ISSN : 2302 – 450X
544 Produk
yang memiliki
nilai kegunaan
tertinggilah yang
kemudian dijadikan
rekomendasi Purwanto. 2009. Dalam metode ini diketahui nilai
similaritas antar item dengan tingkat persebaran rating kecil dan nilai similaritas antar item
cenderung lebih jarang berubah dibandingkan dengan nilai similaritas antar pengguna. Berikut
merupakan rumus untuk menghitung similaritas:
∑ ̅̅̅̅
̅ √∑
̅ √∑
̅
1 Dimana, S
i,j
adalah similaritas atau nilai kemiripan antara ítem i dengan ítem j. u
ϵU adalah himpunan user yang me-rating baik ítem
i maupun ítem j. R
u,i
adalah rating user pada ítem
i. R
u,j
adalah rating user pada ítem j. R
u
adalah nilai rating rata – rata user.
Tahap selanjutnya adalah menghitung prediksi. Penghitungan prediksi menggunakan
rumus weighted sum:
∑ ∑ |
|
2
Dimana, P
a,j
adalah prediksi rating ítem
j oleh user a. i ϵI adalah himpunan ítem
yang mirip dengan ítem j. R
u,i
adalah Rating user a pada ítem i. S
i,j
adalah nilai similaritas atau kemiripan anatara ítem i dan j.
2.3 Analisis Kebutuhan
Analisa kebutuhan untuk mendapatkan kebutuhan yang diperlukan oleh sistem. Daftar
kebutuhan fungsional akan dispesifikasikan yaitu spesifikasi kebutuhan fungsional pengguna yang
dapat dilihat pada tabel 1.
Tabel 1. Analisis Kebutuhan Fungsional
No Kebutuhan
1 Dapat melakukan registrasi, login dan
logout 2
Dapat memberikan rating pada produk plakat
3 Mampu memberikan rekomendasi yang
telah dikalkulasi oleh sistem 4
Mampu menampilkan visualisasi untuk plakat
5 Menyimpan data dan infomasi untuk
produk plakat baru dan memasukkan kedalam galeri
6 Mampu mengatasi dalam melakukan
transaksi pembelian
2.4 Alur Kerja Pemberian Rating
Poses pemberian rating oleh user terhadap sebuah ítem ditunjukan melalui flowchart pada
gambar 2. Rating ui yang diberikan user u terhadap item i akan diperiksa apakah ui sudah ada pada tabel
rating atau belum. Jika sudah, ui yang lama akan di-
update dengan ui yang baru, sebaliknya jika belum maka ui akan dimasukkan ke dalam rating sebagai
data rating baru. Kemudian melakukan perhitugan dengan metode ítem-based collaborative filtering.
Setelah itu update tabel model.
Start Rating ui
Apakah u ada di tabel rating
Insert ui Update ui
Set item based CF?
Menghitung Similaritas
Menghitung prediksi
Update tabel model item
Selesai Tidak
Ya
Ya Tidak
Gambar 2. Flowchart Pemberian Rating 2.5
Alur Kerja Pemberian Rekomendasi Kepada User
Pemberian rekomendasi
kepada user
dijelaskan pada Gambar 3. User memilih ítem, diperiksa apakah user telah terdaftar atau belum. Jika
user telah terdaftar, maka perlu diperiksa lagi apakah user telah memberi rating pada sebuah ítem. Jika
kondisi bener maka memberikan rekomendasi kepada user.
Jika tidak maka tidak diberikan rekomendasi untuk user.