Sistem Rekomendasi Traveler Berbasis Website dengan Metode Collaborative Filtering.

(1)

ABSTRAK

Data saat ini bisa didapatkan dengan mudah dan cepat. Hal ini dapat menyebabkan timbulnya ketidakpastian akan keakuratan informasi yang diterima untuk wisatawan. Kesulitan dalam menentukan pilihan untuk objek wisata dan tempat kulin er yang ingin dikunjungi. Oleh karena itu diperlukan sebuah sistem rekomendasi yang akan memudahkan bagi wisatawan untuk mendapatkan informasi yang tepat dan sesuai serta dapat meminimalisasi waktu pencarian. Collaborative Filtering merupakan metode rekomendasi yang banyak digunakan karena telah terbukti memberikan hasil yang baik dari beberapa penelitian sebelumnya. Metode user-based collaborative filtering dipergunakan untuk kasus dengan satu kriteria, tetapi untuk sistem rekomendasi traveler ini merupakan kasus yang berbeda karena memiliki banyak kriteria yang harus diperhitungkan maka dari itu penulis menggunakan konsep multicriteria. Dibutuhkan data penilaian rating dari pengguna untuk mendapatkan hasil rekomendasi yang sesuai. Penelitian ini akan mengi mplementasikan metode Collaborative Filtering dalam sebuah website sistem rekomendasi traveler.


(2)

ABSTRACT

Data currently can be obtain easily and quickly. It may cause uncertainty as to the accuracy of the information that received for travelers. The difficulties in determining the choices of culinary and tourist attractions for travelers who want to visit. Therefore we need a recommendation system which can make easier to get the right information and appropriate also can minimize the searching time. Collaborative filtering is recommendation method that is widely used because it has been proven in some previous studies to give a good result. User-based collaborative filtering method usually used for cases with one criteria, but it is a different case for this recommendation system because it has more than one criteria to be calculated, therefore the author uses the concept of multicriteria. Rating assessment data is required to get the appropriate recommendation. This research will implements Collaborative Filtering method into the website traveler recommendation system.


(3)

DAFTAR ISI

LEMBAR PENGESAHAN ... i

PERNYATAAN ORISINALISTAS LAPORAN PENELITIAN ... ii

PERNYATAAN PUBLIKASI LAPORAN PENELITIAN ... iii

PRAKATA ... iv

ABSTRAK ... vi

ABSTRACT ... vii

DAFTAR ISI ... viii

DAFTAR GAMBAR ... xi

DAFTAR TABEL ... xiii

DAFTAR NOTASI/ LAMBANG ... xv

DAFTAR SINGKATAN ... xviii

DAFTAR ISTILAH ... xix

BAB 1 PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Tujuan Pembahasan ... 2

1.4 Ruang Lingkup ... 3

1.5 Sumber Data ... 3

1.6 Sistematika Penyajian ... 3

BAB 2 KAJIAN TEORI ... 6

2.1 Sistem Rekomendasi (Recommender System) ... 6

2.2 Collaborative Filtering ... 7

2.2.1 Item-based Collaborative Filtering ... 7


(4)

2.3 Pemrograman Berbasis Server ... 11

2.3.1 PHP (Hypertext Preprocessor) ... 11

BAB 3 ANALISIS DAN RANCANGAN SISTEM ... 13

3.1 Analisis Sistem ... 13

3.1.1 Multicriteria Collaborative Filtering ... 13

3.1.1.1 Menghitung Kemiripan Pengguna ... 14

3.1.1.2 Menghitung Prediksi ... 17

3.1.1.3 Menghitung Keakuratan ... 19

3.2 Desain Perangkat Lunak ... 20

3.2.1 Flowchart ... 20

3.2.2 Use Case Diagram ... 21

3.2.3 Activity Diagram ... 24

3.2.4 Entity Relationship Diagram (ERD) ... 25

3.2.5 Class Diagram ... 27

BAB 4 IMPLEMENTASI ... 30

4.1 Implementasi User Interface ... 30

4.2 Implementasi Metode Perhitungan Rekomendasi ... 43

4.2.1 Metode Pembuatan Matrix ... 43

4.2.2 Metode Perhitungan Jarak Antar Pengguna ... 45

4.2.3 Metode Perhitungan Jarak Total ... 46

4.2.4 Metode Perhitungan Similarity ... 47

4.2.5 Metode Perhitungan Prediksi ... 48

4.2.6 Metode Perhitungan Keakuratan ... 50

BAB 5 PENGUJIAN ... 52

5.1 Pengujian Black Box ... 52


(5)

5.2.1 Hasil Perhitungan Excel ... 57

5.2.1.1 Pengujian 1 ... 57

5.2.1.2 Pengujian 2 ... 60

5.2.1.3 Pengujian 3 ... 63

5.2.1.4 Pengujian 4 ... 65

5.2.1.5 Pengujian 5 ... 69

5.2.1.6 Simpulan Pengujian ... 72

5.2.2 Hasil Perhitungan Program ... 72

5.2.3 Hasil Perhitungan Dengan Kuesioner ... 79

BAB 6 SIMPULAN DAN SARAN ... 83

6.1 Simpulan ... 83

6.2 Saran ... 83


(6)

DAFTAR GAMBAR

Gambar 3.1 Flowchart Sistem Rekomendasi... 21

Gambar 3.2 Use Case Diagram Sistem Rekomendasi ... 22

Gambar 3.3 Use Case Diagram Mengelola Data Tempat ... 23

Gambar 3.4 Use Case Diagram Mengelola Data Pengguna ... 23

Gambar 3.5 Activity Diagram Sistem Rekomendasi ... 24

Gambar 3.6 Entity Relationship Diagram Untuk Sistem Rekomendasi ... 26

Gambar 3.7 Class Diagram Sistem Rekomendasi ... 28

Gambar 4.1 Tampilan awal dari website sistem rekomendasi ... 30

Gambar 4.2 Tampilan awal kedua dari website sistem rekomendasi... 31

Gambar 4.3 Halaman login pada website sistem rekomendasi ... 32

Gambar 4.4 Tampilan registrasi pengguna untuk website sistem rekomendasi .... 32

Gambar 4.5 Tampilan culinary website sistem rekomendasi... 33

Gambar 4.6 Tampilan tourist attraction website sistem rekomendasi ... 34

Gambar 4.7 Tampilan detail place website sistem rekomendasi ... 34

Gambar 4.8 Tampilan kedua detail place website sistem rekomendasi ... 35

Gambar 4.9 Tampilan ketiga detail place website sistem rekomendasi ... 36

Gambar 4.10 Tampilan header untuk pengguna admin ... 36

Gambar 4.11 Tampilan header untuk pengguna ... 37

Gambar 4.12 Tampilan profile pengguna ... 37

Gambar 4.13 Tampilan change password untuk pengguna ... 38

Gambar 4.14 Tampilan setting users untuk pengguna admin ... 38

Gambar 4.15 Tampilan update user untuk pengguna admin ... 39

Gambar 4.16 Tampilan setting places untuk pengguna admin ... 40

Gambar 4.17 Tampilan add place untuk pengguna admin ... 40

Gambar 4.18 Tampilan update place untuk pengguna admin ... 41

Gambar 4.19 Tampilan setting pictures untuk pengguna admin ... 42

Gambar 4.20 Tampilan add pictures untuk pengguna admin ... 42

Gambar 4.21 Metode pembuatan matrix (1) ... 43


(7)

Gambar 4.23 Metode perhitungan jarak antar pengguna dengan Euclidean

Distance... 45

Gambar 4.24 Metode perhitungan jarak total ... 46

Gambar 4.25 Metode perhitungan similarity (1)... 47

Gambar 4.26 Metode perhitungan similarity (2)... 47

Gambar 4.27 Metode perhitungan prediksi (1) ... 48

Gambar 4.28 Metode perhitungan prediksi (2) ... 49

Gambar 4.29 Metode perhitungan prediksi (3) ... 50

Gambar 4.30 Metode perhitungan keakuratan ... 51

Gambar 5.1 Perhitungan MAE untuk data 5 kuliner dan 8 pengguna ... 59

Gambar 5.2 Perhitungan MAE untuk data 8 kuliner dan 10 pengguna ... 62

Gambar 5.3 Perhitungan MAE untuk data 15 kuliner dan 10 pengguna ... 65

Gambar 5.4 Perhitungan MAE untuk data 20 kuliner dan 15 pengguna ... 69

Gambar 5.5 Perhitungan MAE untuk data 30 kuliner dan 17 pengguna ... 71

Gambar 5.6 Hasil penilaian rating pada website ... 73

Gambar 5.7 Hasil Euclidean Distance pada excel dan program ... 74

Gambar 5.8 Hasil perhitungan jarak total pada excel dan program ... 75

Gambar 5.9 Hasil perhitungan similarity pada excel dan program ... 76

Gambar 5.10 Dua nilai similarity terbesar dan hasil perhitungan prediksi ... 77

Gambar 5.11 Hasil perhitungan MAE melalui sistem rekomendasi ... 77

Gambar 5.12 Hasil rekomendasi ... 78

Gambar 5.13 Id kuliner beserta nama pada basis data ... 79


(8)

DAFTAR TABEL

Table 2.1 Item-neighborhood [7] ... 7

Table 2.2 Ilustrasi Item-based Collaborative Filtering [7] ... 8

Table 2.3 User-neighborhood [7] ... 9

Table 2.4 Ilustrasi User-based Collaborative Filtering dengan konsep multicriteria [7] ... 10

Table 3.1 Matriks Penilaian Rating Pengguna Terhadap Kuliner... 13

Table 5.1 Tabel hasil pengujian black box ... 52

Table 5.2 Data rating 5 kuliner dengan 8 pengguna ... 58

Table 5.3 Perhitungan Manhattan Distance untuk data 5 kuliner dan 8 pengguna ... 58

Table 5.4 Perhitungan Euclidean Distance untuk data 5 kuliner dan 8 pengguna 59 Table 5.5 Perhitungan Cosine Similarity untuk data 5 kuliner dan 8 pengguna ... 59

Table 5.6 Data rating 8 kuliner dengan 10 pengguna ... 60

Table 5.7 Perhitungan Manhattan Distance untuk data 8 kuliner dan 10 pengguna ... 61

Table 5.8 Perhitungan Euclidean Distance untuk data 8 kuliner dan 10 pengguna ... 61

Table 5.9 Perhitungan Cosine Similarity untuk data 8 kuliner dan 10 pengguna . 62 Table 5.10 Data rating 15 kuliner dengan 10 pengguna ... 63

Table 5.11 Perhitungan Manhattan Distance untuk data 15 kuliner dan 10 pengguna ... 63

Table 5.12 Perhitungan Euclidean Distance untuk data 15 kuliner dan 10 pengguna ... 64

Table 5.13 Perhitungan Cosine Similarity untuk data 15 kuliner dan 10 pengguna ... 64

Table 5.14 Data rating 20 kuliner dengan 15 pengguna ... 66

Table 5.15 Perhitungan Manhattan Distance untuk data 20 kuliner dan 15 pengguna ... 67

Table 5.16 Perhitungan Euclidean Distance untuk data 20 kuliner dan 15 pengguna ... 67


(9)

Table 5.17 Perhitungan Cosine Similarity untuk data 20 kuliner dan 15 pengguna

... 68

Table 5.18 Data rating 30 kuliner dengan 17 pengguna ... 70

Table 5.19 Perhitungan Manhattan Distance untuk data 30 kuliner dan 17 pengguna ... 70

Table 5.20 Perhitungan Euclidean Distance untuk data 30 kuliner dan 17 pengguna ... 71

Table 5.21 Perhitungan Cosine Similarity untuk data 30 kuliner dan 17 pengguna ... 71

Table 5.22 Tabel Matriks Kuesioner ... 80

Table 5.23 Hasil Rekomendasi Malvin ... 80

Table 5.24 Hasil Rekomendasi Claudia ... 81

Table 5.25 Hasil Rekomendasi Robet ... 81

Table 5.26 Hasil Rekomendasi Stefi ... 81


(10)

DAFTAR NOTASI/ LAMBANG

Jenis Notasi/ Lambang Nama Arti

Flowchart

Terminal

Dilambangkan dengan gambar oval, untuk menandakan awal dimulainya sistem atau akhir dari sistem. Process

Dilambangkan dengan kotak, untuk sebuah proses yang dilakukan oleh komputer.

Decision

Dilambangkan dengan belah ketupat, untuk sebuah percabangan yang telah tercapai oleh

komputer. Input/Output

Dilambangkan dengan jajargenjang, sebagai input ataupun output data dari sistem.

Arrow Melambangkan relasi antar simbol.

Use Case Diagram

Actor

Actor adalah entitas dari sebuah sistem, actor dapat menggambarkan orang, sistem, hardware, dan lain-lain.

Use Case

Spesifikasi dari kegiatan yang dilakukan oleh sebuah sistem yang biasanya melibatkan satu atau dua actor.

Association

Dibutuhkan untuk menunjukkan bahwa seorang actor terlibat dalam sebuah use case tertentu.

Activity Diagram

Initial Node

Node awal yang melambangkan dimulainya sebuah aktivitas dalam sistem. Action

Melambangkan sebuah langkah dalam aktivitas pada sebuah sistem.

Start

Login

Apakah terdapat data rating?

Menampilkan rekomendasi item

berdasarkan popularitas


(11)

Jenis Notasi/ Lambang Nama Arti Control Flow

Akan memulai aktivitas selanjutnya jika aktivitas sebelumnya sudah selesai. Final Node

Node akhir yang melambangkan diakhirinya aktivitas dalam sistem. Entity Relationshi p Diagram (Crow’s Foot) Entity Melambangkan sebuah objek atau tabel yang didalamnya terdapat beberapa atribut.

Relationship Menghubungkan dari satu tabel ke tabel yang lain One (and

only one) cardinality

Menyatakan bahwa tabel yang dihubungkan hanya memiliki jumlah

maksimal instansi hanya 1.

Zero or many

Menyatakan bahwa tabel yang dihubungkan hanya memiliki jumlah

maksimal instansi 0 atau lebih.

Class Diagram

Class

Dilambangkan dengan bentuk kotak yang berfungsi untuk

merepresentasikan sebuah objek. Terdiri dari 4 bagian, nama, atribut, operasi, dan komponen tambahan. Interface Digunakan untuk mendeskripsikan fungsionalitas tanpa implementasi. Seperti sebuah template yang berisi fungsi yang berbeda tetapi tidak ada

implementasinya.

Interface Realization

Simbol untuk

menghubungkan antara interface dengan kelas yang mengimplementasikannya. Category idCategory PK nameCategory CategoryDao

+ getAllCategoryCulinary(): ArrayObject + getAllCategoryTourist(): ArrayObject

<<Interface>> CategoryInterface

+ getAllCategoryCulinary(): ArrayObject + getAllCategoryTourist(): ArrayObject


(12)

Jenis Notasi/ Lambang Nama Arti

Aggregation

Digunakan untuk menghubungkan antar kelas yang disimbolkan dengan bentuk belah ketupat.

Referensi:

Notasi/ Lambang Flowchart dari Smart Draw.

Notasi/ Lambang Use Case Diagram dari Visual Paradigm. Notasi/ Lambang Activity Diagram dari Visual Paradigm.

Notasi/ Lambang Entity Relationship Diagram (Crow’s Foot) dari Lucidchart. Notasi/ Lambang Class Diagram dari Uml-Diagrams.


(13)

DAFTAR SINGKATAN

CF Collaborative Filtering

PHP Hypertext Preprocessor

HTML Hyper Text Markup Languange

GUI Graphical User Interface

MAE Mean Absolute Error


(14)

DAFTAR ISTILAH

Sistem Rekomendasi Model penyelesaian masalah yang menerapkan teknik-teknik tertentu pada pembuatan rekomendasi untuk pemilihan suatu informasi, produk dan jasa. Collaborative Filtering Metode dalam pembuatan sistem rekomendasi

dengan memperkirakan ketertarikan seseorang terhadap sebuah item dengan mengumpulkan informasi dari pengguna lain dalam bentuk nilai rating.


(15)

BAB 1

PENDAHULUAN

1.1Latar Belakang

Informasi dan data saat ini bisa diakses dengan lebih cepat dan mudah melalui internet. Orang-orang dapat dengan mudah mencari dan mendapatkan informasi apa pun yang mereka inginkan melalui search engine. Dikarenakan kemudahan ini maka informasi yang didapat tidaklah sedikit, sehingga menyebabkan timbulnya pertanyaan apakah informasi yang diperoleh akurat dan dapat dipercaya atau tidak. Terutama bagi para wisatawan yang akan merencanakan perjalanan liburan, dibutuhkan banyak data dan informasi mengenai tujuan, objek-objek wisata, tempat kuliner, dan lain-lain yang terdapat di daerah yang akan mereka tuju.

Menurut situs Badan Pusat Statistik untuk daerah Jawa Barat tahun 2015, terdapat sekitar 1.435 usaha pariwisata dan sekitar 14.254 tamu per hari baik dari dalam negeri ataupun luar negeri yang datang berkunjung [1]. Disebabkan semakin banyaknya usaha pariwisata yang ada dan juga semakin banyaknya objek-objek wisata yang bermunculan untuk memikat wisatawan, maka akan semakin sulit bagi para wisatawan untuk memutuskan tempat liburan mereka. Maka penulis memberikan solusi dengan membuat sistem rekomendasi dengan personalisasi menggunakan metode Collaborative Filtering untuk memudahkan wisatawan dalam menemukan objek-objek wisata yang sesuai dengan selera wisatawan.

Sistem rekomendasi adalah model penyelesaian masalah yang menerapkan teknik-teknik tertentu pada pembuatan rekomendasi untuk pemilihan suatu informasi, produk dan jasa [2]. Teknik yang digunakan dalam pembuatan sistem rekomendasi dibagi menjadi 2 teknik, yaitu Content-Based Filtering dan Collaborative Filtering. Collaborative Filtering (CF) muncul sebagai sebuah solusi untuk mengatasi informasi online yang berlebihan. CF merupakan metode dalam pembuatan sistem rekomendasi dengan memperkirakan ketertarikan seseorang terhadap sebuah item dengan mengumpulkan informasi dari pengguna lain dalam bentuk nilai rating. Terdapat 2 jenis Collaborative Filtering yaitu,


(16)

2

user-based dan item-based. User-based merupakan salah satu metode CF yang akan mencari pengguna A dengan kemiripan perilaku yang sama dengan pengguna B, kemudian menggunakan penilaian rating oleh pengguna A terhadap item untuk memperkirakan kesukaan lain pengguna B. Item-based merupakan metode CF yang menggunakan persamaan pola penilaian rating yang diberikan untuk sebuah item, jika dua buah item cenderung memiliki pengguna yang menyukai item tersebut, maka bisa dikatakan pengguna tersebut sama, diharapkan pengguna akan memiliki kesukaan yang sama untuk item lain [3].

Penulis akan membangun sistem rekomendasi untuk wisatawan menggunakan metode User-based Collaborative Filtering berbasis website yang akan menampilkan informasi-informasi yang dibutuhkan oleh wisatawan seperti tujuan, objek-objek wisata, dan tempat kuliner yang dapat dikunjungi. Informasi akan ditampilkan kepada pengguna yang baru pertama kali memasuki situs adalah informasi-informasi yang bersifat umum. Sedangkan bagi pengguna yang sudah memasuki situs dan melakukan pencarian sebelumnya maka akan ditampilkan rekomendasi tempat oleh sistem berdasarkan penilaian rating terhadap item yang sudah dilakukan.

1.2Rumusan Masalah

Berdasarkan latar belakang pada bagian sebelumnya, maka dirumuskan masalah sebagai berikut :

1. Bagaimana membangun sistem yang bisa mendapatkan informasi yang sesuai dengan ketertarikan wisatawan?

2. Bagaimana membangun sistem yang dapat meminimalisasi waktu pencarian informasi yang dibutuhkan bagi wisatawan untuk perencanaan perjalanan liburan?

1.3Tujuan Pembahasan

Tujuan dari pembangunan sistem rekomendasi untuk wisatawan berdasarkan rumusan masalah yang sudah dijabarkan sebelumnya adalah sebagai berikut :


(17)

3

1. Menganalisis penilaian rating yang diberikan wisatawan terhadap tempat-tempat wisata dengan menggunakan metode collaborative filtering.

2. Memberikan rekomendasi tempat-tempat wisata berdasarkan ketertarikan dan perilaku wisatawan.

1.4Ruang Lingkup

Dalam penelitian ini terdapat beberapa hal yang akan dibahas dan batasan-batasan yang ada dalam penelitian ini. Adapun tujuan dari pembatasan-batasan terhadap penelitian ini adalah agar penelitian dapat tetap terfokus pada inti permasalahan yang ada. Berikut adalah ruang lingkup yang ada :

1. Metode yang digunakan sistem untuk memberikan rekomendasi adalah metode User-based Collaborative Filtering dengan konsep multicriteria. 2. Pengguna akan diminta untuk memasukkan profil dan melakukan penilaian

rating terhadap beberapa item sebelumnya agar bisa mendapatkan rekomendasi yang sesuai.

3. Hanya terdapat 2 kategori dalam sistem rekomendasi ini yaitu, objek wisata dan tempat kuliner.

4. Ruang lingkup yang digunakan sebagai data untuk kedua kategori tersebut hanya di Kota Bandung.

5. Gambar beserta keterangan yang dimasukkan sebagai data berasal dari pencarian secara online.

1.5Sumber Data

Sumber data yang penulis gunakan merupakan data primer. Penulis mendapatkan data primer melalui pencarian online dan berdasarkan penelitian-penelitian sebelumnya yang sudah dilakukan.

1.6Sistematika Penyajian

Laporan Tugas Akhir ini menggunakan sistematika penyajian yang terbagi menjadi enam bab. Berikut penjelasan untuk laporan Tugas Akhir Sistem Rekomendasi Untuk Traveler Berbasis Website Dengan Metode Collaborative Filtering :


(18)

4

Bab 1 Pendahuluan

Bab 1 berisi tentang latar belakang, rumusan masalah, tujuan, ruang lingkup, sumber data, dan sistematika penyajian. Latar belakang dan rumusan masalah yang dijabarkan menjadi dasar dilakukannya penelitian. Ruang lingkup ditetapkan agar penelitian tetap terfokus pada tujuan. Sistematika penyajian yang dijabarkan menjadi penjelasan mengenai bab yang ada pada laporan.

Bab 2 Kajian Teori

Bab 2 berisi mengenai teori-teori yang mendasari penelitian ini dan yang berhubungan terhadap permasalahan yang hendak dihadapi. Teori yang dijabarkan berasal dari buku-buku atau jurnal penelitian yang memiliki teori serupa.

Bab 3 Analisis dan Rancangan Sistem

Bab 3 ini berisi analisis dan rancangan sistem dari objek penelitian. Terdapat analisis yang menjelaskan sistem yang berjalan saat ini, proses bisnis, gambaran keseluruhan antarmuka, desain perangkat lunak seperti, pemodelan perangkat lunak, desain penyimpanan data, dan desain antarmuka.

Bab 4 Implementasi

Bab 4 berisi implementasi yang sudah dilakukan dari penelitian ini. Terdapat beberapa sub bab yang akan menjelaskan hasil implementasi yang sudah penulis lakukan seperti, implementasi user interface dan implementasi metode. Implementasi user interface akan menjabarkan hasil desain antarmuka dari website sistem rekomendasi yang sudah dilakukan. Implementasi metode akan menjabarkan bagaimana hasil implementasi metode perhitungan rekomendasi ke dalam kode program.

Bab 5 Pengujian

Bab 5 berisi pembahasan dan uji coba hasil penelitian yang penulis lakukan. Hasil penelitian akan berupa hasil pengujian aplikasi. Pengujian dilakukan dengan beberpa jenis seperti black box testing, white box testing, dan pengujian lain yang sesuai dengan penelitian.


(19)

5

Bab 6 Simpulan dan Saran

Bab 6 terdapat simpulan dan saran. Simpulan menjelaskan simpulan yang dihasilkan berdasarkan tujuan penelitian. Saran merupakan saran yang diberikan penulis terhadap pengembangan aplikasi dan pelaksanaan yang lebih baik di masa yang akan datang.


(20)

BAB 6

SIMPULAN DAN SARAN

6.1Simpulan

Dapat disimpulkan berdasarkan hasil pengujian program yang telah dilakukan,

1. Sistem rekomendasi ini dapat memperoleh informasi yang sesuai dengan ketertarikan pengguna dengan menganalisis penilaian rating dari pengguna dengan menggunakan metode Collaborative Filtering, berdasarkan hasil perhitungan yang dikeluarkan oleh program dengan hasil perhitungan manual serupa.

2. Sistem rekomendasi ini juga dapat meminimalisasi waktu pencarian dengan memberikan rekomendasi pada pengguna berdasarkan hasil rekomendasi yang dihasilkan oleh program sesuai dengan perhitungan prediksinya dan berdasarkan hasil perhitungan dengan kuesioner 4 dari 5 pengguna mengatakan bahwa hasil rekomendasi cukup sesuai.

3. Dalam kasus penelitian ini didapatkan bahwa metode Manhattan Distance yang memiliki MAE terkecil berdasarkan hasil rata-rata untuk 30 kali perhitungan yang telah dilakukan pada masing-masing jumlah data 5, 8, 15, 20, dan 30 kuliner.

6.2Saran

Sebagai perkembangan untuk penelitian ke depannya, program dapat dikoneksikan dengan sosial media seperti Twitter atau Facebook, agar bisa mendapatkan tempat-tempat baru yang sedang populer sehingga program terus bisa mengikuti perkembangan. Selain itu dapat ditambahkan kategori lain seperti hotel, atau yang lainnya.


(21)

SISTEM REKOMENDASI TRAVELER BERBASIS

WEBSITE DENGAN METODE COLLABORATIVE

FILTERING

TUGAS AKHIR

Diajukan untuk Memenuhi Persyaratan Akademik dalam

Menyelesaikan Pendidikan pada Program Studi

S1 Teknik Informatika Universitas Kristen Maranatha

Oleh

Silviana Nathania Saputri

1372072

PROGRAM STUDI S1 TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INFORMASI

UNIVERSITAS KRISTEN MARANATHA

BANDUNG

TAHUN 2016


(22)

PRAKATA

Puji syukur kepada Tuhan Yesus Kristus atas segala berkat, karunia, dan kesabaran yang telah diberikan kepada penulis sehingga website dan laporan tugas akhir yang berjudul “Sistem Rekomendasi Traveler Berbasis Website Dengan Metode Collaborative Filtering“ ini dapat terselesaikan. Penulis sadar laporan ini masih jauh dari kesempurnaan, kekurangan, kesalahan maupun ketidaklayakan yang terdapat di dalam laporan ini, kiranya terjadi karena kelemahan, keterbatasan ilmu pengetahuan dan pengalaman penulis. Dengan demikian, penulis meminta kebijaksanaan dan pengertian dari para pembaca untuk memakluminya. Pada kesempatan ini pula, penulis ingin mengucapkan terima kasih kepada pihak-pihak yang telah membantu dalam mengerjakan tugas akhir ini.

1. Kepada Bapak Dr. Hapnes Toba, M.Sc. selaku Dekan Fakultas Teknologi Informasi Universitas Kristen Marantha Bandung.

2. Kepada Bapak Robby Tan, S.T., M.Kom. selaku Ketua Program Studi S1 Teknik Informatika Universitas Kristen Maranatha Bandung.

3. Kepada Ibu Meliana Christianti J., S.Kom., M.T. selaku Koordinator Tugas Akhir S1 Teknik Informatika Universitas Kristen Maranatha Bandung.

4. Kepada Bapak Dr. Bernard R. Suteja, S.Kom., M.Kom. selaku dosen pembimbing yang telah banyak membantu dan memberikan saran kepada penulis dalam menyelesaikan tugas akhir ini.

5. Kepada dosen-dosen di Fakultas Teknologi Informasi yang telah memberikan masukkan dan memberikan pedoman dalam menyelesaikan tugas akhir ini.

6. Kepada keluarga penulis yang telah banyak membantu dan memberikan dukungan dalam doa dan lainnya selama menyelesaikan tugas akhir ini. 7. Kepada teman-teman penulis Malvin, Claudia, Avner, Stefi, dan Imel yang

telah banyak memberikan dukungan dan motivasi sehingga penulis dapat menyelesaikan tugas akhir ini dengan sebaik-baiknya.


(23)

Terima kasih kepada semua pihak yang tidak dapat saya sebutkan satu persatu baik secara langsung maupun tidak secara langsung yang membantu penulis dalam menyusun tugas akhir ini.

Akhir kata, penulis berharap semoga hasil tugas akhir ini, dapat memberikan sesuatu yang dapat berarti bagi semua pihak. Oleh karena itu, penulis akan menerima setiap kritik dan saran yang dapat membangun penulis agar dapat bekerja lebih baik lagi.

Bandung, 04 November 2016


(24)

DAFTAR PUSTAKA

[1] B. -. S. Indonesia, “Badan Pusat Statistik,” [Online]. Available: https://www.bps.go.id/linkTabelStatis/view/id/1374. [Diakses 30 Maret 2016].

[2] T. R. D. G. C. P. Ken Goldberg, “Eigentaste : A Constant Time Collaborative

Filtering Algorithm,” Information Retrieve Journal.

[3] J. T. R. J. A. K. Michael D. Ekstrand, “Collaborative Filtering Recommender

System,” Human Computer Interactions, vol. 4, pp. 81-173, 2010.

[4] A. W. Neumann, Recommender Systems for Information Providers: Designing Customer Centric Paths to Information, Springer Science & Business Media, 2009.

[5] M. Z. A. F. G. F. Dietmar Jannach, Recommender Systems : An Introduction, Cambridge University Press, 2010.

[6] N. C. A. D. Rafael Andrés Gonzalez, Personalized Information Retrieval and Access: Concepts, Methods and Practices: Concepts, Methods and Practices, IGI Global, 2008.

[7] E. W. Wiranto, “Konsep Multicriteria Collaborative Filtering Untuk

Perbaikan Rekomendasi,” Seminar Nasional Aplikasi Teknologi Informasi,

pp. 51-55, 2010.

[8] A. Puntambekar, Internet Programming, Technical Publications, 2009. [9] P. M. R. L. Kevin Tatroe, Programming PHP, O'Reilly Media, Inc, 2013. [10] M. M. Lynn Beighley, Head First PHP & MySQL, O'Reilly Media, Inc,

2008.

[11] P. Lavin, Object-Oriented PHP: Concepts, Techniques, and Code, No Starch Press, 2006.

[12] H. Shimodaira, “Similarity and Recommender Systems,” pp. 1-10, 2015. [13] E. W. S. H. R. W. Wiranto, “Improving the Prediciton Accuracy of

Multicriteria Collaborative Filtering by Combination Algorithms,”


(25)

5, pp. 52-58, 2014.

[14] N. F. M. A. T. Kleanthi Lakiotaki, “Multi-Criteria User Modeling in

Recommender Systems”.

[15] G. E. A. P. A. B. Rafael Giusti, “An Empirical Comparison of Dissimilarity


(1)

83

Universitas Kristen Maranatha

BAB 6

SIMPULAN DAN SARAN

6.1Simpulan

Dapat disimpulkan berdasarkan hasil pengujian program yang telah dilakukan,

1. Sistem rekomendasi ini dapat memperoleh informasi yang sesuai dengan ketertarikan pengguna dengan menganalisis penilaian rating dari pengguna dengan menggunakan metode Collaborative Filtering, berdasarkan hasil perhitungan yang dikeluarkan oleh program dengan hasil perhitungan manual serupa.

2. Sistem rekomendasi ini juga dapat meminimalisasi waktu pencarian dengan memberikan rekomendasi pada pengguna berdasarkan hasil rekomendasi yang dihasilkan oleh program sesuai dengan perhitungan prediksinya dan berdasarkan hasil perhitungan dengan kuesioner 4 dari 5 pengguna mengatakan bahwa hasil rekomendasi cukup sesuai.

3. Dalam kasus penelitian ini didapatkan bahwa metode Manhattan Distance

yang memiliki MAE terkecil berdasarkan hasil rata-rata untuk 30 kali perhitungan yang telah dilakukan pada masing-masing jumlah data 5, 8, 15, 20, dan 30 kuliner.

6.2Saran

Sebagai perkembangan untuk penelitian ke depannya, program dapat dikoneksikan dengan sosial media seperti Twitter atau Facebook, agar bisa mendapatkan tempat-tempat baru yang sedang populer sehingga program terus bisa mengikuti perkembangan. Selain itu dapat ditambahkan kategori lain seperti hotel, atau yang lainnya.


(2)

SISTEM REKOMENDASI TRAVELER BERBASIS

WEBSITE DENGAN METODE COLLABORATIVE

FILTERING

TUGAS AKHIR

Diajukan untuk Memenuhi Persyaratan Akademik dalam

Menyelesaikan Pendidikan pada Program Studi

S1 Teknik Informatika Universitas Kristen Maranatha

Oleh

Silviana Nathania Saputri

1372072

PROGRAM STUDI S1 TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INFORMASI

UNIVERSITAS KRISTEN MARANATHA

BANDUNG

TAHUN 2016


(3)

iv

Universitas Kristen Maranatha

PRAKATA

Puji syukur kepada Tuhan Yesus Kristus atas segala berkat, karunia, dan kesabaran yang telah diberikan kepada penulis sehingga website dan laporan tugas akhir yang berjudul “Sistem Rekomendasi Traveler Berbasis Website Dengan Metode Collaborative Filtering“ ini dapat terselesaikan. Penulis sadar laporan ini

masih jauh dari kesempurnaan, kekurangan, kesalahan maupun ketidaklayakan yang terdapat di dalam laporan ini, kiranya terjadi karena kelemahan, keterbatasan ilmu pengetahuan dan pengalaman penulis. Dengan demikian, penulis meminta kebijaksanaan dan pengertian dari para pembaca untuk memakluminya. Pada kesempatan ini pula, penulis ingin mengucapkan terima kasih kepada pihak-pihak yang telah membantu dalam mengerjakan tugas akhir ini.

1. Kepada Bapak Dr. Hapnes Toba, M.Sc. selaku Dekan Fakultas Teknologi Informasi Universitas Kristen Marantha Bandung.

2. Kepada Bapak Robby Tan, S.T., M.Kom. selaku Ketua Program Studi S1 Teknik Informatika Universitas Kristen Maranatha Bandung.

3. Kepada Ibu Meliana Christianti J., S.Kom., M.T. selaku Koordinator Tugas Akhir S1 Teknik Informatika Universitas Kristen Maranatha Bandung.

4. Kepada Bapak Dr. Bernard R. Suteja, S.Kom., M.Kom. selaku dosen pembimbing yang telah banyak membantu dan memberikan saran kepada penulis dalam menyelesaikan tugas akhir ini.

5. Kepada dosen-dosen di Fakultas Teknologi Informasi yang telah memberikan masukkan dan memberikan pedoman dalam menyelesaikan tugas akhir ini.

6. Kepada keluarga penulis yang telah banyak membantu dan memberikan dukungan dalam doa dan lainnya selama menyelesaikan tugas akhir ini. 7. Kepada teman-teman penulis Malvin, Claudia, Avner, Stefi, dan Imel yang

telah banyak memberikan dukungan dan motivasi sehingga penulis dapat menyelesaikan tugas akhir ini dengan sebaik-baiknya.


(4)

v

Universitas Kristen Maranatha Terima kasih kepada semua pihak yang tidak dapat saya sebutkan satu persatu baik secara langsung maupun tidak secara langsung yang membantu penulis dalam menyusun tugas akhir ini.

Akhir kata, penulis berharap semoga hasil tugas akhir ini, dapat memberikan sesuatu yang dapat berarti bagi semua pihak. Oleh karena itu, penulis akan menerima setiap kritik dan saran yang dapat membangun penulis agar dapat bekerja lebih baik lagi.

Bandung, 04 November 2016


(5)

84

Universitas Kristen Maranatha

DAFTAR PUSTAKA

[1] B. -. S. Indonesia, “Badan Pusat Statistik,” [Online]. Available: https://www.bps.go.id/linkTabelStatis/view/id/1374. [Diakses 30 Maret 2016].

[2] T. R. D. G. C. P. Ken Goldberg, “Eigentaste : A Constant Time Collaborative

Filtering Algorithm,” Information Retrieve Journal.

[3] J. T. R. J. A. K. Michael D. Ekstrand, “Collaborative Filtering Recommender

System,” Human Computer Interactions, vol. 4, pp. 81-173, 2010.

[4] A. W. Neumann, Recommender Systems for Information Providers: Designing Customer Centric Paths to Information, Springer Science & Business Media, 2009.

[5] M. Z. A. F. G. F. Dietmar Jannach, Recommender Systems : An Introduction, Cambridge University Press, 2010.

[6] N. C. A. D. Rafael Andrés Gonzalez, Personalized Information Retrieval and Access: Concepts, Methods and Practices: Concepts, Methods and Practices, IGI Global, 2008.

[7] E. W. Wiranto, “Konsep Multicriteria Collaborative Filtering Untuk

Perbaikan Rekomendasi,” Seminar Nasional Aplikasi Teknologi Informasi,

pp. 51-55, 2010.

[8] A. Puntambekar, Internet Programming, Technical Publications, 2009. [9] P. M. R. L. Kevin Tatroe, Programming PHP, O'Reilly Media, Inc, 2013. [10] M. M. Lynn Beighley, Head First PHP & MySQL, O'Reilly Media, Inc,

2008.

[11] P. Lavin, Object-Oriented PHP: Concepts, Techniques, and Code, No Starch Press, 2006.

[12] H. Shimodaira, “Similarity and Recommender Systems,” pp. 1-10, 2015. [13] E. W. S. H. R. W. Wiranto, “Improving the Prediciton Accuracy of

Multicriteria Collaborative Filtering by Combination Algorithms,”


(6)

85

Universitas Kristen Maranatha 5, pp. 52-58, 2014.

[14] N. F. M. A. T. Kleanthi Lakiotaki, “Multi-Criteria User Modeling in

Recommender Systems”.

[15] G. E. A. P. A. B. Rafael Giusti, “An Empirical Comparison of Dissimilarity