Tabel 3.9 Hasil dari menjalankan algoritma proximty processing
D0 : 0,2 = 2-0 = 2 0,3 = 3-0 = 3
1,2 = 2-1 = 1 1,3 = 3-1 = 2
D1 : 0,1 = 1 – 0 = 1
0,3 = 3 – 0 = 3
2,1 = 1 – 2 = -1
2,3 = 3 – 2 = 1
D2 : 1,2 = 2 - 1 = 1 1,5 = 5 - 1 = 4
4,2 = 2 - 4 = -2 4,5 = 5 - 4 = 1
toleransi jarak = 1 yang menghasilkan 1
hanya ada 1 dari 1,2 tolerenasi jarak = 1
yang menghasilkan 1 ada 2 dari 0,1 dan 2,3
toleransi jarak = 1 yang menhasilkan 1 ada
2 dari 1,2 dan 4,5
D0 tingkat relevansinya lebih kecil dari pada D1
D1 menjadi lebih tinggi tingkat relevansi dari
pada D0 D1 dan D2 menjadi
lebih tinggi tingkat relevansi dari pada D0
Setelah proximity processing dijalankan maka setiap dokumen yang memiliki term
seperti yang ada pada query yang jaraknya 1, maka akan memiliki nilai baru pada dokumen tersebut. Tabel 3.10 memperlihatkan hasil nilai sebelumnya yang
didapatkan dari CSR SpMV dan nilai sekarang adalah nilai yang ditambahkan berdasarkan hasil dari proximity processing.
Tabel 3.10 Nilai untuk rekomendasi setelah diterapkan proximity processing
Dokumen Nilai Sebelumnya
Nilai Sekarang
D0 0.0576
0.0576 + 1 = 1.0576 D1
0.0576 0.0576 + 2 = 2.0576
D2 0.0576
0.0576 + 2 = 2.0576 D3
0.00 0.00
Tabel 3.10 sudah memperlihatkan hasil rekomendasi setelah melewati dua proses, namun hasil yang didapatkan belum memberikan rekomendasi yang secara
personal. Tabel 3.2 menunjukkan bahwa ada berita yang pernah diakses dengan term “news recommendation” yang artinya bisa menjadi pertimbangan untuk melakukan
rekomendasi supaya lebih personal.
3.5. Bayesian Framework for User Interest
Berdasarkan persamaan 2.1, penulis akan menjabarkan ke dalam langkah – langkah
untuk diterapkan pada sistem rekomendasi yang ditunjukkan pada gambar 3.8.
Universitas sumatera utara
Kumpulan term setiap dokumen untuk setiap term hitung nilai dengan
Bayesian Framework for User Interest Tambahkan nilai untuk term pada
masing – masing dokumen
untuk setiap term hitung nilai dengan Bayesian Framework for User Interest
Menambahkan hasil dari Bayesian Framework for User Interest
dengan hasil dari CSR SpMV dan Proximty
Processing Mengurutkan hasil akhir secara
descending daftar dokumen setelah diurutkan secara
descending
Gambar 3.8
Alur tahapan bayesian framework for user interest Persamaan yang digunakan untuk bayesian framework for user interest
menggunakan persamaan 3.1, karena untuk kasus penulis, category akan diterjemahkan menjadi term dan untuk click diganti dengan term frequency untuk
memberikan penilaian terhadap berita yang tertarik dibaca oleh user. Hal ini penulis lakukan karena konteks sistem rekomendasi penulis menggunakan content based
recommendation yang fokus utama rekomendasi pada detail setiap dokumen yang
akan direkomendasikan. =
�
=
=
�
�
= � = �
�
3.1 Keterangan :
=
�
= probabilitas term pada waktu terakhir akses terhadap total freq di semua kategori pada waktu
terakhir tersebut
Universitas sumatera utara
=
�
= probabilitas term terhadap freq pada waktu t. sebelum dihitung akan dijabarkan lebih dahulu,
maka =
=
�
=
�
=
�
= probabilitas term pada waktu t terhadap total freq disemua term pada waktu t
� = total freq pada waktu t
Mengikuti contoh kasus pada tabel 3.1, maka akan dibuat tabel 3.11 untuk memilah akses berdasarkan waktu akses, namun karena kasus saat ini hanya memiliki
1 waktu akses maka hanya memiliki 1 tabel akses.
Tabel 3.11
Frekuensi akses term terhadap waktu
Term Waktu
news 1
recommendation 1
Dengan menggunakan persamaan 3.1 maka perhitungan untuk masing –
masing term adalah sebagai berikut : 1. news
= 1
2 2
1 1
1 2
2 2
1 2
2 = 0.5
2. recommendation
� � =
1 2
2 1
1 1
2 2
2 1
2
2 = 0.5
Universitas sumatera utara
Untuk memberikan nilai pada masing dokumen berdasarkan nilai dari perhitungan menggunakan persamaan 3.1 akan ditampilkan pada tabel 3.12.
Tabel 3.12 Penambahan nilai dari penerapan bayesian framework for user interest
Dokumen
news recommendation
Hasil
D0 2x0.5
1.0576 + 1 = 2.0576 D1
2x0.5 2.0576 + 1 = 3.0576
D2 2x0.5
2x0.5 2.0576 + 2 = 4.0576
D3 0.5
0.00 + 0.5 = 0.5 Tabel 3.12 menujukkan hasil setelah menggunakan CSR SpMV, proximity
processing dan bayesian framework for user interest. Untuk mendapatkan hasil
rekomendasi, setiap dokumen akan diurutkan secara descending dari besar ke terkecil berdasarkan hasil yang didapatkan masing
– masing dokumen. Hasil pengurutan secara descending ditunjukkan pada tabel 3.13.
Tabel 3.13 Hasil rekomendasi
Dokumen Hasil
Isi
D2 4.0576
news system recommendation news system recommendation
D1 3.0576
system recommendation system recommendation D0
2.0576 system system recommendation recommendation
D3 0.5
news retrieval
3.6. Perancangan General Architecture
