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
Algoritma Slope One merupakan salah satu algoritma yang digunakan dalam metode collaborative filtering, yang diperkenalkan dalam sebuah karya tulis oleh Daniel
Lemire dan Anna Mclachlan pada tahun 2005. Algoritma Slope One digunakan untuk mengurangi overfitting, meningkatkan kinerja dan implementasi yang lebih mudah.
Slope One didasarkan pada “popularity differential” yang dihitung dengan
mengurangkan rating rata-rata dari dua buah item Lemere dan McGrath, 2005. Algoritma Slope One memiliki persamaan seperti berikut:
Dimana Cij dalam persamaan tersebut adalah jumlah pengguna yang memberikan rate terhadap item i dan item j. Semakin besar nilai Cij, maka hasil prediksi r
uj
+ dev
ij
semakin lebih bisa dipercaya.
Gambar 2.1. Skema dasar Slope One
Misalkan: 1. Pengguna A memberikan 1 terhadap item I dan 1,5 terhadap item J.
2. Pengguna B memberikan 2 terhadap item I. 3. Bagaimana pengguna B menilai item J?
4. Jawaban dari Slope One adalah 2,5 1,5-1+2 = 2,5 Untuk contoh yang lebih nyata, perhatikan table berikut:
Tabel 2.1. Contoh implementas Slope One
Pelanggan Item 1
Item 2 Item 3
John 5
3 2
Mark 3
4 -
Lucy -
2 5
Dalam hal ini, perbedaan rating rata-rata antara item 1 dan 2 adalah 2+-12 = 0.5. Oleh karena itu, berdasarkan rata-rata, item 1 di-rate diatas item 2 sebesar 0.5.
Demikian pula, perbedaan rata-rata antara item 3 dan 1 adalah 3. Oleh karena itu, jika kita mencoba memprediksi penilaian Lucy terhadap item 1 menggunakan penilaiannya
terhadap item 2, kita memperoleh 2+0.5=2.5. Demikian pula, jika kita mencoba untuk memprediksi penilaiannya terhadap item 1 menggunakan penilaiannya terhadap item
3, kita memperoleh 8 5+3 = 8. Jika pengguna memberi rate terhadap sejumlah item, hasil prediksi hanya akan
digabungkan menggunakan rata-rata yang diberi bobot dimana pilihan yang baik
adalah jumlah pengguna yang memberi rate terhadap kedua item. Pada contoh diatas, kita akan memprediksi rating untuk Lucy:
2.4 Unified Modeling Language UML
