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.