Sistem utama Fungsi sistem

b. Penentuan profil minat dan perilaku pengguna. c. Tingkat kesesuain rekomendasi dengan yang diharapkan oleh pengguna. 5. Pemeliharaan Support Tahap ini tidak dilakukan dalam penelitian ini. HASIL DAN PEMBAHASAN Rancangan Arsitektur Sebelum sistem ini dijalankan, informasi- informasi yang berkaitan dengan koleksi wallpaper dikumpulkan untuk membentuk index database . Setelah itu, browsing interface akan membantu penguna melihat isi koleksi wallpaper dan informasi-informasi yang berkaitan dengan wallpaper tersebut berdasarkan kategori wallpaper. Seperti yang tampak pada Gambar 1. Gambar 1 Halaman koleksi wallpaper. Jika pengguna mengunduh sebuah koleksi wallpaper , sistem akan mencatat dan menyampaikan kategori dan identitas wallpaper tersebut ke dalam profile manager. Di dalam profile manager, sistem akan menentukan profil minat dan profil perilaku setiap pengguna berdasarkan data transaksi koleksi yang telah diunduh oleh pengguna. Pada User Cluster, akan dibentuk matriks vektor pengguna berdasarkan profil pengguna. Kemudian setiap pengguna akan dikelompokkan berdasarkan jarak masing- masing matriks vektor yang telah terbentuk sebelumnya dengan menggunakan jarak Euclidean . Setiap kali pengguna meminta request rekomendasi, recommendation provider akan menampilkan rekomendasi koleksi-koleksi wallpaper yang belum pernah diunduh oleh pengguna tersebut dan berasal dari koleksi- koleksi wallpaper yang pernah diunduh pengguna-pengguna lain yang memiliki profil minat dan profil perilaku yang sama di dalam kelompok cluster yang sama. Halaman rekomendasi tampak seperti pada Gambar 2. Gambar 2 Halaman rekomendasi koleksi wallpaper. Arsitektur sistem rekomendasi dapat dilihat pada Gambar 3. Index Database Recommendation Provider User Cluster user Gambar 3 Arsitektur sistem rekomendasi Yong 2001. Pembuatan Algoritma Sesuai dengan arsitektur yang telah ditentukan, maka sistem rekomendasi akan dibagi menjadi satu sistem utama dan empat fungsi sistem.

1. Sistem utama

Seperti yang tampak pada kode sumber di bawah, pada sistem utama pengguna yang baru akan dibuatkan tabel minat dan perilaku. Kemudian semua koleksi wallpaper akan ditampilkan berdasarkan kategori. Jika pengguna mengunduh sebuah koleksi wallpaper , maka identitas pengguna, identitas wallpaper dan kategori wallpaper akan dicatat pada tabel transaksi. Jika pengguna meminta rekomendasi, maka sistem akan menjalankan fungsi recommendation. Jika pengguna keluar dari sistem logout, maka sistem akan menjalankan fungsi input_interest_behavior, fungsi create_vector dan fungsi cluster_vector. 1 Login user=u i ; 2 if user=new user then 3 create table interestuser u; 4 create table behavioruser u; 5 end 6 show wallpaper order by kategories 7 if user downloads a wallpaper then 8 input id wallpaper,category wallpaper, id user to transaction table; 9 end 10 if user requests recommendation then 11 recommendationuser u i ; 12 end 13 if user logout then 14 input_interest_behavioruser u i ; 15 create_vectoruser u i ; 16 cluster_vector; 17 end

2. Fungsi sistem

Terdapat empat fungsi sistem yang dijalankan di dalam sistem utama, yaitu: a. Fungsi input_interest_behavior Pada fungsi ini seperti yang tampak pada kode sumber di bawah, sistem akan menentukan profil minat dan profil perilaku pengguna berdasarkan kategori koleksi-koleksi wallpaper yang telah diunduh oleh pengguna sebelumnya. 1 forall transaction where user=u i do 2 forall category in transaction where user= u i do 3 input first appearance category to field first in interest table; 4 input last appeareance category to field last in interest table; 5 input number of appeareance category for each transaction to count in interest table; 6 ifcountγ then 7 support interest= countNumber of Transactions- first+1; 8 end 9 end 10 forall 2-set category in transaction where user= u i do 11 input first appearance 2- set category to field first in behavior tabel; 12 input last appeareance 2- set category to field last in behavior table; 13 input number of appeareance 2-set category for each transaction to count in behavior table; 14 if countγ then 15 support behavior= countnumber of transactions- first+1 16 end 17 end 18 end Untuk menjelaskan kode sumber di atas, akan dicontohkan suatu transaksi yang dilakukan oleh seorang pengguna seperti yang tampak pada Tabel 2. Tabel 2 Tabel transaksi id transaksi id wallpaper category id user 1 12 A 1 1 15 C 1 1 13 E 1 2 14 B 1 2 15 C 1 2 16 E 1 2 17 F 1 3 20 D 1 3 40 E 1 3 38 F 1 4 23 B 1 4 33 C 1 4 31 D 1 Tabel transaksi di atas memiliki empat field , yaitu id transaksi, id wallpaper, category dan id user . id transaksi merupakan identitas transaksi selama pengguna login , id wallpaper adalah identitas wallpaper yang diunduh, category adalah kategori wallpaper yang diunduh, serta id user adalah identitas pengguna yang mengunduh wallpaper . Fungsi input_interest_behavior akan mengisi tabel interest dan tabel behavior dari data yang ada pada Tabel 2 yang merupakan tabel transaksi. Tabel 3 Tabel interest Category First last count Support A 1 1 1 NA B 2 4 2 67 C 1 4 3 75 D 3 4 2 100 E 1 3 3 75 F 2 3 2 67 Tabel interest di atas memiliki lima field, yaitu category, first, last, count dan support . category merupakan kategori wallpaper yang muncul pada transaksi, first adalah transaksi di mana kategori pertama kali muncul, last adalah transaksi di mana kategori terakhir kali muncul, count adalah jumlah transaksi di mana kategori muncul, serta support adalah nilai support terhadap kategori. Pada fungsi ini terdapat threshold minimal count dilambangkan γ yang akan menyaring kategori-kategori yang nilai kemunculannya di bawah nilai threshold γ. Kategori-kategori yang nilai kemunculannya di atas nilai threshold γ sebagai contoh, nilai γ=1 yang akan dihitung nilai support dengan menggunakan persamaan 2. Hal ini juga berlaku untuk profil perilaku, fungsi ini akan mengisi tabel behavior berdasarkan informasi yang ada pada Tabel 2. Tabel 4 Tabel behavior 2-category set first last Count Support [A,C] 1 1 1 NA [A,E] 1 1 1 NA [B,C] 2 4 2 67 [B,D] 4 4 1 NA [B,E] 2 2 1 NA [B,F] 2 2 1 NA [C,D] 4 4 1 NA [C,E] 1 2 2 50 [C,F] 2 2 1 NA [D,E] 3 3 1 NA [D,F] 3 3 1 NA [E,F] 2 3 2 67 Tabel behavior memiliki lima field, yaitu 2-category set, first, last, count dan support . 2-category set merupakan himpunan dua kategori 2-category set wallpaper yang muncul pada transaksi, first adalah transaksi di mana 2-category set pertama kali muncul, last adalah transaksi di mana 2-category set terakhir kali muncul, count adalah jumlah transaksi di mana 2-category set muncul, serta support adalah nilai support terhadap 2- category set . Pada Tabel 4 juga dilakukan penyaringan nilai kemunculan 2-category set terhadap nilai γ sebagai contoh, nilai γ=1. 2-category set di atas nilai γ yang akan dihitung nilai support dengan menggunakan persamaan 4. Kemudian profil minat ditentukan dengan mencari nilai support yang nilainya lebih besar dari nilai threshold α, seperti yang digunakan dalam persamaan 1 sebagai contoh, nilai α=70 maka profil minat={C,D,E}. Pada profil perilaku ditentukan dengan mencari support yang nilainya lebih besar dari nilai threshold β, seperti yang digunakan di dalam persamaan 3 sebagai contoh, nilai β=40 maka profil perilaku={[B,C], [C,E],[E,F]}. b. Fungsi create_vector Pada fungsi create_vector sistem akan membentuk matriks vektor pengguna berdasarkan profil minat dan profil perilaku yang sudah terbentuk dari tabel interest dan tabel behavior. 1 Forall 2-set category where support behaviorβ do 2 forall category do 3 a_kat=category 4 end 5 z=0; 6 a=0; 7 n=0; 8 vector=NULL; 9 forx=0;xnumber of category;x++ do 10 fory=n;ynumber of category;y++do 11 element=subset 2-set category; 12 if category_interest= a_kat[x]then 13 vector= vector.’1’; 14 a++; 15 end 16 else 17 if element[0]= a_kat[x] element[1]=a_kat[y] then 18 vector= vector.’1’; 19 end 20 else 21 vector= vector.’0’; 22 end 23 end 24 end 25 end 26 input vektor to table user where user=u i ; 27 End Seperti disebutkan sebelumnya, bahwa fungsi ini akan membentuk matriks vektor perilaku pengguna berdasarkan profil perlaku pengguna. Sebagai contoh, jika profil minat={C,D,E} dan profil perilaku={[B,C], [C,E] ,[E,F]} maka proses pembentuk matriks dapat dilihat pada Gambar 4 1 1 1 1 1 1 F]} [E, E], [C, C], {[B, } , , { F E D C B A F E D C B A E D C  Gambar 4 Proses pembentukan matriks vektor. Seperti yang tampak pada Gambar 4, maka akan diperoleh vektor matriks pengguna: 0000000100010100110. c. Fungsi cluster_vector Pada fungsi ini, sistem akan mengelompokkan setiap pengguna berdasarkan jarak masing-masing matriks vektor pengguna. 1 M=0; 2 forall user in user table user do 3 get user[m]; 4 get vektor_user[m]; 5 m++; 6 end 7 user_centroid[0]=user[0]; 8 vector_centroid[0]=vector_user[0]; 9 user_iteration=1; 10 sum_cluster=1; 11 id_cluster=sum_cluster; 12 k=1; 13 fori=1;isum_cluster;i++do 14 distance= euclid_distance vector_centroid,vector_user[i]; 15 ifdistanceδthen 16 sum_cluster++; 17 id_cluster++; 18 user_centroid [id_cluster]= user[i]; 19 vector_centroid [id_cluster]= vector_user[i]; 20 user_is_in=id_cluster; 21 end 22 else 23 user_is_in=shortest euclid distancevector_centroid, vector_user[i]; 24 vector_centroid [id_cluster]= average_pointcluster[id_cluster]; 25 user_is_in=id_cluster; 26 end 27 End Pada fungsi ini terdapat nilai untuk jarak minimal matriks vektor dilambangkan dengan δ. Pada saat fungsi dijalankan pengguna dengan id yang paling kecil yang menjadi centriod culster dari cluster yang baru terbentuk. Pengguna seterusnya akan diperiksa jarak terpendeknya menggunakan jarak Euclidean dengan setiap cluster yang sudah terbentuk sebelumnya. Jika jarak terpendek ≤ nilai δ, maka matriks vektor masuk ke dalam cluster yang memiliki jarak terkecil dan centroid cluster berubah berdasarkan matriks vektor yang baru di dalam cluster. Dalam hal ini penentuan nilai centroid cluster menggunakan metode Unweighted pair-group centroid . Kemudian jika jarak terpendek nilai δ, maka membentuk cluster baru dan matriks vektor tersebut menjadi centroid cluster. d. Fungsi recommendation Pada fungsi ini, sistem akan menghasilkan rekomendasi koleksi-koleksi wallpaper yang belum pernah diunduh oleh pengguna, berdasarkan koleksi-koleski wallpaper yang telah diunduh oleh pengguna yang lain yang memiliki profil minat dan profil perilaku yang sama pada kelompok cluster yang sama. 1 forall users in the same cluster do 2 forall user which has the same interest do 3 select id wallpaper which has not been download; 4 input into interest recommendation; 5 end 6 forall user which has the same behavior do 7 select id wallpaper which has not been download; 8 input into behavior recommendation; 9 end 10 end Analisis Kompleksitas Waktu Algoritma Untuk sistem utama, bisa dikatakan bahwa kompleksitas waktunya adalah On, karena pada baris ke-2 terjadi perulangan untuk menampilkan koleksi wallpaper. Pada sistem utama terjadi pemanggilan beberapa fungsi. Yaitu pada baris 10 terjadi pemanggilan fungsi recommendation , baris 14 terjadi pemanggilan fungsi input_interest_behavior, baris 15 terjadi pemanggilan fungsi create_vector, serta pada baris 16 terjadi pemanggilan fungsi cluster_vector . Fungsi recommendation memiliki kompleksitas waktu O2n 2 . Karena pada perulangan baris 1, terdapat perulangan pada baris 2 dan 6. fungsi input_interest_behavior memiliki kompleksitas waktu O2n 2 . Karena pada perulangan baris 1, terdapat perulangan pada baris 2 dan 10. Untuk fungsi create_vektor, karena pada sistem ini hanya ada sepuluh kategori maka pada baris pertama hanya ada 10x9=90 kemungkinan. Pada baris 8 dan 9 terjadi perulangan berkalang 2 sebanyak 10 kali, maka waktu kompleksitasnya 90x100=9000. Karena waktu kompleksitasnya selalu tetap dan bisa dikatakan nilai skalarnya kecil, maka fungsi ini memiliki kompleksitas waktu O1. Fungsi cluster_vector , memiliki kompleksitas waktu On 2 . Karena pada perulangan baris 1, terdapat perulangan pada baris 13. Dengan demikian secara keseluruhan sistem rekomendasi ini memiliki kompleksitas waktu algoritma O2n 2 . Implementasi Sistem Dalam mengembangkan sistem ini digunakan perangkat lunak dan perangkat keras sebagai berikut: perangkat lunak: a. Sistem Operasi Windows XP Professional SP2 b. XAMPP 1.5.5 c. Web Server Apache 2.2.3 d. Bahasa Pemrograman PHP 5.2.0 e. DBMS MySQL 5.0.2 f. Web Browser Mozilla Firefox 2.0.0.2 dan Microsoft Internet Explorer 6.0.29 dengan perangkat keras PC: a. Prosesor Intel Pentium D 2,80Ghz b. Memori 1024MB DDR II RAM c. Harddisk 160 GB d. VGA GeCube ATI Radeon X1650 512MB DDR II e. Monitor 17” resolusi 1280x1024 f. Mouse dan Keyboard Rancangan Pengujian Pengujian sistem rekomendasi ini dilakukan secara langsung oleh pengguna awam. Dalam percobaan ini, sebanyak 517 koleksi wallpaper dikumpulkan dan dikelompokkan menjadi sepuluh kategori. Seperti yang tampak pada Tabel 5, kategori games memiliki jumlah koleksi terbanyak, yaitu 12,57 dari keseluruhan jumlah koleksi. Sedangkan kategori photo manipulated memliki koleksi yang paling sedikit, yaitu 8,12. Tabel 5 Koleksi wallpaper Kategori Jumlah Koleksi 3D 49 9.48 abstract 49 9.48 fantasy 67 12.96 fractals 47 9.09 games 65 12.57 landscape 46 8.90 minimalistic 50 9.67 PC Mac 49 9.48 photo manipulated 42 8.12 vector 53 10.25 TOTAL 517 100 Sistem ini diujikan kepada tujuh individu pengguna. Jika pengguna tersebut login, maka pengguna dapat melakukan proses browsing koleksi yang ada di dalam sistem berdasarkan kategori. Setiap kali pengguna mengunduh koleksi wallpaper, sistem rekomendasi akan mencatat informasi-informasi yang diperlukan untuk menghitung dan menentukan profil pengguna. Pengguna juga dapat meminta rekomendasi dari sistem. Berdasarkan wallpaper yang direkomendasikan, pengguna harus secara eksplisit menilai rekomendasi tersebut. Ada dua nilai yang digunakan untuk menilai rekomendasi yang diberikan, yaitu sesuai hit dan tidak sesuai miss. Sesuai dengan tanggapan yang dikumpulkan dari hasil percobaan, ada nilai ukur yang digunakan untuk mengevaluasi metode yang digunakan dalam sistem ini. N g dan N b masing-masing adalah lambang untuk jumlah respon baik dan respon buruk. Dalam hal ini N adalah jumlah total rekomendasi, sehingga didefinisikan bahwa hit ratio dan miss ratio , sebagai berikut: Hit Ratio = N Ng dan Miss Ratio = N Nb ..........6 Hasil Pengujian Setelah mencatat koleksi wallpaper yang telah diunduh oleh pengguna selama masa percobaan, didapat hasil seperti yang tampak di dalam Tabel 6. Tabel 6 Jumlah koleksi wallpaper yang diunduh Kategori Jumlah yang diunduh 3D 74 7.42 abstract 95 9.53 fantasy 90 9.03 fractals 95 9.53 games 49 4.91 landscape 155 15.55 minimalistic 114 11.43 PC Mac 57 5.72 photo manipulated 196 19.66 vektor 72 7.22 TOTAL 997 100 Seperti yang terlihat pada Tabel 6, total koleksi yang diunduh selama pengujian adalah sebanyak 997 koleksi. Di mana koleksi dari kategori photo manipulated adalah koleksi yang paling banyak diunduh, yaitu 19.66 dari jumlah koleksi yang diunduh. Sedangkan kategori games adalah kategori yang paling sedikit diunduh, yaitu 4.91. Untuk setiap kategori yang ada dalam profil minat dan 2-set category di dalam profil perilaku maka yang akan diproses adalah yang nilai kemunculannya harus lebih besar dari nilai γ, di mana nilai γ=1. Berdasarkan pengujian dan percobaan beberapa kali sebelumnya, didapat nilai threshold untuk α sebesar 0.26 dan β sebesar 0.14. Dari data transaksi yang mencatat koleksi wallpaper yang diunduh, dilakukan proses perhitungan dan penentuan matriks vektor masing-masing pengguna berdasarkan profil perilaku. Dalam percobaan ini dilakukan percobaan dengan nilai threshold δ yang berbeda-beda, masing-masing 0.75, 1.6, 2.8 dan 3.8. Di dalam Tabel 7 ditunjukkan hasil pengelompokan berdasarkan nilai threshold δ. Di dalam tabel ini pengguna dilambangkan dengan id_user seperti 2, 3 dan seterusnya. Cluster yang terbentuk dilambangkan dengan C0, C1 dan seterusnya. Tabel 7 Hasil proses clustering dengan menggunakan nilai δ yang berbeda Cluster δ =0.75 δ =1.6 δ =2.8 δ =3.8 C0 2 2, 4 2, 4, 8 2, 3, 5, 6, 8 C1 3 3 3 4 C2 4 5 5 7 C3 5 6 6 C4 6 7 7 C5 7 8 C6 8 Dari Tabel 7 dapat dilihat pada saat nilai δ sebesar 0.75 terdapat tujuh cluster. Kemudian, nilai δ dinaikan menjadi 1.6 maka cluster yang terbentuk berkurang satu dan menjadi enam cluster. Ketika nilai δ dinaikkan menjadi 2.8, ada cluster yang bergabung dengan cluster yang lain sebagai contoh, id_user 4 bergabung dengan cluster C0. Ketika nilai δ dinaikkan lagi menjadi 3.8, beberapa cluster kembali menggabungkan diri dengan cluster yang lain sehingga jumlah cluster berkurang dua menjadi 3 cluster. Secara umum, dengan semakin besar nilai δ maka semakin banyak anggota yang ada di dalam cluster dan membuat semakin sedikit cluster yang terbentuk. Dalam percobaan dilakukan juga pengamatan terhadap rekomendasi yang diminta oleh pengguna. Jika pengguna meminta rekomendasi, maka sistem akan memberikan rekomendasi wallpaper berdasarkan minat dan perilaku, serta berdasarkan cluster pengguna yang sama. Sebelum wallpaper hasil rekomendasi dapat diunduh oleh pengguna, maka sistem akan menanyakan apakah hasil yang direkomendasikan sesuai dengan keinginan pengguna. Jika sesuai, maka hasil rekomendasi dianggap sebagai hit, sebaliknya jika hasil rekomendasi tidak sesuai dengan keinginan pengguna dianggap sebagai miss. Tabel 8 Tabel hit rasio berdasarkan nilai δ id user δ =1.6 δ=2 δ=3.6 2 72.22 100.00 66.67 3 35.29 4 86.96 100.00 5 38.00 6 75.00 7 8 100.00 100.00 Pada Tabel 8 ditampilkan perbandingan hit ratio berdasarkan nilai-nilai δ yang diujikan dalam percobaan. Pada tabel nilai yang ada memang tidak terlihat pola yang jelas, ini dikarenakan pengguna diberi kebebasan untuk meminta dan menilai rekomendasi. Jika dilihat pada Tabel 8 ada beberapa hit ratio yang nilainya kosong, hal ini dapat terjadi karena: a. Pengguna tidak meminta rekomendasi. b. Pengguna meminta rekomendasi, namun tidak ada yang direkomendasikan. Karena pengguna sudah mengunduh koleksi wallpaper yang akan direkomendasikan. c. Pengguna meminta rekomendasi, namun tidak ada yang direkomendasikan. Karena di dalam cluster pengguna hanya sendirian. KESIMPULAN DAN SARAN Kesimpulan Sistem rekomendasi dikembangkan untuk mempermudah pengguna dalam menjelajahi browsing situs web untuk mencari informasi dan isi sesuai dengan keinginan pengguna. Dengan cara menentukan profil minat interest profile dan profil perilaku behavior profile pengguna yang diperoleh dari data tabel transaksi pengguna. Sistem ini dapat memberikan rekomendasi berdasarkan koleksi yang pernah diunduh oleh pengguna lain yang memiliki profil minat dan profil perilaku yang sama di dalam kelompok cluster yang sama. Nilai-nilai threshold yang ada di dalam sistem α, β, δ, γ mempengaruhi penentuan profil minat dan perilaku pengguna serta rekomendasi yang dihasilkan. Saran Di dalam penelitian ini masih ada yang dapat diteliti dan dikembangkan, antara lain: a. Pengembangan sistem untuk profil perilaku N-category set, N 2. Di dalam penelitian ini, digunakan 2-set category untuk menentukan profil perilaku pengguna. Dengan N-category set yang bernilai N2, memungkinkan perolehan profil pengguna pengguna yang lebih kompleks, yang dapat memberikan gambaran yang lebih detail terhadap perilaku pengguna. Untuk itu diperlukan algoritma yang efisien dan efektif untuk melakukan data mining terhadap profil perilaku N-category set di mana N2. b. Seperti dikatakan sebelumnya, nilai-nilai threshold yang ada di dalam sistem α, β, δ, γ sangat mempengaruhi penentuan profil pengguna serta dalam proses penentuan rekomendasi. Di dalam penelitian ini, nilai- nilai tersebut diperoleh dengan ‘trial and error’. Perlu ada penelitian dan pengembangan lebih lanjut untuk menentukan nilai-nilai threshold agar lebih akurat, sehingga dapat ditentukan profil pengguna dengan lebih baik dan pemberian rekomendasi yang lebih tepat. DAFTAR PUSTAKA Agrawal R.,Srikant R. 1994. Fast Algorithms of Mining Association Rule.Proceedings of VLDB Conference :pp 487-489. Balabanovic C, Shoham Y. 1997. Fab: Content-based Collaborative Filtering Recommendation.Communications of the ACM ,3512 :29-38. Etzioni. 1996. The World Wide Web: Quagmire or Gold Mine? http:www.cs.washington.eduhomesetzio nipaperscacm96.pdf [7 Mei 2007]. Han J, Kamber M. 2001. Data Mining. Concepts and Techniques . Academic Press. San Diego, USA. Huysmans J, Beesens B, Vanthienen J. 2004. Web Usage Mining : A Practical Study . http:www.econ.kuleuven.ac.bepublicndb ae87publications.htm [7 Mei 2007]. [STATSOFT]. 2004. Cluster Analysis. http:www.statsoft.comtextboxstcluan.ht ml [5 Agustus 2007]. Yong CC. 2001. Enabling Personalized Recommendation on the Web Based on User Interest and Behavior : National Tsing HuaUniversity. http: csdl2.computer.orgpersagenDLAbsToc.js p?resourcePath=dlproceedingstoc=co mpproceedingsride20010957000957to c.xml [4 September 2006]. ABSTRAK FAVORISEN ROSYKING LUMBANRAJA. Sistem Rekomendasi Berdasarkan Minat dan Perilaku Menggunakan Algoritma ApprioriTid Studi Kasus Galeri Wallpaper. Dibimbing oleh PANJI WASMANA dan FIRMAN ARDIANSYAH. Internet saat ini menjadi sumber informasi yang dapat diakses semua orang. Situs-situs web yang ada di dalam Internet menyediakan berbagai macam informasi kepada penggunanya. Namun dengan banyaknya informasi yang disediakan, terkadang pengguna sering menghabiskan waktu hanya untuk mencari informasi yang diinginkan. Hal ini yang menyebabkan pengguna merasa kurang nyaman dalam proses menjelajahi browsing sebuah situs web. Penelitian ini mengacu pada penelitian yang telah dilakukan oleh Yong Tsing Hua University, Taiwan pada tahun 2001. Penelitian ini bertujuan memberikan personalisasi rekomendasi berdasarkan minat dan perilaku pengguna yang diperoleh dari data transaksi pengguna dengan studi kasus adalah koleksi walllpaper. Rekomendasi yang dihasilkan adalah koleksi yang berasal dari pengguna lain yang memiliki minat dan perilaku yang sama dan berada di dalam satu cluster yang sama pula. Proses rekomendasi dibagi menjadi lima proses, yaitu pencatatan transaksi, penentuan profil minat dan profil perilaku, pembentukan matriks vektor, clustering matriks vektor dan rekomendasi koleksi. Penelitian dilakukan dengan menggunakan pendekatan linear sequential model yang meliputi tahap analisis, desain, pengkodean dan pengujian. Sistem Rekomendasi dibagi menjadi satu fungsi utama dan empat fungsi sistem. Keempat fungsi sistem adalah fungsi input_interest_behavior , fungsi create_vector , fungsi cluster_vekctor dan fungsi recommendation . Kompleksitas waktu algoritma sistem ini adalah O2n 2 . Pada sistem ini, nilai threshold α mempengaruhi penentuan profil minat, nilai threshold β mempengaruhi penentuan profil perilaku, serta threshold δ mempengaruhi jumlah cluster yang terbentuk dan jumlah anggota cluster . Kata kunci: personalisasi rekomendasi, web mining, matriks vektor, clustering SISTEM REKOMENDASI BERDASARKAN MINAT DAN PERILAKU PENGGUNA DENGAN MENGGUNAKAN ALGORITMA APPRIORITID STUDI KASUS GALERI WALLPAPER Oleh: FAVORISEN ROSYKING LUMBANRAJA G64101028 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007 PENDAHULUAN Latar Belakang Saat ini perkembangan dan kemajuan teknologi informasi berbasis jaringan, khususnya teknologi pada jaringan Internet berlangsung dengan pesat. Berkat teknologi informasi Internet, hampir seluruh pengguna di dunia dapat mengakses informasi yang ada di dalam Internet. Situs-situs web yang ada di dalam Internet pun mengalami perkembangan yang pesat. Informasi dan konten yang ada di dalam situs web pun semakin banyak dan beragam. Dengan semakin banyak dan beragamnya informasi dan konten yang disediakan oleh sebuah situs web, semakin banyak waktu yang diperlukan oleh penggunapengunjung untuk menjelajahi browse seluruh isi konten yang ada di dalam situs web. Hal ini membuat pengguna merasa kurang nyaman dalam menjelajahi isi konten sebuah situs web untuk mencari informasi atau konten yang diinginkan pengguna situs web. Oleh karena itu, diperlukan aplikasi yang dapat membantu pengunjung sebuah situs web untuk mencari konten yang sesuai dengan keinginan pengguna. Penelitian ini berusaha membantu pengguna dalam mencari konten di dalam sebuah web dengan memberikan rekomendasi konten yang cocok dengan profil pengguna. Di dalam sebuah situs web, informasi dan konten yang diminta request oleh pengguna umumnya tercatat dalam browsing history . Oleh karena itu, browsing history dapat dijadikan sumber untuk mengetahui pola minat dan perilaku pengguna situs web. Tujuan Tujuan penelitian adalah mengembangkan sistem yang dapat memberikan rekomendasi kepada pengguna berdasarkan profil minat dan perilaku pengguna yang diambil dari data transaksi yang dilakukan oleh penggguna dalam mengakses isi informasi yang ada dalam situs web. Ruang Lingkup Ruang lingkup yang diteliti adalah personalisasi rekomendasi koleksi berdasarkan profil minat dan perilaku pengguna dengan studi kasus rekomendasi koleksi wallpaper . Koleksi-koleksi yang direkomendasikan oleh sistem adalah koleksi-koleksi yang belum diunduh oleh pengguna. Penelitian dilakukan dengan mengacu pada penelitian yang dilakukan oleh Yong 2001. Manfaat Hasil penelitian ini diharapkan dapat mempermudah pengguna dalam menjelajahi browsing isi dan informasi yang ada di dalam sebuah situs web sesuai dengan keinginan pengguna. TINJAUAN PUSTAKA Association Mining Rule Jika I={i 1 ,i 2 ,...,i m } adalah himpunan entitas yang disebut Item . Andaikan D adalah himpunan transaksi T, di mana setiap transaksi T adalah himpunan Item di mana . I T  Sebuah Identifier pengenal yang unik yang disebut TID , digunakan untuk mengasosiasikan setiap transaksi. Kita katakan sebuah transaksi T terdapat X , sebuah himpunan yang terdiri dari beberapa item di dalam I, jika T X  . Sebuah Association Rule aturan asosiasi adalah sebuah implikasi dari Y X  , di mana I X  , I Y  dan Y X  =Ø. Aturan Y X  berlaku di dalam himpunan transaksi D dengan keyakinan confidence c jika c transaksi di dalam D terdapat X juga terdapat Y. Aturan Y X  memiliki nilai support s di dalam himpunan transaksi D jika s di dalam himpunan transaksi D terdapat Y X  Agrawal 1994. Jika ada himpunan transaksi D, masalah di dalam xzAssociation Mining Rule adalah bagaimana menghasilkan aturan asosisasi yang memiliki nilai support dan nilai keyakinan confidence yang lebih besar daripada nilai minimum support dan nilai minimum keyakinan confidence yang telah ditentukan. Algortima yang menggunakan teknik Association Mining Rule Agrawal 1994, antara lain:

a. Algoritma Appriori