Gambar 2.3 Item-based Clustring Hybrid Method
2.5. Sistem Rekomendasi dengan
Multi-Criteria Rating
Sistem rekomendasi dengan multi-criteria rating memperluas single-criteria rating, dengan menunjukkan preferensi subjektif seorang pengguna terhadap beberapa
kriteria dari sebuah item Adomavicious dan Kwon, 2007. Sebagai contoh, sebuah sistem rekomendasi film mengizinkan seorang pengguna untuk menilai bukan hanya
berdasarkan tingkat kepuasan keseluruhan sebuah film, tetapi juga tingkat kepuasan berdasarkan beberapa kriteria film, seperti visual effetcs, story, atau acting.
Beberapa contoh sistem rekomendasi multi-criteria rating yang sudah ada, yaitu : Zagat’s Guide yang menyediakan tiga kriteria untuk rating restoran food,
décor, dan service, Buy.com yang menyediakan beberapa kriteria untuk rating elektronik display size, performance, battery life, dan cost, dan Yahoo Movies yang
menunjukkan rating setiap pengguna untuk keempat kriteria story, action, direction, dan visual.
Untuk mempermudah pemahaman sistem rekomendasi multi-criteria rating tersebut, maka perhatikan contoh berikut :
+ Collaborative
Filtering Group
Rating Item
Rating
Item group
vector Item
Content Clustering
Group Rater Combination
Filtering
Universitas Sumatera Utara
Tabel 2.3 Matrix User x Item pada Sistem Rekomendasi Multi-criteria Rating
Item Item
Item Item
Item User
5
2,2,8,8
7
5,5,9,9
5
2,2,8,8
7
5,5,9,9
?
User
5
8,8,2,2
7
9,9,5,5
5
8,8,2,2
7
9,9,5,5
9
User
5
8,8,2,2
7
9,9,5,5
5
8,8,2,2
7
9,9,5,5
9
User
6
3,3,9,9
6
4,4,8,8
6
3,3,9,9
6
4,4,8,8
5
User
6
3,3,9,9
6
4,4,8,8
6
3,3,9,9
6
4,4,8,8
5
Sebuah sistem rekomendasi ingin memprediksi rating yang akan diberikan seorang pengguna
1
terhadap item
5
. Pada tabel 2.3, secara sekilas, terlihat bahwa u
2
dan u
3
adalah yang terdekat dengan u
1
. Tetapi, sebenarnya u
4
dan u
5
lah yang paling mirip dengan
u
1
lihat multi-criteria rating-nya. Terdapat dua penyelesaian permasalahan sistem rekomendasi dengan multi-
criteria rating, yaitu similiarity based approach dan aggregation function based approach Adomavicius dan Kwon, 2007. Jannach 2012 kemudian, dengan
penelitiannya, menyatakan bahwa aggregation function based approach pada sistem rekomendasi multi-criteria rating dapat menghasilkan rekomendasi yang lebih unggul
dibandingkan dengan metode lainnya. Alasan dibalik munculnya pendekatan fungsi agregasi adalah asumsi bahwa
multi-criteria rating adalah representasi dari ketertarikan pengguna untuk masing- masing kriteria pada sebuah item Adomavicius dan Kwon, 2007. Oleh karena itu,
rating keseluruhan untuk sebuah item, bukanlah sebuah rating yang independent jika dibandingkan dengan rating kriteria lainnya, melainkan sebuah fungsi agregasi f dari
masing-masing kriteria rating. =
1
. . 2.6
Dimana :
adalah rating keseluruhan untuk satu item
adalah rating kriteria ke-k
Universitas Sumatera Utara
Terdapat beberapa cara untuk membangun fungsi agregasi tersebut. Cara yang pertama adalah dengan mendefinisikan sendiri fungsi aggregasi f tersebut dengan
mengandalkan ahli di dalam bidangnya domain expertise, atau dengan cara yang lebih sederhana, yaitu fungsi rata-rata dari kriteria rating yang ada Jannach et al,
2012. �
=
1
�
1
+
2
�
2
+ . . �
1
+
2
+. .
n
2.7 Dimana :
� merupakan prediksi rating akhir gabungan beberapa kriteria
merupakan bobot prediksi rating kriteria ke-n .
� merupakan prediksi rating kriteria ke-n
Cara yang lebih canggih dan lebih menjanjikan adalah dengan menggunakan teknik statistik atau machine learning untuk mengetahui hubungan antara rating
keseluruhan dengan rating untuk masing-masing kriteria.
2.6. Proses Pengambilan Keputusan pada Pemilihan
Kategori