BAB 2 LANDASAN TEORI
2.1. Sistem Rekomendasi
Sistem rekomendasi merupakan sebuah perangkat lunak yang bertujuan untuk membantu pengguna dengan cara memberikan rekomendasi kepada pengguna ketika
pengguna dihadapkan dengan jumlah informasi yang besar. Rekomendasi yang diberikan diharapkan dapat membantu pengguna dalam proses pengambilan
keputusan, seperti barang apa yang akan dibeli, buku apa yang akan dibaca, atau musik apa yang akan didengar, dan lainnya Ricci et al, 2011.
Sistem rekomendasi pribadi personalized recommender system harus mengenal terlebih dahulu setiap pengguna yang ada. Setiap sistem rekomendasi harus
membangun dan memelihara user model atau user profile yang berisi ketertarikan pengguna Jannach et al, 2010. Sebagai contoh, sistem rekomendasi di website
Amazon menyimpan setiap transaksi pembelian pelanggan, komentar pelanggan, dan review rating yang diberikan oleh pelanggan terhadap suatu produk.
Terdapat dua buah pendekatan yang dapat dilakukan untuk membentuk user profile, yaitu pendekatan implicit dan explicit.
Pendekatan implicit, artinya, sistem menyimpan dan mempelajari perilaku pengguna di dalam sistem untuk membangun profil pengguna. Perilaku pengguna
dapat berupa likesdislikes, ratings, dan lain sebagainya terhadap beberapa item. Sementara pendekatan explicit, yaitu dengan menanyakan kepada pengguna secara
langsung deskripsi
item yang
bagaimana yang
ia sukaiminati.
Universitas Sumatera Utara
Berbagai metode telah ditemukan untuk menyediakan rekomendasi yang handal. Berdasarkan metode rekomendasi yang sering digunakan, sistem rekomendasi
dibagi dalam tiga klasifikasi yaitu: content-based recommendation, collaborative- filtering recommendation, dan hybrid recommendation.
2.2. Sistem Rekomendasi
Content Based
Sistem rekomendasi berbasis konten Content-based Recommendation System menggunakan ketersediaan konten sering juga disebut dengan fitur, atribut atau
karakteristik sebuah item sebagai basis dalam pemberian rekomendasi Ricci et al, 2011. Sebagai contoh, sebuah film mempunyai konten seperti genre, author, tahun
rilis, dan lain-lain, atau sebuah file dokumen memiliki konten berupa tulisan yang ada di dalamnya.
Sistem rekomendasi berbasis konten mencoba untuk melakukan pecocokan matching antara profil pengguna user profile dengan konten item item content.
Misalnya, seorang pengguna telah memberi rating kepada 5 buah item
1
,
2
,
3
,
4
,
5
yang memiliki empat buah fitur
1
,
2
,
3
,
4
,
5
. Angka 1 menandakan bahwa item tersebut memiliki atribut yang bersangkutan, sedangkan angka 0
menunjukkan bahwa item tersebut tidak memiliki atribut tersebut.
Tabel 2.1 Tabel Item Feature
Fitur Fitur
Fitur Fitur
rating Item
1 1
1 1
4
Item 1
1 1
3
Item 1
2
Item 1
1 1
3
Item 1
1 1
?
Untuk menghitung bobot dari masing-masing atribut dapat dengan menggunakan rumus berikut Uluyagmur et al, 2012.
, = 1
� , ,
��
2.1
Universitas Sumatera Utara
Dimana :
, merupakan bobot yang dimiliki oleh pengguna u terhadap fitur . � merupakan satu set item yang telah dirating oleh pengguna u.
, merupakan nilai kehadiran angka 1 atau 0 sebuah fitur di dalam sebuah
item.
, merupakan rating yang diberikan pengguna u terhadap item i. Sedangkan untuk menghitung prediksi rating yang akan diberikan seorang
pengguna terhadap sebuah item dapat menggunakan formula berikut ini Uluyagmur et al, 2012.
�
′
, = 1
� ,
� �
2.2
Dimana : �
′
, merupakan prediksi rating pengguna u terhadap item i. � merupakan fitur yang muncul di dalam item i.
Sistem rekomendasi berbasis konten memiliki beberapa kelebihan, yaitu : Sistem rekomendasi berbasis konten dapat menjelaskan bagaimana hasil
rekomendasi didapatkan. Sistem rekomendasi berbasis konten dapat merekomendasikan item-item yang
bahkan belum pernah di-rate oleh siapapun.
Namun, sistem rekomendasi berbasis konten juga memiliki beberapa kelemahan, yaitu :
Sistem rekomendasi berbasis konten tidak memiliki kemampuan untuk dapat memeberikan hasil rekomendasi yang tidak terduga Serendipity Problem.
Sistem rekomendasi berbasis konten memerlukan sebuah profil user yang berisikan ketertarikan dan minat pengguna. Bagi pengguna baru yang belum
pernah melakukan aktivitas apapun dan tidak memiliki profil user yang cukup, sistem rekomendasi tidak dapat memberikan rekomendasi yang handal kepadanya
Cold Start Problem.
Universitas Sumatera Utara
2.3. Sistem Rekomendasi
Kategori