1. Aspek Lingkungan Pembelajaran: a. Bergantung pada aplikasi komputer, layanan web atau teknologi.
b. Tidak bergantung pada kurikulum. c. Belajar bisa dilakukan dimana saja dan kapan saja selagi terhubung dengan
internet. d. Tidak terdapat penilaian atau sertifikat kepada pengguna untuk pencapaian
tertentu. 2. Aspek Personal:
a. Bersifat mandiri sesuai kebutuhan pribadi. b. Proses belajar yang koperatif.
Adapun aplikasi, teknologi dan layanan yang digunakan dalam informal e- learning adalah:
a. Aplikasi: web browser. b.
Layanan: search engines Google, Bing, Yahoo, social bookmarking delicious, social networks facebook, XING, eduspaces.net, RSS.
c. Konten: Wikipedia, Youtube, micro-publishing. d. Teknologi: e-portfolios, wikis, podcasts, weblogs.
2.2 Sistem Rekomendasi Recommendation System
2.2.1 Pengertian Sistem Rekomendasi
Sistem rekomendasi merupakan model aplikasi dari hasil observasi terhadap keadaan dan keinginan pengguna. Oleh karena itu, sistem rekomendasi memerlukan model
rekomendasi yang tepat agar hasil rekomendasi sesuai dengan kebutuhan pengguna. Menurut Sebastia, L et. al 2009 sistem rekomendasi merupakan sebuah alat
personalisasi yang menyediakan sebuah informasi daftar item-item yang sesuai dengan keinginan pengguna. Sistem rekomendasi menyimpulkan preferensi pengguna dengan
menganalisis ketersediaan data pengguna dan lingkungannya. Oleh karena itu, sistem rekomendasi akan menawarkan kemungkinan dari penyaringan informasi personal
sehingga hanya informasi yang sesuai dengan kebutuhan dan preferensi pengguna yang akan ditampilkan di sistem dengan menggunakan sebuah teknik atau model
rekomendasi.
Sistem rekomendasi dikelompokkan kedalam metode berikut ini, berdasarkan bagaimana rekomendasi dibuat:
a. Content-based Recommendations: item yang direkomendasikan kepada pengguna disesuaikan dengan minat pengguna di masa lalu.
b. Collaborative Filtering Recommendations: item yang direkomendasikan kepada pengguna disesuaikan dengan minat dan penilaian pengguna lainnya di
masa lalu. c. Hybrid Approaches: metode ini menggabungkan metode collaborative filtering
dengan content-based filtering. 2.2.2 Collaborative Filtering Recommendations
Collaborative filtering adalah salah satu teknik yang digunakan dalam sistem rekomendasi. Collaborative filtering memiliki 2 pengertian, yang khusus dan yang
lebih umum Herlocker, et. al, 2001. Secara umum, collaborative filtering adalah proses penyaringan informasi atau pola menggunakan teknik yang melibatkan
kolaborasi antara multiple agents, sudut pandang, sumber data, dll. Aplikasi dalam collaborative filtering biasanya melibatkan kumpulan data yang sangat besar. Secara
khusus, collaborative filtering adalah sebuah metode dalam membuat prediksi otomatis tentang minat pengguna dengan mengumpulkan informasi pilihan dan selera
dari banyak pengguna. Asumsi yang mendasari pendekatan collaborative filtering adalah jika individu A dan individu B memiliki opini tentang sesuatu, A lebih
sependapat dengan B tentang hal tersebut dibandingkan dengan orang lain yang dipilih secara acak. Misalnya, sistem rekomendasi collaborative filtering untuk pilihan acara
televisi bisa membuat prediksi tentang acara televisi mana yang mungkin disukai oleh pengguna, diberikan dalam bentuk list berdasarkan selera pengguna suka atau tidak
suka.
a. Pengantar Collaborative Filtering Pertumbuhan internet telah menjadikan proses ekstraksi informasi secara efektif dari
semua informasi yang tersedia secara online menjadi lebih sulit. Jumlah data yang
besar membutuhkan semacam mekanisme untuk menyaring informasi secara efisien. Salah satu teknik yang digunakan untuk menangani masalah ini adalah collaborative
filtering. Motivasi penggunaan metode collaborative filtering berasal dari sebuah ide
dimana seseorang sering memperoleh rekomendasi dari seseorang yang memiliki minat yang sama. Collaborative filtering mengeksplorasi kesesuaian minat dan
membuat rekomendasi kesamaan berdasarkan minat tersebut. Collaborative filtering biasanya membutuhkan:
a. Partisipasi pengguna aktif b. Cara yang mudah untuk merepresentasikan minat pengguna ke sistem.
c.
Algoritma yang bisa menyesuaikan pengguna yang memiliki selera yang sama. Biasanya, alur kerja collaborative filtering adalah:
1. Pengguna mengungkapkan pilihannya dengan memberi rate pada item dalam sistem. Rating ini bisa dilihat kurang lebih sebagai gambaran minat pengguna
terhadap. 2. Sistem menyesuaikan rating pengguna dengan pengguna lainnya dan
menemukan pengguna yang memiliki minat paling mirip. 3. Sistem merekomendasikan item yang diberi rating tertinggi oleh pengguna
lain, kepada pengguna yang belum memberikan rating terhadap item tersebut.
b. Metodologi Collaborative filtering memiliki banyak metode, tetapi pada umumnya hanya
digunakan 2 metode: 1. User-based collaborative filtering
a. Mencari pengguna yang memberikan pola rating yang sama dengan pengguna aktif.
b. Menggunakan rating dari pengguna yang sependapat yang ditemukan pada langkah 1 untuk menghitung prediksi bagi pengguna aktif.
2. Item-based collaborative filtering
a. Membangun matriks item-item yang menentukan hubungan antara pasangan item.
b. Menggunakan matriks, dan data pada pengguna aktif, untuk menyimpulkan minat pengguna.
Sistem rekomendasi berbasis collaborative filtering dibuat untuk mengatasi kelemahan dari sistem rekomendasi content-based filtering yaitu:
a. Pendekatan collaborative dapat bekerja dalam domain dimana terdapat sedikit content yang berasosiasi dengan item atau ditempat dimana content sulit
dianalisis menggunakan komputer seperti ide, masukan atau opini sehingga menjadi reliable.
b. Pendekatan collaborative mempunyai kemampuan untuk menyediakan rekomendasi yang tidak terduga atau tidak disengaja, misalnya dapat
merekomendasikan item yang relevan kepada pengguna sekaligus tidak mengandung content dari profil pengguna tersebut.
2.3 Algoritma Slope One