IMPLEMENTASI DAN ANALISIS SISTEM PENUTUP

8 si penerima. Dalam beberapa kasus, transformasi utama ada di dalam proses agregasi. Kasus lainnya nilai sistem terletak pada kemampuannya untuk mencocokkan dua hal yaitu bagian yang dijadikan rekomendasi, dan yang mencari rekomendasi secara baik. Sistem rekomendasi ini dihitung menggunakan sejumlah model prediktif yang memiliki karakteristik umum, yaitu mengeksploitasi evaluasi atau penilaian yang diberikan oleh pengguna untuk transaksi yang sebelumnya telah dilihat. Berdasarkan teknik prediksi tertentu yang sedang digunakan, sistem rekomendasi telah diklasifikasikan ke dalam empat kategori utama [Burke, 2007]: collaborative-based, content-based, knowledge-based, hybrid . Pada sistem yang menggunakan pendekatan collaborative-based paling sederhana menghitung korelasi antara pengguna, memprediksi peringkat produk untuk pengguna saat ini didasarkan pada peringkat yang diberikan oleh pengguna lain, yang sangat berhubungan dengan preferensi pengguna saat ini [Herlocker et al, 1999]. Sedangkan sistem dengan pendekatan content-based hanya menggunakan preferensi dari pengguna saat ini, memprediksi peringkat untuk item yang tak terlihat berdasarkan seberapa banyak deskripsinya atau isinya mirip dengan pengguna [Pazzani dan Billsus, 2007]. Sistem rekomendasi dapat membantu para pengguna menemukan informasi tersebut dengan memberikannya saran secara personal. Sistem 9 rekomendasi merupakan model aplikasi dari hasil observasi terhadap keadaan dan keinginan pelanggan User. Sistem rekomendasi memanfaatkan opini seseorang terhadap suatu barang dalam domain atau kategori tertentu, untuk membantu seseorang dalam memilih produk. Untuk mempermudah pelanggan mengambil keputusan yang tepat dalam menentukan produk yang akan dibelinya [McGinty dan Smyth, 2006]. Terdapat dua pendekatan pada information filtering, yaitu collaborative filtering dan content-based filtering, yaitu : 1. Collaborative Filtering Pada pendekatan Collaborative Filtering, proses rekomendasi berdasarkan kemiripan antara user yang memilih dalam sistem. Pendekatan ini dibagi menjadi 2 yaitu: a. User-Based Collaborative Filtering Sistem ini mencari user-user yang memiliki korelasi yang tinggi, dan merekomendasikan item-item yang disukai user-user sebelumnya. Contoh: toko A menyukai roti, aqua, buah dan toko B menyukai roti, aqua, biskuit. Maka rekomendasi yang diberikan terhadap toko A adalah biskuit dan toko B adalah buah. b. Item-Based Collaborative Filtering