Analisis Pengkodean Analisis Sistem
tingkat kesamaan pada tiap pelanggan yang memiliki kemiripan histori pembelian dengan pelanggan P.
4. Setelah data didapat maka pembangkitan nilai rekomendasi produk yang belum pernah dibeli pelanggan P akan dihitung.
Setelah nilai
rekomendasi dibangkitkan
maka sistem
akan merekomendasikan maksimal 5 item dengan nilai rekomendasi tertinggi.
Berikut adalah simulasi pembakitan rekomendasi. Terdapat lima orang pelanggan yang masing-masing bernama Andra, Ade,
Ali, Adinda, dan Alis. Pelanggan-pelanggan telah membeli produk dan telah melakukan rating terhadap barang tersebut. Pelanggan Andra dan Adinda
membeli kerudung Azzura dan sama-sama memberikan rating 4 terhadap produk tersebut. Andra, Ade, dan Adinda sama-sama membeli kerudung Renda dan
masing-masing memberikan rating yang berbeda pada produk tersebut, yaitu Andra memberikan rating 5, Ade memberikan rating 4, dan Adinda memberikan
rating 3. Kerudung M. D. dibeli oleh Ade dan Adinda. Ade memberikan rating 5 pada kerudung M. D. sedangkan Adinda memberikan rating 3 pada kerudung
yang sama. Andra, Ade, dan Adinda membeli kerudung Polister dan masing- masing memberikan rating 2, 4, dan 2. Kerudung Flower dibeli oleh Ade, Ali,
Adinda, dan Alis lalu mereka memberikan rating pada produk tersebut. Ade memberikan rating 4, Ali memberikan rating 3, Adinda memberikan rating 3, dan
Alis memberikan rating 5. Data tersebut disajikan dalam Tabel 3.1 sebagai berikut.
Tabel 3.1 Tabel Skenario Pembangkitan Rekomendasi.
Nama Barang Andra
Ade Ali
Adinda Alis
Azzura 1
4
1
4
Renda 1
5
1
4
1
3
M. D. 1
5
1
3
Polister 1
2
1
4
1
2
Flower 1
4
1
3
1
3
1
5
Keterangan: Angka 1 dan 0
= 0 jika pelanggan tidak membeli barang, 1 jika pelanggan membeli barang.
Angka superskrip 1-5 = rating pelanggan yang diberikan oleh pelanggan.
Skala rating = 1 tidak suka, 2 sedikit suka, 3 lumayan suka,
4 suka, dan 5 sangat suka. Diasumsikan bahwa pelanggan bernama Andra diketahui melakukan login
pada sistem. Dari data yang didapat pada Tabel 3.1, didapat pelanggan yang memiliki histori pembelian mirip dengan Andra ada dua orang, yaitu Ade dan
Adinda, karena dalam histori pembelian Andra ada barang yang sama-sama dibeli oleh Ade dan Adinda, yaitu kerudung Azzura, Renda, dan Polister. Maka
perhitungan nilai similiarity antara Andra dan Ade serta Andra dan Adinda adalah sebagai berikut.
1. Pelanggan Ade DisRenda
= 5-4
2
= 1
2
= 1 DisPolister
= 2-4
2
= -2
2
= 4 SimAde
= 1 1 + 1+4 = 0.17 2. Pelanggan Adinda
DisAzzura = 4-4
2
= 0
2
= 0 DisRenda
= 5-3
2
= 2
2
= 4 DisPolister
= 2-2
2
= 0
2
= 4
SimAdinda = 1 1 + 0+4+0 = 0.20
Dari perhitungan di atas didapat nilai similiarity dari Andra dan Ade adalah 0.17 sedangkan nilai similiarity dari Andra dan Adinda adalah 0.20. Nilai
similiarity ini kemudian akan digunakan untuk mencari nilai rekomendasi produk untuk Andra.
Produk yang direkomendasikan adalah produk yang belum dibeli oleh Andra. Produk yang belum dibeli adalah kerudung M. D. dan Flower. Berikut
adalah perhitungan nilai rekomendasi untuk barang yang akan direkomendasi kepada Andra.
RekM. D. =
∑SimPelanggan x RP ∑Simpelanggan = 0.17 x 5 + 0.20 x 3 0.17 + 0.20 = 3.92
RekFlower =
∑SimPelanggan x RP ∑Simpelanggan = 0.17 x 4 + 0.20 x 3 0.17 + 0.20 = 3.46
Dari hasil perhitungan nilai rekomendasi di atas didapat rekomendasi produk untuk Andra adalah kerudung M. D. dengan nilai rekomendasi 3.92 dan
kerudung Flower dengan nilai rekomendasi sebesar 3.46. Rekomendasi untuk Andra disajikan dalam Tabel 3.2 sebagai berikut.
Tabel 3.2 Tabel Skenario Hasil Pembangkitan Nilai Rekomendasi.
No Nama Barang
Nilai Rekomendasi
1 M. D.
3,92 2
Flower 3.46