2.1.1 Database Management System DBMS
Database management system DBMS adalah sebuah set dari fasilitas yang
terorganisir untuk mengakses dan mempertahankan satu atau banyak basis data. Penggunaan DBMS dilakukan di dalam integrasi dari suatu sistem yang menggunakan
data tersebut dalam sebuah perangkat lunak Beynon-Davies, 2004. Menurut Beynon-Davies, DBMS dibagi atas 4 jenis yaitu:
1. Data definition : fungsinya yaitu pendefinisian struktur data baru yang masuk
ke dalam sebuah database, menghapus struktur data dasi sebuah basis data dan memodifikasi struktur dari data yang sudah ada.
2. Data maintenance : fungsinya yaitu menyisipkan data baru, memperbaharui
data dan menghapus data pada sebuah data struktur yang telah ada. 3.
Data retrival : fungsinya yaitu, melakukan query pada data yang telah ada dan mengambil data untuk digunakan pada sebuah sistem.
4. Data Control : fungsinya yaitu, menciptakan dan memonitoring user dari basis
data, membatasi akses data, dan memonitoring performa database.
2.2 Sistem Rekomendasi Recommender System
Ada beberapa macam definisi dari sistem rekomendasi. Menurut Mahmood dan Ricci, Sistem Rekomendasi adalah peralatan perangkat lunak dan teknik yang menyediakan
saran untuk items yang bisa digunakan oleh user. Secara general sistem rekomendasi didefinisikan sebagai sistem pendukung yang membantu user untuk mencari
informasi, produk dan servis buku, film, music dll dengan menggabungkan dan menganalisa saran dari user lain, yang berarti meninjau dari beberapa pihak dan user
atribut Frias-Martinex, 2006.
Sistem rekomendasi menjadi sebuah penelitian bidang yang penting sejak munculnya makalah pertama tentang collaborative-filtering pada pertengahan 1990an
Herlocker, 2001. Tujuan dari sistem rekomendasi adalah menghasilkan rekomendasi yang berguna kepada user untuk items atau produk yang paling menguntukan bagi
Universitas Sumatera Utara
user Melville dan Sindhwani, 2010. Sistem Rekomendasi menurut Melville dan
Sindhwani, terbagi atas 3 jenis, yaitu:
1. Content-based Filtering
2. Collaborative Filtering
3. Hybrid-based Filtering
2.2.1 Content Based Filtering
Content-based filtering adalah sistem yang belajar untuk memberikan rekomendasi item
yang sama kepada user baru dengan membandingkan user yang terdahulu Mahmod dan Ricci, 2009. Yang dimaksud dengan user yang baru dan user yang
lama di sini adalah user baru sebagai data yang baru masuk dan user lama sebagai data yang telah masukkan dan sudah tersimpan di dalam database. Teknik – teknik yang
digunakan dalam content-based seperti Bayesian Classifiers, Cluster analysis, decision trees
dan artificial neural networks. Teknik – teknik tersebut dapat mengestimasi probabilitas perbandingan data lama dengan data baru.
2.2.2 Collaborative Filtering
Implementasi termudah dan original dari pendekatan rekomendasi ini untuk user aktif yang mempunyai kesamaan dengan user yang terdahulu Schafer dkk, 2007.
Kesamaan data pada 2 user dikalkulasi berdasarkan kesamaan history dari user. Metode ini membandingkan koleksi data yang sama ataupun tidak sama dengan data
yang baru dan kemudian dikalkulasi agar dapat diberikannya rekomendasi kepada user.
Teknik – teknik yang sering dipakai dalam metode ini adalah teknik tf-idf, nearest neighbor
dan pearson Correlation.
2.2.3 Hybrid Based Filtering
Sistem rekomendasi ini berdasarkan oleh kombinasi dari content-based filtering dan collaborative filtering
Mahmod dan Ricci, 2009. Sistem hybrid yang
Universitas Sumatera Utara
menggabungkan metode content-based filtering dengan collaborative filtering mencoba menggunakan keunggulan dari content-based filtering untuk mengatasi
masalah dari kekurangan collaborative filtering ataupun sebaliknya. Contohnya seperti pada metode content-based filtering hanya dapat mengklasifikasikan data.
Tetapi sistem ingin memberikan rangking kepada user untuk rekomendasi item.
Maka dari itu sistem menggunakan metode collaborative filtering untuk mendapatkan perhitungan agar menghasilkan sebuah rangking rekomendasi yang
dapat diberikan kepada user. Sehingga dengan menggabungkan dua metode tersebut, sistem akan memberikan hasil yang lebih baik dan lebih memuaskan kepada user.
2.3 Metode Nearest Neighbor
