur atau sekumpulan fitur yang merupakan input untuk teknik selanjutnya.
f.) Cascade: Sistem rekomendasi memberikan prioritas yang tegas
Mobile Recommender Systems
Salah satu penelitian yang sedang berkembang saat ini adalah mobile recommender system. Salah satu contohnya adalah mobile recommender system yang menawarkan rute yang paling menguntungkan pada pengemudi taksi. Sistem ini mengambil input data dari GPS. Contoh lain adalah sistem untuk pengguna profesional yang mengambil data dari GPS dan agenda dari pengguna untuk menyarankan informasi yang sesuai dengan situasi dan kepentingannya. Sistem ini menggunakan machine learning dan proses reasoning untuk dapat beradaptasi secara dinamis dan berevolusi pada minat pengguna.
BAB III
HASIL DAN PEMBAHASAN 3.1 Cara Kerja Teknik Collaborative Filtering
Pada prosesnya metode Collaborative filtering melakukan penyaringan data berdasarkan tingkah laku karakteristik pengguna sehingga dapat memberikan informasi yang baru kepada pengguna lainnya karna system memberikan informasi berdasarkan pola satu kelompok pengguna yang hampir sama. Berikut merupakan skema dari Colaboratif Filtering dalam pemberian rekomendasi kepada user aktif.
Gambar 3.1. Skema Collaborative Filtering
Dalam skenario CF terdapat daftar pengguna m user U = {u1, u2,…, um} dan daftar item I = {p1, p2,…, pn}. Setiap ui user mengekspresikan pendapatnya tentang daftar item miliknya. Kumpulan set dari pendapat itu disebut dengan rating dari user ui dan dilambangkan dengan Iui. Setelah sistem ini menentukan ketetanggaan terdekat, maka sistem akan merepresentasikan item yang mungkin disukai user dalam dua bentuk (Sarwar dkk, 2001), 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).
Gambar 2.1 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 user yang akan dicari item yang mungkin disukainya dengan menggunakan algoritma CF.
3.2 Cara Kerja Teknik User-based Collaborative Filtering
User-based nearest neighbour algorithm menggunakan teknik statistika untuk menemukan sekumpulan pengguna, dikenal sebagai tetangga (neighbour), II-5 yang memiliki sejarah setuju dengan pengguna yang menjadi sasaran. Setelah sekumpulan tetangga terbentuk, sistem menggunakan algoritma yang berbeda untuk menggabungkan kesukaan neighbours untuk menghasilkan prediksi atau rekomendasi N-teratas untuk user aktif. (Sarwar dkk, 2001). Pada pendekatan user based collaborative filtering sistem memberikan rekomendasi kepada user item-item yang disukai atau dirating oleh user-user lain yang memiliki banyak kemiripan dengannya. Misalnya, user a menyukai atau merating item 1, 2 dan 3, kemudian user b menyukai item 1, 2 dan 4 maka sistem akan merekomedasikan item3 kepada user b dan item 4 kepada user a. Kelebihan dari pendekantan user based collaborative filtering adalah dapat menghasilkan rekomendasi yang berkualitas baik. Berikut merupakan skema user based filtering.
3.2 Pembangkitan Rekomendasi
Berdasarkan nilai similarity antar user, maka langkah selanjutnya adalah proses perhitungan prediksi. Proses prediksi yang dilakukan adalah dengan memperkirakan nilai rating dari item terhadap seorang user yang belum pernah me-rating item tersebut. Algoritma yang dapat digunakan untuk mendapatkan prediksi dari suatu user yaitu algoritma weighted sum dan Algoritma Regression (Sarwar, 2001). Berikut merupakan penjelasan kedua algoritma tersebut.
a. Algoritma weighted sum
b. Algoritma Regression
Persamaan regression:
3.3 Pemanfaatan Metode Utility –based recommendation
Gambar 3.3. Utility Based Recommended
sistem menampilkan dua produk yang sesuai dengan kriteria tersebut. Sesuai dengan domain kualitas guide maka diperoleh nilai (score) 8 untuk produk 1 dan 4 untuk produk 2 (gunakan persamaan (2)). Untuk domain harga produk, maka diperoleh nilai (score) 15 untuk produk 1dan nilai 25 untuk produk 2. Total score produk 1 = 23, total score produk 2 = 29. Karena score yang diperoleh produk 2 lebih besar maka produk 2 menjadi rekomendasi.
Catatan :
- Tingkat prioritas domain ditentukan terutama oleh pelanggan, oleh karena itu score yang dihasilkan dari domain yang diprioritaskan pelanggan hasilnya lebih besar.
- Apabila A tidak menentukan prioritas terhadap domain tertentu maka
kemungkinan rekomendasi tidak terjadi, atau jikapun terjadi maka kemungkinan tidak sesuai dengan apa yang diinginkan A
3.4 Pemanfaatan Metode User-based collaborative filtering
Gambar 3.4. User Based Collaborative Filtering
A memiliki sebuah kelompok yang beranggotakan A,B, C, dan D. Ketiga teman A memiliki tujuan lokasi wisata yang sama, tetapi hanya B lah yang memiliki kesamaan kebutuhan terbesar dengan A (sesuai persamaan (3)). Maka transaksi atau minat B kearah produk tertentu akan direkomendasikan pada A (sesuai persamaan (4) dan (5)).Karena B memilih produk/paket Tangkuban Perahu (produk 2) maka produk tersebutlah yang direkomendasikan pada A.
- Apabila A tidak memiliki komunitas atau tidak memiliki kesamaan data dengan temannya (B,C, atau D) maka kemungkinan A tidak memperoleh rekomendasi.
3.5 Pemanfaatan Metode Item–based collaborative filtering
Gambar 3.5. Item Based Collaborative Filtering
A memiliki sebuah kelompok yang beranggotakan A,B, C, dan D. Pada saat A diminta memberikan rating untuk produk, ternyata A memberikan rating yang baik pada produk 2, begitu pula dengan B dan C, sedangkan D lebih tertarik pada produk 1. Produk 2 ternyata sudah dipilih untuk dilanjutkan keproses transaksi oleh B dan C , begitu pula produk 1 diproses kearah transaksi oleh D. Karena terdapat kesesuaian antara rating dan transaksi maka dapat dilanjutkan perhitungan dengan persamaan (6). Kebutuhan A mencakup lokasi_wisata Bandung dan pengalaman _wisata awam. Maka kedua hal tersebut menjadi parameter pembagi. Nilai kegunaan produk 2 berdasarkan kesamaan rating dan transaksi (B,C) yang berkesesuaian dengan kebutuhan A adalah 0,85 (dengan persamaan (7)). Sedangkan nilai kegunaan produk 1 (berdasarkan rating dan transaksi D) adalah 0,17. Maka produk 2 dipilih untuk direkomendasikan pada A karena memiliki nilai kegunaan yang lebih tinggi.
Catatan : 14 - Untuk metode ini diperlukan peran serta pelanggan dalam pemberian rating, apabila pemberian rating terhadap produk tidak dilakukan, maka proses rekomendasi tidak dapat berjalan.
- Diperlukan data pemberian rating terhadap produk yang dilakukan oleh anggota komunitas lainnya (B,C,dan D) beserta data kelanjutan transaksinya.
Gambar 3.6. Associaton Rule
Teman A memiliki kebiasaan transaksi yang bersamaan ketika menentukan tujuan wisata sehingga memenuhi conf (confidence) mendekati 1 atau 100 % (persamaan (8)). C memiliki transaksi yang bersamaan dengan D yakni dengan atribut p.lokasi = Bandung dan p.guide = normal. Transaksi yang sama antara C dan D tersebut dibagi dengan Transaksi keseluruhan (B,C, dan D) menghasilkan nilai supp (support) 2/3 yang merupakan nilai support terbesar dari kemungkinan transaksi lainnya (persamaan (9)). Data yang memiliki nilai support terbesar akan disimpan di dalam data mining, sehingga dapat direkomendasikan pada A di lain waktu. Data yang direkomendasikan tersebut merupakan data produk 2.
Catatan : - Dalam metode ini diperlukan kerjasama dengan data mining atau sejenisnya. 16
- Nilai confidence haruslah memenuhi nilai 1 atau mendekati 1 untuk menentukan rule (Association rules) mana saja yang dapat dijadikan rekomendasi.
- Nilai support terbesar adalah parameter produk yang dapat direkomendasikan. Apabila nilai support baik dan sama besar, maka semuanya dapat dijadikan rekomendasi.
BAB IV KESIMPULAN
4.1 Kesimpulan
Sistem Rekomendasi adalah salah satu tindak lanjut dari pengamatan kepuasan pelanggan (user satisfaction). Dengan adanya sistem ini maka produk yang dijual akan menemukan pelanggannya yang benar-benar potensial. Dalam pemodelan SR terdapat beberapa metode yang digunakan, yakni knowledge-based recommendation, utilitybased recommendation, user-based collaborative filtering, item-based collaborative filtering, dan association rules yang memiliki domain dan wilayahnya masing-masing dalam penyelesaian masalah penentuan rekomendasi.
Tiap-tiap metode memiliki kelebihan dan kekurangan masing-masing yang merupakan upaya pengolahan umpan balik maupun informasi yang bermanfaat lainnya dari pelanggan.
4.2 Saran
Usaha kolaborasi metode-metode tersebut memungkinkan terbentuknya sistem Rekomendasi yang lebih baik dan aktual.
DAFTAR PUSTAKA
[1]Witten,IH,Frank,E..2005.Data Mining : Practical Machine Learning Tools and Techniques.Morgan Kaufmann, San Francisco.
[2]Zanker,M,Bricman,M,Gordea,S,Jannach,D.,Jessenitchnig,M..2006.Persuasive online –selling in quality and taste domains” Poland.
[3]Zanker,M,Jessenitchnig,M.,Jannach,D.,Gordea,S..2007.Comparing
recommendation strategies in a commercial context.IEEE Intell Syst. [4]Matsatsinis,F,Nikolaos, Loannidou,E, Grigoroudis. Customer satisfaction using data mining techniques. [5]McGinty,L,Smyth,B.Adaptive.2006. selection : analysis of critiquing and preference based feed back in conversation on recommender systems.Int J Electron Commerce 11 (2),35-57
