Menerapkan metode Collaborative Filtering dengan pendekatan berbasis item pada rekomendasi restoran menggunakan algoritma Modified Cosine Likely. Tujuan dari penelitian ini adalah untuk mengimplementasikan metode Collaborative Filtering berbasis item dengan menggunakan algoritma Modified Cosine Likely dalam sistem rekomendasi restoran. Seperti penelitian yang dilakukan oleh (Muttaqin, 2019) berupa sistem rekomendasi pada website e-commerce xyz yang menerapkan metode Collaborative Filtering dengan menggunakan pendekatan Collaborative Filtering berbasis pengguna.
Pemfilteran kolaboratif pengguna dengan algoritma cosine kemiripan memberikan hasil rekomendasi terbaik saat pengujian dengan jumlah tetangga paling sedikit. Penelitian ini telah berhasil menggunakan metode penyaringan kolaboratif, yang ditunjukkan dengan tingkat keberhasilan 100% dalam pengujian black-box. Pada penelitian ini, penulis tertarik untuk menerapkan metode Collaborative Filtering dengan pendekatan berbasis item dan menggunakan algoritma customized cosine kemiripan pada sistem rekomendasi restoran.
Berdasarkan latar belakang di atas, maka penulis akan melakukan penelitian dengan judul “Implementasi Metode Collaborative Filtering Menggunakan Pendekatan Item-Based pada Rekomendasi Restoran Menggunakan Algoritma Adjusted Cosine Miripity”. Dari uraian latar belakang di atas, maka rumusan masalah dalam skripsi ini adalah bagaimana mengimplementasikan Collaborative Filtering dengan pendekatan berbasis item menggunakan algoritma regularized cosine kemiripan.
PENDAHULUAN
Latar Belakang
Rumusan Masalah
Batasan Masalah
Tujuan Penelitian
Manfaat
- Bagi Mahasiswa
- Bagi Universitas
- Bagi Pengguna
Metode
- Metode Pengumpulan Data
- Metode Pengembangan Sistem
Content Based Filtering
Collaborative Filtering
- User Based Collaborative Filtering
- Item Based Collaborative Filtering
Adjusted Cosine Similarity
Weighted Sum
Rumah Makan
PHP
Laravel
XAMPP
Basis Data
- DBMS
- MySQL
UML
- Use Case Diagram
- Activity Diagram
- Sequence Diagram
- Class Diagram
Sistem Pengujian
- Precision
- Mean Absolute Error (MAE)
Sampling
Skala Pengukuran
- Skala Likert
Metode Pengembangan Sistem
- Rapid Application Development (RAD)
Metode Pengumpulan Data
- Studi Pustaka
- Observasi
- Kuesioner
METODE PENELITIAN
Metode Pengumpulan Data
- Studi Pustaka
- Observasi
- Kuesioner
Dalam melakukan penelitian ini diperlukan data dan informasi terkait yang nantinya akan digunakan sebagai bahan dasar dan referensi dalam penelitian, perancangan, implementasi dan pengujian. Proses pengumpulan data dapat dilakukan dengan menggunakan teknik tertentu, sesuai dengan kebutuhan penelitian yang akan dilakukan. Pada tahap pengumpulan data dengan menggunakan penelitian kepustakaan, data dikumpulkan mengenai objek yang diteliti.
Dengan membaca dan mempelajari buku, jurnal dan skripsi yang berkaitan dengan topik penelitian. Selain itu, data juga dikumpulkan secara elektronik dengan menjelajahi internet dengan mengunjungi situs web yang berkaitan dengan topik dan konten yang membantu dalam penelitian ini. Pengumpulan data observasional tidak hanya dilakukan dengan mengukur sikap responden saja, namun juga dapat digunakan untuk mencatat berbagai fenomena yang terjadi.
Dalam melaksanakan observasi, pengamatan langsung dilakukan pada restoran-restoran yang berada di lingkungan kampus UIN Syarif. Kuesioner pertama digunakan sebagai data latar, sedangkan kuesioner kedua digunakan sebagai data uji.
Metode Penentuan Sampel
- Purposive Sampling
- Perhitungan Sampel
Dalam menentukan ukuran sampel, penulis memperkecil ukuran sampel menjadi 35, berdasarkan pendapat Roscoe (1975) yang dikutip oleh Uma Sekaran (2006): “Ukuran sampel lebih dari 30 dan kurang dari 500 sesuai untuk sebagian besar penelitian, jika ukuran sampel dibagi menjadi sub-sampel (pria/wanita, junior/senior, dll.), jumlah sampel minimal 30 untuk setiap kategori sudah sesuai.” Dalam penelitian ini penulis mengambil sampel sebanyak 35 orang dari populasi, dengan syarat 35 orang sampel tersebut harus memenuhi kriteria purposive sampel.
Metode Pengembangan Sistem
- Tahap Perencanaan Kebutuhan (Requirements Plannig)
- Tahap Desain Workshop (Workshop Design)
- Tahap Implementasi (Implementation)
ANALISIS DAN IMPLEMENTASI
Tahap Perencanaan Kebutuhan
Restoran saat ini tidak hanya menawarkan makanan dan minuman, namun fasilitas yang nyaman dan interior yang menarik menjadi nilai tambah bagi konsumen. Restoran tidak hanya digunakan sebagai tempat makan, tetapi juga digunakan sebagai tempat berkumpul, menjalankan tugas, bahkan mengadakan pertemuan. Menemukan restoran yang tepat memerlukan perusahaan yang dapat membantu konsumen menemukan restoran dengan mudah dan cepat.
Salah satu solusinya adalah dengan membangun sistem yang dapat membantu konsumen memilih restoran sesuai gaya. Sudah ada beberapa aplikasi rekomendasi restoran, namun aplikasi yang ada memiliki beberapa kekurangan. Restoran-restoran dalam sistem, seperti aplikasi Zoomato, terbatas hanya pada restoran-restoran besar dan terkenal karena beragamnya aplikasi.
Sedangkan aplikasi lainnya, Makdim (tempat makan) hanya fokus pada restoran yang ada di sekitar kota Majalengka. Selain itu, Makdim memberikan rekomendasi restoran bukan berdasarkan rating pengguna, melainkan secara acak. Pada aplikasi sistem rekomendasi restoran ini, alternatif pilihan restoran adalah restoran yang berada di sekitar kampus UIN Syarif Hidayatullah Jakarta.
Diharapkan sistem ini mampu memberikan rekomendasi restoran yang sesuai untuk masyarakat umum khususnya mahasiswa UIN Syarif Hidayatullah Jakarta. Persyaratan yang harus dipenuhi antara lain data restoran dan alat untuk membantu pengembangan sistem. Data restoran diperoleh dengan melakukan observasi pada beberapa restoran yang ada di lingkungan kampus UIN Syarif Hidayatullah Jakarta.
Data yang dikumpulkan terdiri dari 28 restoran yang terbagi menjadi warung makan, kafe, kedai kopi, dan restoran cepat saji.
Tahap Desain Workshop
- Perancangan Proses
- Perancangan UML
- Merancang Databse
- Merancang User Interface
Diagram urutan pada Gambar 4.22 mengilustrasikan bagaimana pengguna melihat restoran yang dinilai oleh pengguna.
Tahap Implementasi
- Pengujian
Perhitungan dilakukan dengan meminta respon pengguna berupa nilai prediksi dari pengguna mengenai restoran yang direkomendasikan. Untuk membuktikan hasil penerapan Collaborative Filtering berbasis item, dilakukan pengujian dengan menggunakan skenario penilaian. Dari ketiga skenario di atas, kita dapat melihat apakah jumlah pengguna mempengaruhi nilai error dan keakuratan hasil rekomendasi saat menerapkan pemfilteran kolaboratif berbasis item.
Untuk menerapkan pemfilteran kolaboratif berbasis item dalam sistem rekomendasi restoran, diperlukan data restoran dan data rating pengguna. Pengguna dapat melihat profil restoran dengan mengklik nama restoran di website. Setelah pengguna memberikan rating pada restoran tersebut maka pengguna dapat melihat rekomendasi restoran dari sistem pada menu.
Pengujian dengan skenario pertama, yaitu menggunakan 5 orang user yang memberikan review terhadap restoran yang pernah dikunjungi. Hal ini dikarenakan semakin banyak pengguna maka data rating akan semakin meningkat sehingga membuat restoran tersebut semakin banyak. Berdasarkan pembahasan yang telah dibahas, dapat disimpulkan bahwa metode Collaborative Filtering berbasis item dengan algoritma Modified Cosine Likely dapat diterapkan.
Analisis hasil pengujian penerapan metode Collaborative Filtering berdasarkan elemen menurut 3 skenario yaitu 5, 20 dan 40 pengguna. Sistem rekomendasi pembacaan skripsi untuk Jurusan Teknik Informatika Universitas Sriwijaya menggunakan metode Collaborative Filtering dan Naive Bayesian. Sistem Rekomendasi Mata Kuliah Terpilih Menggunakan Metode User-Based Collaborative Filtering Berdasarkan Algoritma Adjusted Cosine Kemiripan, Vol.7, No.
Penerapan Collaborative Filtering pada Pengguna untuk Rekomendasi Pembelian Barang Menggunakan Algoritma Cosine Kemiripan (Studi Kasus: Collaborative Filtering pada Web E-commerce Menggunakan Algoritma Custom Cosine Miripity Sistem rekomendasi laptop menggunakan Collaborative Filtering dan Sistem rekomendasi laptop berbasis konten menggunakan Collaborative Filtering dan Content Based Filtering , 12(1),.
HASIL DAN PEMBAHASAN
Hasil Implementasi
Halaman daftar restoran berisi ringkasan atau riwayat restoran yang telah dinilai oleh pengguna.
Validasi
Tabel 5.1 menunjukkan bahwa perhitungan cosine kemiripan yang disesuaikan secara manual dan yang dilakukan dalam sistem memberikan nilai yang sama, yang membedakan hanyalah pembulatan nilainya. Pada skenario evaluasi yang dibahas pada Bab 4, untuk laju prediksi menggunakan persamaan penjumlahan tertimbang, hasil prediksi diperoleh pada Tabel 5.2. Tabel 5.2 menunjukkan bahwa penghitungan jumlah tertimbang secara manual dan penghitungan yang dilakukan oleh sistem memberikan nilai yang sama.
Pengujian Hasil Rekomendasi
- Precision
- MAE ( Mean absolute error )
KESIMPULAN DAN SARAN
Kesimpulan
Dari ketiga skenario yang dilakukan dapat disimpulkan bahwa semakin banyak pengguna maka nilai akurasinya semakin tinggi. Dari ketiga skenario yang diterapkan dapat disimpulkan bahwa semakin banyak pengguna maka nilai MAE akan semakin rendah. Selain itu dapat disimpulkan bahwa semakin banyak pengguna maka semakin tinggi pula jumlah ratingnya.
Saran
Implementasi Hibrid (Pemfilteran Berbasis Konten dan Kolaboratif) pada Sistem Rekomendasi Perangkat Lunak Antivirus dengan Peringkat Multi-Kriteria.