BAB 2
TINJAUAN PUSTAKA
Pada bab ini, akan dibahas landasan teori, penelitian terdahulu, kerangka pikir yang mendasari penyelesaian rekomendasi dengan menggunakan metode Simple Additive
Weighting SAW.
2.1. Sistem Rekomendasi
Sistem Rekomendasi merupakan perangkat lunak dan teknik yang menyediakan rekomendasi untuk digunakan oleh user. Rekomendasi yang diberikan terkait pada
proses pembuat keputusan Ricci et al, 2011.Sebagai contoh Netflix, peminjaman film online, Amazon.com yang menggunakan sistem rekomendasi yang membantu user
memilih buku, merupakan beberapa situs yang banyak mengaplikasikan sistem rekomendasi untuk user yang memiliki pilihan yang berbeda-beda.
Dalam sistem rekomendasi personal Personalized Recommendation system diberikan pilihan berbentuk ranking. Untuk mengaplikasikannya, sistem rekomendasi
memprediksi produk atau jasa yang paling sesuai, didasari dengan preferensi dan
batasan yang dimiliki oleh user sendiri. Untuk mendapatkan hasil yang sesuai, sistem rekomendasi mengumpulkan data dari preferensi user, di mana diketahui secara jelas,
sebagai contoh, seperti rating untuk produk, atau diterjemahkan sesuai tindakan user. Contoh lain, sistem rekomendasi dapat mempertimbangkan arah ke halaman produk
tertentu sebagai tanda selengkapnya dari preferensi untuk hal – hal yang ditampilkan
pada halaman tersebut Ricci et al, 2011.
2.1.1 Metode Rekomendasi Sistem rekomendasi dibedakan menjadi enam kelas berbeda dilihat dari pendekatan
yang diambil: 1. Content-based
Sistem mengenali hal-hal yang mirip seperti yang dipilih user sebelumnya untuk dijadikan rekomendasi. Kesamaan dari hal-hal tersebut dihitung berdasarkan ciri-
ciri yang berhubungan dengan perbandingan hal-hal lain. Sebagai contoh, jika user memberikan rating tinggi pada film genre komedi, maka sistem dapat
memberikan rekomendasi film lain dengan menggunakan genre komedi tersebut. 2. Collaborative filtering
Implementasi dari pendekatan ini memberikan rekomendasi kepada user yang aktif dengan hal-hal yang mirip dengan selera user sebelumnya. Kemiripan selera
dari dua user dihitung berdasarkan rating history kedua user tersebut. Inilah mengapa collaborative filtering sering disebut sebagai korelasi dari orang ke orang
lainnya. Metode ini merupakan metode yang paling sering digunakan dalam merekomendasi dan paling luas implementasinya.
3. Demographic Pendekatan ini memberikan rekomendasi berdasarkan profil demografis dari user.
Sebagai contoh, user diarahkan ke website berdasarkan bahasa atau negara mereka berasal. Pendekatan ini banyak dilakukan pada website marketing.
4. Knowledge-based Pendekatan ini memberikan rekomendasi berdasarkan pada pengetahuan yang
spesifik tentang bagaimana suatu hal sesuai dengan keperluan dan preferensi user dan bagaimana hal-hal tersebut berguna bagi user. Dalam sistem ini fungsi
kemiripan dinilai sebanyak keperluan user deskripsi masalah sesuai dengan rekomendasi yang diberikan soulusi dari masalah. Nilai kemiripan dapat
dijelaskan secara langsung sebagai kegunaan rekomendasi untuk user. Sistem constraint based juga merupakan jenis lain dari sistem rekomendasi knowledge
based, keduanya mirip karena menggunakan rekuirmen user yang telah dikumpulkan.
5. Community based Jenis dari sistem rekomendasi ini didasarkan oleh preferensi dari teman-teman
user. Penelitian ini dikombinasikan dengan popularitas yang meningkat dari jaringan sosial, dimana banyak orang bergantung kepada rekomendasi dari teman-
teman mereka dibanding orang-orang yang tidak mereka kenal. 6. Hybrid recommender systems
Pendekatan ini didasari oleh kombinasi dari metode-metode yang ada. Sistem rekomendasi ini mengkombinasikan metode A dan B dengan mencoba
menggunakan kelebihan dari metode A untuk memperbaiki kelemahan dari metode B.
2.2 Android
