bab i pendahuluan -...
TRANSCRIPT
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Infrastruktur teknologi informasi dan komunikasi telah berkembang sangat
cepat. Hal yang sama juga terjadi pada perangkat gadget yang memberikan
banyak fitur dalam mengakses sumber informasi dengan menggunakan teknologi
wireless dan seluler. Pertumbuhan jumlah pengguna perangkat teknologi
informasi pun meningkat luar biasa. Hal ini tidak hanya terjadi di wilayah
perkotaan melainkan juga di pedesaan yang kehidupan masyarakatnya masih
relatif tradisional. Penetrasi teknologi informasi yang begitu ekspansif dan masif
telah meniadakan perbedaan antara masyarakat kota dan desa.
Dalam waktu yang sama, kesadaran untuk membuat dan menyimpan
dokumen dalam format digital juga meningkat secara signifikan, baik oleh
individu, komunitas maupun institusi. Pada skala individu banyak dijumpai orang
yang melakukan digitalisasi dokumen seperti kartu identitas diri, ijazah, akta
notaris, bukti transaksi dan lain sebagainya, kemudian disimpan pada host yang
terkoneksi jaringan internet, dengan alasan keamanan dan kemudahan akses.
Sekarang pun banyak institusi yang mulai menerapkan paperless system sehingga
seluruh atau sebagian besar dokumen institusi disimpan dalam format digital.
Bahkan perusahaan yang bergerak dalam bidang penerbitan pun menawarkan
produk seperti majalah, koran, buku, prosiding dan jurnal dalam format digital.
Melimpahnya sumber informasi digital tentu saja memberikan banyak
manfaat bagi masyarakat dalam berbagai urusan, seperti bidang pendidikan,
penelitian, ekonomi, keuangan, bisnis, sosial politik, hiburan dan lain sebagainya.
Namun kondisi tersebut juga menimbulkan masalah tersendiri di kalangan
masyarakat, yakni kesulitan untuk mendapatkan informasi yang cepat, akurat
dan relevan dengan kebutuhannya. Permasalahan inilah yang mendorong para
pakar ilmu komputer melakukan riset untuk menemukan alternatif solusi.
2
Solusi pertama untuk mendapatkan sumber informasi dengan cepat adalah
dengan mengembangkan tools pencari informasi yang dikenal dengan nama
information retrieval system atau sistem temu-kembali informasi. Alat bantu
tersebut diimplementasikan dalam bentuk search engine atau mesin penelusur.
Setiap pengguna bebas menentukan jenis dan bentuk informasi yang diinginkan
hanya dengan memasukkan kata kunci dalam query, selanjutnya sistem akan
menampilkan daftar sumber informasi yang merupakan hasil penelusuran.
Beberapa website mesin penelusur yang berkembang pesat antara lain
search.baidu.com, www.altavista.com dan www.google.com. Setiap mesin
penelusur memiliki kelebihan dan kekurangan masing-masing. Pada dasarnya
kinerja suatu mesin penelusur sangat ditentukan oleh teknik pengindeksan atau
proses ekstrasi konten dari sumber informasi digital, penyimpanan dalam
repository server dan teknik temu-kembali informasi yang diimplementasikan
(Hasibuan, dkk., 2004). Faktor lain yang juga berpengaruh adalah kualitas
infrastruktur jaringan komputer yang tersedia.
Selain information retrieval system, solusi lain untuk mendapatkan sumber
informasi yang tepat dan relevan adalah recommender systems atau sistem
penyedia rekomendasi (Konstan, 2004). Sistem ini diimplementasikan dalam
bentuk engine yang melakukan pemilihan sumber informasi berdasarkan rekam
jejak personal, lalu merekomendasikannya kepada pengguna yang sedang aktif
(Deshpande, 2004). Solusi ini masih terhitung baru dalam dunia ilmu komputer,
bahkan organisasi Association of Computing Machinery (ACM) pun baru pada
tahun 2007 memulai penyelenggaraan konferensi internasional tahunan dengan
topik khusus ACM Conference on Recommender Systems. Pada awalnya sistem
rekomendasi hanya digunakan untuk e-mail filtering (Goldberg, 1992), kemudian
dikembangkan menjadi alat bantu dalam bisnis online, yakni untuk
mempromosikan produk baru kepada para pelanggan dengan memanfaatkan
karakteristik pelanggan (Kangas, 2002 dan Montaner, 2003).
3
Ditinjau dari lima aspek, yakni goal, input, output, methods dan registrasi,
terdapat perbedaan yang cukup mendasar antara recommender systems dengan
information retrieval systems, sebagaimana ditunjukkan pada Tabel 1.1.
Tabel 1.1 Perbandingan IR Systems dan Recommender Systems
Sistem rekomendasi bersifat aktif dalam menyebarkan atau menawarkan
informasi baru kepada setiap pengguna yang sudah melakukan registrasi. Setiap
kali melakukan login ke dalam sistem, pengguna akan diberi rekomendasi berupa
sejumlah sumber informasi untuk dipilih dan dinilai sesuai dengan preferensinya.
Seluruh proses tersebut direkam oleh sistem lalu digunakan untuk membangun
user profile, sesuai dengan metode information filtering yang diaplikasikan.
Semakin besar frekuensi interaksi pengguna dengan sistem rekomendasi maka
user profile-nya akan semakin cepat terbentuk, sehingga rekomendasi yang akan
diberikan pada kesempatan berikutnya lebih mendekati karakteristik user profile.
Berbeda dengan sistem rekomendasi, sistem temu-kembali informasi lebih
bersifat pasif dan baru akan memberikan respon apabila ada input dari pengguna
yang didefinisikan dalam bentuk query. Selain itu, implementasi sistem temu-
kembali informasi mutlak menggunakan content-based approach, sedangkan
sistem rekomendasi dapat menerapkan enam pendekatan untuk proses filtering.
No Aspek Information Retrieval Systems Recommender Systems
1. GoalMenjawab permintaan (request )
pengguna
Merekomendasikan / menganjurkan suatu
item pada pengguna
2. InputKebutuhan pengguna yang
didefinsikan dalam bentuk query
Preferensi pengguna yang didefinisikan dalam
bentuk user profile
3. OutputDaftar ranked items yang relevan
dengan kata kunci
Daftar ranked items berdasarkan preferensi
pengguna
4. Methods Content-based searching
Content-based filtering, collaborative
filtering, demograhic filtering, community-
based filtering, knowledge-based filtering,
hybrid approach
5. RegistrasiPengguna tidak perlu melakukan
registrasi
Beberapa teknik information filtering mutlak
mensyaratkan registrasi pengguna
4
Pendekatan yang paling populer dan dominan dalam sistem rekomendasi adalah
social collaborative filtering atau seringkali disebut dengan istilah collaborative
filtering saja (Shardanand, 1995). Collaborative filtering sangat cocok digunakan
untuk membangun sistem rekomendasi dengan obyek yang memiliki format non
teks, seperti musik, gambar dan movie karena tidak diperlukan analisis konten.
Namun jika obyek rekomendasinya berformat teks, sistem rekomendasi dapat
menggunakan content-based filtering, community-based filtering, knowledge-
based filtering, demograpic filtering, collaborative filtering atau kombinasi hybrid
dari kelima pendekatan tersebut (Ricci, 2011).
Sistem rekomendasi yang dikembangkan dengan collaborative filtering
memiliki karakteristik unik, dimana pembangkitan rekomendasi didasarkan pada
nilai similaritas user profile. Asumsi dasar yang digunakan dalam pendekatan
collaborative filtering adalah para pengguna yang memiliki kesamaan pilihan
dokumen terdahulu cenderung pula memiliki kesamaan pilihan untuk dokumen
baru (Linden, 2003). Oleh karena itu, langkah mendasar dalam collaborative
filtering adalah pengukuran similaritas di antara pengguna yang sudah registrasi.
Dalam perspektif komputasi, pendekatan collaborative filtering terkesan
sangat sederhana karena proses yang terjadi di dalamnya memang jauh dari
kerumitan dan relatif mudah untuk diaplikasikan. Namun collaborative filtering
dipandang sebagai terobosan yang cukup inovatif dan telah terbukti memberikan
keuntungan yang luar biasa. Oleh karena itu, wajar jika sekarang banyak
perusahaan yang tertarik untuk memanfaatkan engine berbasis collaborative
filtering sebagai alat bantu promosi dengan cara menempatkannya ke dalam
situs e-commerce atau menjadikannya sebagai fitur tambahan pada mesin
penelusur, situs berita dan situs jejaring sosial. Model pemanfaatan sistem
rekomendasi berbasis collaborative filtering dapat dilihat pada situs e-commerce
seperti www.amazon.com atau www.tokobagus.com, mesin penelusur
www.google.com, atau www.baidu.com, jejaring sosial www.facebook.com,
situs movie seperti www.yahoo.com/movies atau www.youtube.com.
5
Sejauh ini pengembangan collaborative filtering banyak dilakukan untuk
meningkatkan kinerja sistem rekomendasi dengan memanfaatkan berbagai
pendekatan dan menggunakan kriteria tunggal (Su, 2009). Diantaranya adalah
pemanfaatan Algoritma Genetika untuk collaborative filtering (Garcin, 2009),
prediksi nilai rating dengan hierarchical regression (Umyarof, 2009), penanganan
cold-start problem (Gunawardana, 2008) dan penerapan konsep adaptive social
similarity (Yu, 2011). Kriteria tunggal tersebut merepresentasikan opini pengguna
terhadap suatu item atau sumber informasi secara keseluruhan. Opini seseorang
direpresentasikan dengan menggunakan nilai rating tertentu. Sebagai contoh,
seseorang memberikan nilai rating 5 pada suatu dokumen yang telah dibaca.
Nilai rating 5 tersebut tidak spesifik menunjukkan kriteria yang digunakan dalam
penilaian, sehingga mungkin saja terjadi kasus dimana beberapa pengguna yang
berbeda memberikan nilai rating yang sama namun dasar penilaian atau kriteria
yang digunakan sangat berbeda. Permasalahan semacam ini dalam studi literatur
sistem rekomendasi berbasis metode collaborative filtering disebut sebagai
without distinction of interest problem (Chapphannarungsri, 2009).
Untuk mengatasi permasalahan tersebut, ditawarkan sebuah metode baru
yang mengakomodasi gagasan penggunaan kriteria yang berbeda dalam
melakukan penilaian, yang disebut dengan multicriteria collaborative filtering
(Adomavicius, 2011). Konsep tersebut sebenarnya merupakan variasi dari konsep
collaborative filtering tradisional dengan menggunakan banyak kriteria dalam
merepresentasikan penilaian ketertarikan seorang pengguna (Lakiotaki, 2008).
Sebagai contoh, sistem Zagat’s Guide mengaplikasikan multicriteria collaborative
filtering dengan menetapkan tiga kriteria penilaian restauran, yaitu food, decor,
ervice, situs Buy.com menggunakan multicriteria rating system untuk alat-alat
elektronik, meliputi display size, performance, battery life, cost, sedangkan
sistem Yahoo!Movies menetapkan empat kriteria untuk movie, yaitu story,
action, direction dan visuals (Adomavicius, 2011). Terlihat jelas bahwa jumlah
kriteria yang digunakan disesuaikan dengan jenis obyek rekomendasi.
6
Dengan mengimplementasikan metode multicriteria collaborative filtering
ternyata rekomendasi yang dihasilkan memiliki kualitas yang lebih baik dan lebih
mendekati kebutuhan pengguna. Indikasi peningkatan kualitas dapat diketahui
dari semakin tingginya akurasi prediksi multiratings yang didasarkan pada kriteria
yang sesuai dengan kecenderungan pengguna (Liu, 2011). Akurasi prediksi dalam
sistem rekomendasi diukur dengan menggunakan rumus Mean Absolute Error
(MAE) yang merupakan rata-rata selisih antara nilai rating yang diberikan oleh
pengguna dan nilai prediksi rating yang dibangkitkan oleh sistem pada sejumlah
obyek rekomendasi (Vozalis, 2003). Pengembangan metode multicriteria service
recommendation yang dilakukan Liu (2011) dipicu oleh fakta bahwa para
pengguna memiliki perbedaan dalam menentukan significant criteria suatu
obyek rekomendasi. Contoh yang digunakan adalah ketika para tamu hotel
diminta memberikan nilai rating dengan menggunakan lima kriteria hotel yakni
location, cleanlines, rooms, service dan value. Ada tamu yang memberikan
memberi prioritas pada location, namun ada juga yang mementingkan aspek
cleanlines. Untuk itu perlu dilakukan clustering terhadap preferensi pengguna
agar proses prediksinya memberikan hasil yang lebih akurat. Pengujian dilakukan
dengan memanfaatkan dataset yang sudah tersedia di www.tripadvisor.co.uk.
Hasil pengujian metode collaborative filtering klasik memberikan nilai MAE
sebesar 0,8940, metode multicriteria collaborative filtering memberikan nilai
MAE sebesar 0,8312 dan metode multicriteria collaborative filtering based on
clustering memberikan nilai MAE terbaik sebesar 0,6745.
Pengembangan metode multicriteria collaborative filtering di atas belum
memasukkan unsur bobot kriteria yang mencerminkan preferensi pengguna.
Dalam sistem rekomendasi, hal ini dianggap sebagai permasalahan yang disebut
dengan istilah without weight feature problem (Chapphannarungsri, 2009).
Solusi yang pernah dicoba adalah dengan memberikan bobot secara statis pada
beberapa kriteria yang secara subyektif dianggap memiliki prioritas tinggi dan
mengabaikan kriteria-kriteria lain yang dipandang tidak penting dalam sistem.
7
Mekanisme pembobotan seperti itu sangat berpotensi mengurangi performansi
sistem rekomendasi, yakni kemungkinan berkurangnya akurasi prediksi sebab
preferensi pengguna secara kolektif dapat berubah secara dinamis. Maksudnya
adalah beberapa kriteria yang saat ini memiliki prioritas tinggi mungkin saja
suatu saat berubah menjadi tidak penting lagi, sebaliknya beberapa kriteria yang
diabaikan justru menjadi sangat penting. Perubahan tersebut sangat mungkin
terjadi apabila perspektif pengguna mengalami pergeseran, atau suatu saat akan
muncul segmen pengguna baru yang karakteristiknya berbeda dengan pengguna
sebelumnya dalam menilai suatu obyek rekomendasi.
Oleh karena itu perlu dikembangkan metode multicriteria collaborative
filtering yang mengakomodasi adanya perubahan preferensi kolektif pengguna di
dalam memberikan rating pada suatu obyek rekomendasi. Dengan demikian
seluruh kriteria dianggap penting dan diberi bobot sesuai dengan perkembangan.
Mekanisme pembaruan bobot kriteria diterapkan untuk seluruh kriteria yang
telah ditetapkan, sekecil apapun bobot pengaruhnya dalam proses kolaboratif.
Dengan melakukan penyesuaian terhadap perubahan preferensi pengguna
terhadap kriteria sumber informasi diharapkan sistem rekomendasi memiliki
kualitas lebih baik, yang ditandai dengan tingginya akurasi prediksi dan
berdampak positif terhadap peningkatan presisi rekomendasi.
Di sisi lain, penggunaan pendekatan multicriteria collaborative filtering
memantik munculnya gagasan baru yang memperkaya fitur pengembangan
model sistem rekomendasi. Gagasan pertama adalah modifikasi cara mengukur
similaritas pengguna dengan menerapkan konsep jarak multidimensi. Sedangkan
gagasan yang kedua adalah pengembangan algoritma prediksi rating suatu obyek
rekomendasi dengan mengkombinasikan metode collaborative filtering dengan
metode pencarian bobot kriteria. Gagasan ketiga terkait dengan pemanfaatan
multikriteria untuk penentuan diversitas rekomendasi. Ketiganya sangat penting
untuk dielaborasi lebih lanjut agar menghasilkan model sistem rekomendasi yang
memberikan output yang relevan dengan kebutuhan pengguna.
8
1.2 Rumusan Masalah
Berdasarkan latar belakang yang sudah diuraikan sebelumnya, ditemukan
beberapa permasalahan yang cukup mendasar dalam pengembangan sistem
rekomendasi dengan menggunakan metode multicriteria collaborative filtering,
yaitu :
1. Algoritma prediksi nilai rating tidak diaplikasikan pada seluruh kriteria
obyek rekomendasi, namun hanya dipilih kriteria individual tertentu
yang dianggap signifikan dan mewakili preferensi pengguna.
2. Belum ada algoritma prediksi nilai rating untuk kriteria overall yang
mengkombinasikan collaborative filtering dan bobot kriteria individual.
3. Prosedur pembangkitan obyek rekomendasi masih dilakukan secara
konvensional, yakni hanya berdasarkan pada nilai-nilai prediksi rating,
belum mempertimbangkan aspek diversitas.
1.3 Batasan Masalah
Sebagai domain penelitian yang relatif masih baru dalam bidang ilmu
komputer, sistem rekomendasi berbasis multicriteria collaborative filtering
memiliki ruang permasalahan yang amat luas (Said, 2012), sehingga satu
penelitian tidak mungkin mencakup seluruh permasalahan. Oleh karena itu,
penelitian ini dibatasi hanya pada dua masalah penting sebagai berikut :
a. Masalah peningkatan akurasi prediksi pada multicriteria collaborative
filtering, khususnya prediksi rating untuk kriteria secara keseluruhan.
Masalah ini sangat dipengaruhi oleh pendekatan yang digunakan dalam
pengukuran similaritas pengguna, pembentukan user-neighborhood,
perhitungan bobot kriteria obyek rekomendasi dan rumus prediksi.
Untuk kepentingan ini maka masalah cold-start perlu diselesaikan
terlebih dahulu (Nhat, 2008).
b. Masalah peningkatan presisi rekomendasi yang terjadi pada tahap
pembangkitan obyek rekomendasi.
9
1.4 Tujuan Penelitian
Penelitian ini bertujuan untuk :
a. Meningkatkan akurasi prediksi multicriteria collaborative filtering yang
diaplikasikan pada sistem rekomendasi dokumen ilmiah dengan
mengakomodasi seluruh kriteria individual.
b. Meningkatkan akurasi prediksi kriteria overall dengan mengembangkan
algoritma yang mengkombinasikan metode collaborative filtering dan
bobot kriteria individual.
c. Meningkatkan presisi rekomendasi dengan memanfaatkan diversitas
berbasis konten maupun kriteria. Sehingga pada tahapan pembangkitan
rekomendasi terdapat dua proses, yaitu pengurutan dokumen secara
descending berdasarkan nilai prediksi rating dan perhitungan nilai
diversitas dokumen.
1.5 Manfaat Penelitian
Dalam ranah pengembangan ilmu pengetahuan dan teknologi informasi,
penelitian ini memberikan manfaat berupa variasi model multicriteria
collaborative filtering yang diterapkan pada sistem rekomendasi dokumen
ilmiah. Sedangkan secara khusus, engine hasil penelitian ini dapat diletakkan
dalam sistem manajemen dokumen ilmiah agar memberikan manfaat kepada
para mahasiswa, pengajar dan peneliti berupa kemudahan dalam hal :
a. Mendapatkan referensi yang relevan untuk proses pengajaran.
b. Mendapatkan referensi penelitian yang lengkap dan komprehensif
sesuai dengan bidang minat pengguna.
1.6 Kontribusi dan Keaslian Penelitian
Penelitian ini memberikan kontribusi berupa variasi model sistem
rekomendasi dokumen menggunakan metode multicriteria collaborative filtering
yang memiliki karakteristik sebagai berikut :
10
a. Similaritas pengguna dihitung menggunakan dua pendekatan, yakni
rumus cosinus dan rumus jarak multidimensi.
b. Relasi antara kriteria overall dengan semua kriteria individual ditemukan
dengan cara mengolah data multiratings yang dihasilkan sebelumnya.
c. Prediksi rating overall dilakukan dengan mengkombinasikan metode
collaborative filtering dengan hasil perhitungan bobot kriteria individual.
d. Pembangkitan rekomendasi dilakukan dengan mempertimbangkan
aspek diversitas dokumen berdasarkan konten dan kriteria.
Keaslian penelitian terletak pada tahap prediksi nilai multiratings dan penentuan
diversitas dan pembangkitan rekomendasi yang alurnya ditunjukkan Gambar 1.1.
Gambar 1.1 Posisi Kontribusi Penelitian
Recommender
Systems
Hybrid
Models
Collaborative
Filtering
Item-Based
SimilarityUser-Based Similarity
Combination
Similarity
Content-
Based
Filtering
Demographic
Filtering
Memory-Based
Approach
Model-Based
Approach
Knowledge-
Based
Filtering
Community-
Based Filtering
Hybrid Approach
Multi Criteria Single Criterion
Similarity-Based PredictionCombination-Based
Prediction
Criteria-Based
Diversity
Content-Based
Diversity
11
Dari Gambar 1.1 dapat diketahui alur pengembangan model yang dimulai
dari awal sampai ditemukan novelty yang membedakannya dengan model sistem
rekomendasi lain yang sudah dikembangkan sebelumnya. Dari enam metode
information filtering sebagaimana yang dituliskan oleh Ricci, dkk. (2011),
metode yang dipilih untuk dikembangkan adalah collaborative filtering, yang
dasar teorinya dipaparkan Sub Bab 3.4. Di dalam collaborative filtering, terdapat
tiga pendekatan untuk melakukan user profile matching (Vozalis, 2003) dan yang
dipilih adalah memory-based approach agar bisa memanfaatkan data-data hasil
rekaman interaksi pengguna dan sistem sebelumnya. Kemudian similaritas yang
diaplikasikan adalah user-based dengan multicriteria approach yang urgensi
penggunaannya dijelaskan pada Sub Bab 4.1.
Novelty pertama terletak pada tahap prediksi rating yang disebut dengan
istilah combination-based prediction. Proses prediksi tersebut berbeda dengan
apa yang sudah dilakukan para peneliti sistem rekomendasi berbasis multicriteria
yang lain seperti Lakiotaki, dkk. (2008), Chapphannarungsri, dkk.(2009), Naak,
dkk. (2009) dan Liu, dkk. (2011). Nilai rating untuk empat kriteria individual
diprediksi menggunakan collaborative filtering klasik, sedangkan nilai rating
kriteria overall diprediksi dengan metode kombinasi collaborative filtering dan
perhitungan bobot kriteria individual yang dilakukan berdasarkan database
multiratings yang telah dihasilkan sistem sebelumnya. Penjelasan combination-
based prediction diberikan secara lengkap dan detail pada Sub Bab 4.4.2.
Sedangkan novelty yang kedua terletak pada tahapan pembangkitan obyek
rekomendasi. Proses pembangkitan dilakukan melalui dua proses, yaitu proses
sorting obyek rekomendasi dan proses perhitungan diversitas. Proses sorting
didasarkan pada nilai rating hasil prediksi secara descending. Selanjutnya dipilih
obyek rekomendasi yang masuk daftar Top-N untuk dihitung nilai diversitasnya,
baik diversitas berbasis konten maupun kriteria. Obyek rekomendasi yang
memiliki nilai diversitas yang tinggi dipilih untuk ditawarkan pada pengguna.
Pemaparan secara detail tentang diversitas diberikan ecara terpisah pada Bab V.
12
1.7 Struktur Penulisan
Laporan hasil penelitian untuk mengembangkan metode multicriteria
collaborative filtering yang diterapkan pada sistem rekomendasi dokumen ini
ditulis dalam enam bab, dengan sistematika penulisan sebagai berikut :
Bab I Pendahuluan
Bagian pendahuluan ini menguraikan tentang latar belakang, rumusan masalah,
batasan masalah, tujuan penelitian, manfaat penelitian, kontribusi dan keaslian
penelitian, struktur penulisan laporan penelitian disertasi dan publikasi.
Bab II Tinjauan Pustaka
Bagian ini berisi hasil studi literatur terhadap berbagai hasil penelitian yang
mengambil topik yang terkait dengan sistem rekomendasi dan dokumen ilmiah.
Studi literatur diawali dengan analisis dan klasifikasi sistem rekomendasi yang
menghasilkan klasifikasi domain aplikasi dan taksonomi sistem rekomendasi.
Khusus untuk sistem rekomendasi berbasis collaborative filtering, studi literatur
dibagi secara tematik yaitu arsitektur dan keamanan sistem rekomendasi, kinerja
komputasi, akurasi prediksi, presisi rekomendasi dan diversitas rekomendasi.
Selain itu juga diperkaya dengan studi tentang penerapan konsep multikriteria
dalam sistem rekomendasi dan berbagai metode hybridisasi yang sudah
dikembangkan para peneliti sebelumnya. Bagian ini diakhiri dengan deskripsi
singkat, posisi penelitian yang dilakukan dan perbedaannya dengan metode
sejenis yang telah dikembangkan peneliti sebelumnya.
Bab III Sistem Rekomendasi Berbasis Collaborative Filtering
Merupakan bagian yang memaparkan dasar-dasar teori yang melandasi
penelitian yang meliputi arsitektur dasar sistem rekomendasi, profile generation
and maintenance, profile exploitation, collaborative filtering. Juga diterangkan
rumus perhitungan similaritas pengguna, rumus perhitungan similaritas item dan
prediksi nilai rating. Bab ini diakhiri dengan teori pengujian performansi sistem
rekomendasi, yakni akurasi prediksi, presisi rekomendasi, efisiensi dan running
time. Selain itu dipaparkan juga identifikasi kriteria dokumen ilmiah.
13
Bab IV Pengembangan Metode Multicriteria Collaborative Filtering
Bab ini merupakan inti pertama dari laporan hasil penelitian yang dilakukan.
Dimulai dari penjelasan tentang urgensi pemodelan sistem rekomendasi dengan
menggunakan multicriteria, representasi multicriteria user profile, pembentukan
user-neighborhood, perhitungan prediksi rating dan pembangkitan rekomendasi.
Semua penjelasan tersebut diperkuat dengan contoh kasus agar memudahkan
pemahaman terhadap proses yang terjadi. Selanjutnya dijelaskan konstruksi
sistem rekomendasi yang diusulkan menggunakan variasi metode multicriteria
collaborative filtering. Bab ini dilengkapi dengan hasil pengujian dan evaluasi
terhadap sistem rekomendasi yang telah dikembangkan, meliputi aspek akurasi
prediksi dan presisi rekomendasi.
Bab V Pengembangan Diversitas Rekomendasi Dalam MCF
Bab ini merupakan bagian inti kedua dari penelitian yang mengembangkan
diversitas pada sistem rekomendasi yang menerapkan multicriteria collaborative
filtering. Pembahasan mencakup diversitas berdasarkan konten dokumen dan
diversitas berdasarkan kriteria. Pada akhir bab ini disajikan pula hasil pengujian
pengaruh diversitas terhadap peningkatan presisi rekomendasi.
Bab VI Kesimpulan dan Saran
Bab ini menjelaskan kesimpulan hasil penelitian yang telah dilakukan dan
merekomendasikan topik penelitian yang dapat dilanjutkan.
1.8 Publikasi
Penelitian ini menghasilkan tiga publikasi, yaitu :
1. Wiranto, Winarko, E., 2010, Konsep Multicriteria Collaborative Filtering
Untuk Perbaikan Rekomendasi, Prosiding Seminar Nasional Informatika,
Yogyakarta, 22 Mei 2010. Paper ini merupakan hasil literature review
terhadap model pengembangan sistem rekomendasi, yang menghasilkan
kesimpulan bahwa pendekatan multicriteria collaborative filtering banyak
memberikan peluang untuk perbaikan kualitas rekomendasi.
14
2. Wiranto, Winarko, E., Hartati, S., Wardoyo, R., 2014, Improving The
Prediction Accuracy of Multicriteria Collaborative Filtering by Combination
Algorithms, International Journal of Advanced Computer Science and
Applications (IJACSA), Volume 5 Issue 4, April 2014. Paper ini merupakan
publikasi hasil pengembangan metode multicriteria collaborative filtering
yang diaplikasikan pada sistem rekomendasi dokumen. Fokus dari paper
ini adalah peningkatan akurasi prediksi dengan menggunakan algoritma
kombinasi pada saat melakukan perhitungan nilai rating overall. Merujuk
pada pendekatan pengukuran similaritas pengguna yang diterapkan,
maka dapat dikembangkan dua variasi metode kombinasi. Secara detail,
substansi publikasi ini dijelaskan pada bab IV.
3. Wiranto, Winarko, E., Hartati, S., Wardoyo, R., 2014, The Effect of
Diversity Implementation on Precision in Multicriteria Collaborative
Filtering, International Journal of Advanced Computer Science and
Applications (IJACSA), Volume 5 Issue 5, May 2014. Publikasi ini berisi
hasil pengembangan diversitas rekomendasi, baik yang diversitas berbasis
konten maupun berbasis kriteria dokumen. Pada tahapan pembangkitan
rekomendasi, setelah dilakukan sorting terhadap dokumen berdasarkan
nilai prediksi rating kemudian dilanjutkan dengan pengukuran diversitas
sebelum diberikan kepada pengguna aktif. Hasil penerapan diversitas
ternyata memberikan pengaruh yang signifikan terhadap peningkatan
presisi rekomendasi. Materi publikasi ini secara lengkap dipaparkan pada
bab V.