Publication Repository
Dinamika Teknologi
Berkala IImiah Teknologi dan Rekayasa
ISSN 1907-7327
Volume 1 Nomor 1, Oktober 2006
DAFTAR lSI
1. Penerapan Benchmarking untuk Meningkatkan Mutu Program Studi
Perguruan Tinggi
Yeni
1-9
2. Analisa SSVM (Smooth Support Vector Machines) dan RSVM (Reduced
Support Vector Machines)
Yosi Kristian, Edwin Maryorie, Philips Kokoh Prasetyo
10-18
3. Analisa Convolutional Neural Network dan Penerapannya pada
LeNet 5 untuk Handwritten Digit Recognition
Ronny, Gunawan...........
19-25
4. Pengkajian Support Vector Machines
Kartika Angkawijaya, Tjwanda Putra Gunawan
26-32
5. Pendekatan Association Rule Mining untuk Sistem Rekomendasi
Berbasis Kolaboratif
Gunawan, Henry Limanto
33-45
6. Simulasi Penjadualan Teller Secara Dinamis untuk Mengelola Antrian
di Bank X
Wiwik Anggraeni, Mahendrawathi ER...................................................................
46-55
7. EmiJedded Web Server dengan Ie RTL8019AS
BUdhy Sutanto, Setyo Adi Raharjo
56-60
Dinamika Teknologi
Berkala IImiah Teknologi dan Rekayasa
Volume 1 Nomor 1, Oktober 2006
ISSN 1907-7327
Penanggung Jawab :
Prof. Dr. Ir. Kuswara Setiawan, M.T.
Ketua Penyunting :
Ir. Judi Prajetno S., M.M.
Wakil Ketua Penyunting :
Lukman Zaman, S.Kom, M.Kom.
Penyunting Pelaksana :
Yeni, S.T. M.T. (Teknik Industri)
Yosi Kristian, S.Kom. (Teknik Informatika)
Ir. Agus Djaja Gunawan, MSc. (Teknik Elektro)
. Edwin Maryorie, S.Kom. (Teknik Informatika)
Mitra Bestari :
Prof. Dr. Ir. R. J. Widodo, MSc. (ITB)
Dr. Benny Tjahjono, MSc. (Cranfield University)
Dr. Ir. Muaffaq A. Jani, M.Eng. (Univ. 17 Agustus 1945 Surabaya)
Dr. Florentin Smarandache (University of New Mexico)
Dr. Ir. Kadarsah Suryadi, DEA. (ITS)
Tata Laksana :
Yustina Setyawan, S.T, M.Kom.
Alamat Redaksi :
Lembaga Penelitian dan Pengabdian Masyarakat
Sekolah Tinggi Teknik Surabaya (SITS)
JI. Ngagel Jaya Tengah 73-77 Surabaya 60284, Indonesia
Telp. +62-31-5680920 Fax.+62-31-5041509
E-mail: dinamika@stts.edu
Dinamika Teknologi terbit 3 kali dalam satu tahun pada bulan Februari, April, dan Oktober. Biaya
berlangganan 3 nomor dalam satu tahun Rp. 75.000,- ( termasuk ongkos kirim dalam negeri ). Biaya
berlangganan dapat ditransfer ke rekening Bank BeA atas nama Kuswara Setiawan No. 8240191424
------
..- - - " - ' -
._.
"-
_
.. .....
_----------------
PENDEKATAN ASSOCIATION RULE MINING UNTUK SISTEM
REKOMENDASI BERBASIS KOLABORATIF
Gunawan
Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya
e-mail: gunawan@stts.edu
Henry Limanto
Alumnus Sekolah Tinggi Teknik Surabaya
e-mail: henry_limanto_sw@yahoo.com
ABSTRAK
Association rule mining merupakan suatu area data mining yang seringkali digunakall untuk mencari
pengetahuan tentang korelasi diantara item. Sistem yang dikenibangkan pada penelitiall ini akan mencoba
mencari korelasi antar user dan artikel melalui association rule, untuk I11cmberikan rekomcndasi yang
berkualitas kepada user tertentu. Rekomendasi yang didasarkan atas dasar korelasi atau hubungan
semacam ini disebut dengan rekomendasi berbasis kolaboratif. Sistem menggunakan algoritma yang
disesuaikan untuk keperluan rekomendasi, yang disebut algoritma Association Rulcs for Collaborative
Recommender System (AR-CRS). Hasil dari AR-CRS yang bcrupa kumpuhm association rule akan
diproses lebih lanjut dengan menggunakan strategi rekomendasi yang tersedia, yaitu strategi untuk
asosiasi user dan strategi untuk asosiasi artikel. Jika menggunakan asosiasi user, yang dihasilkan ialah
daftar rekomendasi artikel, sedangkan jika menggunakan asosiasi artikel, sistem akan mcmberikan
keputusan apakah suatu artikel layak direkomendasikan atau tidak. Sistem yang dikembangkan pada
penelitian ini diujicobakan pada dua buah dataset yang berbeda, yaitu pada dataset Movidens yang berisi
rating dari beberapa uscr untuk film-film yang pernah disaksikannya, dan pada dataset Book-Crossing
yang memuat sejurnlah rating user untuk buku. Sistll:m menunjukkan respon yang positit: hal ini
ditunjukkan oleh nilai akurasi (accuracy) yang tinggi pada dua buah dataset percobaan.
Kata kunci : data mining, association rule, sistem rekomendasi, collaborative filtering.
ABSTRACT
Rule Mining Association is part of data mining area which is, often utilized to search the correlations
among items. The system being developed in this research trieHO find out the correlations hetll'een a lIser
an an article through rule association to provide a qualified recommendation to a particular liseI'. A
recommendation that is based on correlation or a relation of such kind ｩＮｾ called a collahorative ba,\'('d
recommendation. The system uses an algorithm which is adjusted/or recommendation purposes, called
Association Rules for Collaborative Recommender System (AR-CRS) Algorithm. The results (if AR-( 'R.""·.
which are in the form of a group of association rules. are further processed by using any available
recommendation strategies. which are strategies for user association alUlfor article association. (f ｉ ｳｩｮｾ
user association. the result is a list of recommended rticles. Meanwhile. if using artic:le associatiun, the
system will yield a decision whether an article is worth recommended or not. The systeJll de\'idoped in this
that c011lain ratings of JIlo\'ies that
research was tested on two differem datasets: on lvlovielens ｴ･［ｾ｡､
have been watched by users, and on Book-Crossing dataset that contain a number of lIsers' ratings on
books. The system shows a positive response, shown by the high accuracy points i11 both experimellf
datase/s.
Keywords:
data mining. association rule. recommendation system. collaborative filtering.
33
DINAMIKA TEKNOLOGI Vol. 1. No.1: Oktober 2006: 33-45
PENDAHULUAN
Telah terbukti bahwa pendekatan data mining
dapat digunakan pada berbagai aplikasi modern.
Salah satu cabang i1mu data mining yang terkenal
ialah association rule mining. Bidang i1mu ini
bertujuan untuk menemukan association rule atau
hubungan yang signitikan mengenai suatu hal
dimana sebelumnya tidak diketahui. Hal yang
ditemukan tergantung dari area pcrmasalahan.
Misalnya pada domain market basket, dimana
association rule mining akan menghasilkan rule
seperti "90% transaksi yang mengandung roti dan
mentega maka transaksi tersebut juga mengandung
susu: dengan 30% dari keseluruhan transaksi
mengandung ketiga-tiganya".
Sifat yang melekat pada association rule membuat
bidang ilmu ini menjadi sangat memungkinkan
untuk dikembangkan lebih lanjut pada aplikasi
sistem yang lain. Timbul suatu gagasan bahwa
pendekatan association rule sangat cocok untuk
diterapkan pada bidang ilmu collaborative filtering,
yang umumnya berbentuk sistem rekomendasi,
dimana prosesnya dilakukan dengan mengamati
kemiripan suatu kelompok dengan kelompok yang
lain. Sistem rekomendasi dengan model ini disebut
dengan sistem rekomendasi berbasis kolaboratif.
Pada saat ini hampir scmua teknik rekomendasi
dibagi menjadi dua kategori [3][4][5]: rekomendasi
berbasis isi dan rekomendasi berhasis kolaboratif.
Sistem rekomendasi yang menggunakan basis - isi
mencoba untuk merekomendasikan artikel-artikel
yang mirip dengan artikel-artikel yang telah
disukai oleh user lain, sementara sistem
rekomcndasi berbasis kolahoratif mencoba untuk
mcncmukan beberapa user yang memiliki
penilaian yang mirip dengan user-user tertentu dan
mcrekomendasikan artikel-artikel yang mereka
sukai kepada user tersebut. Baik rekomendasi
bcrbasis isi maupun rekomendasi berbasis
kolaboratif memiliki kelebihan dan kekurangannya
masing-masing, tetapi rekomendasi berbasis
kolaboratif lebih terkenal daripada rekomendasi
berbasis isi, hal ini disebabkan terutama karena
pada banyak domain (misalnya musik, restoran)
sangat sulit untuk memperoleh titur-titur penting
dari artikel, yang merupakan tahapan penting pada
rekomendasi berbasis isi.
Aplikasi sistem pemberi rekomendasi yang
dikembangkan pada penelitian ini merupakan
sistem rekomendasi yang berbasis kolaboratif.
Artinya, dalam menghasilkan rekomendasi yang
34
berkualitas, sistem harus mencari hubungan atau
korelasi yang signitikan. Banyak model
rekomendasi
berbasis
kolaboratif
telah
dikembangkan, diantaranya seperti yang dijelaskan
pada (4). Fokus utama penelitian ini adalah untuk
mengaplikasikan pendekatan association rule
mining pada sistem rekomendasi yang berbasis
kolaboratif, yang akan merekomendasikan artikelartikel tertentu kepada user berdasarkan rating
yang telah dibcrikan oleh user lain. Pada penelitian
ini akan dibahas penggunaan AR-CRS sebagai
rule
mining yang
algoritma association
dikhususkan. untuk rekomendasi kolaboratif.
Rekomendasi dibuat dengan cara mencari
hubungan antar ,user atau hubungan antar artikel
yang sifatnya sangat signitikan, dan kcmudian
merekomendasikan artikel atas dasar hubungan
yang telah diperoleh tersebut.
FRAMEWORK SISTEM
Sistem ini memiliki dua buah input utama. yaitu:
dataset transaksi aan target item, serta beberapa
input pendukung untuk variabel-variabel pcnentu
proses mining ·serta penentu baik buruknya
rekomendasi. Sistem yang dikcmbangkan mCllliliki
fasilitas open dataset, sehingga dapal Illcnerima
bermacam-macam format dataset yang akan dibaea
sebagai tile teks. Datasct yang digunakan
umumnya terdiri dari 3 buah file, yaitu 2 buah tile
master dan I buah tile transaksi. Untuk input
sistem terutama untuk proses mining yang
digunakan ialah tile transaksi.
Input target terdiri atas 2 macam tergantung pada
jenis asosiasi yang digunakan. Target dapat berupa
target user atau target artikcl. Jika yang dipilih
ialah asosiasi user, maka yang menjadi input ialah
kode user yang diinginkan (target user). Jika yang
dipilih ialah asosiasi artikcl, maka yang Illcnjadi
input ialah kode untuk suatll artikel (target artikel)
dan kode target user. Pada asosiasi artikcl
diperlukan dua buah target karena yang dicar·j ialah
apakah target artikel layak direkomcndasikan mau
tidak, berbeda dengan asosiasi user yang akan
mencari beberapa artikel yang layak untuk
direkomendasikan. Perbcdaan masalah pClllilihan
untuk jenis asosiasi akan berpengaruh pada model
association rule yang dihasilkan dan stratcgi untuk
pencarian rekomendasi.
Input pendukung pada sistem ini ialah variabelvariabel penentu kualitas mining dan hasil
rekomendasi. Variabel-variabcl tcrsebut ialah:
Pendekatan AssocIation Rule MInIng untuk Slatem Rekomendlllli Berballill Kolaboratlf (Gunawan et al)
•
Minimum confidence
Variabel ini digunakan uotuk menentukan
batasan minimal derajat korelasi dlantara user
atau artikel.
• Jumlah minimum rule
Variabel ini dlgunakan untuk menentukan
jumlah rule minimal yang akan dihasllkan darl
algoritma ARwCRS.
• Jumlah makslmum rule
Variabel inl dlgunakan untuk menentukan
jumlah rule makslmal yang akan dlhasllkan
dari algoritma ARwCRS. Jumlah rule minimal
dan makslmal dlgunakan untuk mengontrol
range jumlah rule.
• Score threshold
Sebagai variabel pembatas skor minimal yang
harus dicapai oleh suatu artikel supaya sebuah
artikel layak dlrekomendasikan (pada asoslasi
user).
• Support cutoff
Sebagai variabel pembatas nllal support
minimal sebuah rule supaya suatu artikel layak
direkomendasikan (pada asosiasi artikel).
Pada penelitian ini digunakan model association
rule sebagai landasan untuk penemuan korelasi
yang slgnifikan dlantara user atau artikel. yang
kemudian diproses lebih lanjut untuk penemuall
rekomendnsi. Oambar I menunJukkan arsitektur
sistem yang memuat jalur penemuan rekomendasl.
Komponen pertama dari sistem ialah generasi
association rule. Komponen ini terbagi menjadi
dua proses yaitu preprocessing dan association rule
mining (AR Mining). Tahap preprocessing
berfungsl sepertl area association rule mining pada
umumnya, yaltu untuk persiapan awal data mining.
Data transaksi yang masih dalam format yang
berbedawbeda dan asli harus diproses terlebih
dahulu sehingga data yang akan diwmine benarw
benar terbebas dari data redundan dan
kemungklnan adanya kesalahan pada beberapa
record data. Setelah melalui tahap preprocessing
maka data telah siap untuk diwmine. Data hasil
preprocessing akan melewati proses AR Mining,
dengan AR-eRS sebagai algoritma utama pada
penelltlan Inl untuk menghasllkan kumpulan
association rule. Pada tahap ini terdapat dua jenis
association rule yang dihasilkan, tergantung pada
asosiasl yang dlgunakan. yaitu asosiasi user (target
item lalah user) dan asosiasi artikel (target item
berupa artikel). Perbedaan keduanya terletak pada
paradigma bahwa yang dihubungkan pada asosiasi
user ialah user (subjek pemberi rating) dan pada
asosiasi artikel ialah artikel (objek yang diberi
rating).
Sctelah kumpulan association rule diperoleh, maka
tahflp selanjutnya ialah pencarian rekomendasi.
Pencarian rekomendasi dilakukan berdasarkan
parameter tambahan yang akan menentukan
kualitas rekomendasl. Parameter tcrsebut berupa
variabel pembatas yang menjadi input pelengkap
pada sistem inl. Strategi pencariall rekomendasi
juga tergantung pada jenis association rule yang
dlhasilkan pada tahap sebelumnya (asosiasi user
atau asosiasi artikel).
Setelah .melewati kedua tahap besar tersebut, maka
sistem akan menghasilkan output kepada seorang
user yang telah ditentukan (target user). Bentuk
output darl asosiasi user ialah sekumpulan artikel
yang layak direkomendasikan kepada target user,
ｵ｡ｾ
bahkan bisa jadi tidak satupun artikel yang
dlrekomendaslkan. Sedangkan output dari asosiasi
artikel ialah keputusan apakah target artikel layak
direkomendasikan atau tidak. Balk buruknya hasil
rekomendasl tergantung pada pemilihan nilai
variabel threshold untuk mendukung kedua tahap
besar pada slstem inl.
GENERASI ASSOCIATION RULE
Gambar 1. Arsltektur Sistem
Proses generasi association rule melibatkan
beberapa proses yang meliputi pengolahan dataset
35
DINAMIKA TEKNOLOGI Vol. 1, No.1: Oktober 2006: 33-45
menjadi data transaksi dengan kolom yang sudah
dikenali. pembuatan transaksi untuk target yang
spesifik. dan proses mining untuk menghasilkan
association
rule.
Proses-proses
tersebut
membutuhkan beberapa input tambahan sebagai
parameter pembatas kualitas rule yang dihasilkan.
1. Preprocessing
Sebelum proses mining dilakukan. maka terlebih
dahulu harus dilakukan pengolahan data asli
menjadi data siap mining. Proses ini berguna untuk
memastikan bahwa data yang akan diproses benarbenar merupakan data yang terbebas dari
kemungkinan kesalahan. sehingga informasi yang
diperoleh merupakan informasi yang benar dan
akurat. Proses ini meliputi pemisahan kolom.
pembuatan transaksi. dan pemisahan data untuk
training - testing.
Sistem ini menggunakan dataset yang terdiri atas
tiga buah file. yaitu file rating (transaksi). file
master user dan file master artikel. File master
hanya bersifat sebagai informasi saja. untuk
mempermudah user mengetahui keterangan
mengenai user dan keterangan artikel-artikel yang
nantinya akan direkomendasikan. File utama yang
dibutuhkan olch sistem ini ialah file rating atau file
transaksi.
a. Pemisahan Kolom
Dataset yang digunakan untuk sistem akan dibuka
sebagai teks. Dataset tersebut memiliki penanda
(separator I delimiter) untuk menandai pemisah
antar kolomnya. Pada bagian ini yang dilakukan
ialah menampilkan sebagian dari dataset tersebut
kepada user dan membiarkan user yang
mcnentukan delimiter kolom yang sesuai.
Delimiter tersebut umumnya ialah karakterkarakter khusus yang jarang dipakai dalam
penu Iisan (karakter-karakter selain abjad). Pada
sistem ini karakter·karakter default yang diberikan
ialah karakter titik koma. koma. spasi. dan tab. Jika
user membutuhkan karakter lain maka sistem
menyediakan
input sehingga user dapat
menentukan karakter yang sesuai. Selain itu
tcrkadang sebuah kolom masih diapit dengan
karakter penanda teks (apostrophe). Sistem juga
menyediakan fasilitas untuk menangani hal
tersebut. Dengan adanya fasilitas ini maka setiap
kolom dapat diidentitikasi dengan benar.
36
b. Pembuatan Tr'anSl\ksi untuk Target Item
yang Spesifik
Setelah diperoleh tabel data dengan kolom yang
sudah teridentitikasi. maka selanjutnya ialah proses
pembuatan transaksi lIntuk target item yang
spesifik. Karena yang diinginkan ialah association
rule dengan' konsekuen sarna dengan target. maka
tabel data harus difilter hanya untuk satll target
item saja. Isiilah target item dapat berllpa target
user atau target artikel. Target item yang. hempa
user digunakan pada asosiasi user. sedangkan
target item yang berupa artikel digllnakan pada
asosiasi artikel. Input dari proses ini ialah target
item dan batasan rating yang akan membcdakan
sebuah artikel termasllk dalam kategori disukai
atau kategori tidak disukai.
Proses yang dilakukan pada saat pcmbllatan
transaksi untuk asosiasi user ialah melllbacn tiap
kolom artikel yang pernah dibcri raling oleh larget
user. kemudian mencari user lain yang pcmah
memberi rating pada artikel tersebut. Pada asosiasi
user. kolom user akan dibaca sebagai itcm dan
kolom artikel (kolom kunci. yang menjadi baris
dalam transaksi) akan dibaca sebagai transuksi.
Pemberian nilai untuk tiar seltergantung pada
rating yang diberikan oleh user kolaboratir dan
jenis kategori antar itcm yang digunakan. ("ontoh
asosiasi user untuk kalcgori suka • tidak slika dapat
dilihat pada tabel I.
Tabel 1.
Contoh
Tabel
Transaksi
Asosiasi
User
ArtlD CI:S
I
100
0
400
0
800
I
1400
CI:T
C3:S
C3:T
0
I
0
I
I
I
I
0
0
0
0
0
ｔｾＮＡ
I
0
I
I
Proses pembuatan transaksi untuk asosiasi artikel
hampir sarna dengan asosiasi user. perbedaanllya
hanyalah pada sudut pandang antara user (kngan
artikel. Untuk melakukan konversi sudut pandang
dari user menjadi artikel. maka digunakan
pendekatan sebagai berikUl: transaksi terdiri alas
kllmplilan item. Pada asosiasi artikel. yang mcnjadi
item ialah artikel. karena proses yang digunakan
lIntuk membuat transaksi sarna dengan pada
asosiasi user. maka yang dilakukan adalah
menukar posisi kolom user dengan kolom artikcl.
Jadi ketika sistem membaca kolom transaksi
(kolom kunci. menjadi baris dalam tabel). yang
dibaca ialah kolom lIser, dan kolom al1ikel dibaca
Pendekatan Association Rule Mining untuk Sistem Rekomendasi Berbasis Kolaboratif (Gunawan et al)
sebagai item. Contoh tabel transaksi untuk asosiasi
artikel dapat dilihat pada tabel 2.
Tabel 2.
Contoh Tabel Transaksl Asoslasl
Artlkel
UscrlD
5
12
90
107
A4:S
1
0
I
I
AI7:S
0
I
I
I
AIOO:S
I
0
0
I
TA:S
I
1
0
I
2. AR-CRS
AR-CRS merupakan algoritma mining association
rule dengan target konsekuen yang sudah
ditentukan. Algoritma AR-CRS terbagi menjadi
dua bagian, yaitu AR-CRS-) dan AR-CRS-2. ARCRS-I akan menyesuaikan nilai minimum support
selama proses mining yang dilakukan oleh ARCRS-2. Hal ini dilakukan dengan tujuan untuk
menghasilkan rule dengan kualitas support yang
tertinggi dan memenuhi syarat minimum
confidence. Dengan demikian, maka proses
pencarian rule akan berjalan secara otomatis
sampai ditemukan rule-rule yang memenuhi
kritcria parameter input.
b. Modlfikasi AR-CRS-l
Secara garis besar, jika dilihat sepintas alur
algoritma AR-CRS-l memang benar,. namun jika
diamati lebih dalam, maka algoritma ini memiliki
beberapa kelemahan. Kelemahan tersebut antara
lain:
• Pada algoritma AR-CRS-I sudah dipastikan
sebelumnya bahwa jumlah rule yang
dihasilkan pada pemanggilan AR-CRS-2 yang
pertama tidak akan lebih dari maxRulenum.
Hal ini akan berakibat fatal jika jumlah rule
yang
dihasilkan
temyata
melebihi
maxRulenum. Karena otomatis blok untuk
menambah minimum support tidak akan
pernah dijalankan. Padahal blok tcrscbut
herguna untuk mereduksi jumlah rule yang
dihasilkan.
• Pada blok perulangan yang kedua untuk
mengurangi nilai minimum support count jika
jumlah rule yang diltasilkan masih lebih kecil
dari minRulcnum tidak terdapat penanganan
apabila sampai dengan minimum support count
bernilai 0 masilt belum ada sejumlah rule yang
memenuhi konstrain minRulenum. Hal ini
akan . mengakibatkan perulangan yang tidak
akan pernah berltenti.
a. AR-CRS-l
AR-CRS-I digunakan untuk mengatur mlllimum
support count dan mencari rule dengan nilai
support tertinggi. Minimum support count ialah
jumlah transaksi minimal yang sesuai dengan rule
supaya menjadikan rule tersebut frequent, yang
mcrupakan perkalian antara minimum support
dengan jumlah kcseluruhan transaksi. Jumlah
kescluruhan transaksi ialah banyaknya transaksi
yang dibuat dengan acuan target item. Dengan
demikian. transaksi merupakan sebagian atau
subset dari dataset. Algoritma ini ditunjukkan pada
algoritma I.
Algoritma 1 : Algoritma AR-CRS.1
1. 'I'entukan minsupportCount awal
berdasarkan f·rekuensi suka targetltem
2. R = AR-CRS-2 () ;
3. while (R.rulenum=maxRulenum) do
minsupportCount++;
R; = AR-CRS-2();
if R:.rulenum>minRulenum then
R = Rl ;
else return Ri
4.
end
while (R.rulenum I akan
dihasilkan kandidat frequent k-condset dengan
menggunakan frequent (k-I )-condset. Kemudian
akan dilakukan penelusuran semua transaksi untuk
menghitung rulesupCount dan condsupCount dari
semua kandidat k-condset. Terakhir, akan
ditelusuri semua kandidat k-condset untuk dipilih
mana saja yang nilai rulesup-nya lebih besar
daripada minimum support, sehingga dapat
dinyatakan sebagai frequent k-condset. Pada saat
yang sarna akan dihasilkan rule k-condset -7 targetitem, jika confidence dari rule lebih besar atau
sarna dengan minimum confidence. Algoritma ARCRS-2 ditunjukkan pada algoritma 4. Pada
algoritma ini terdapat pemanggilan fungsi
candidateGen yang sarna dengan fungsi apriori-gen
pada algoritma apriori [I].
[user_kolaboratif2 : tidak suka] 7 [target_user
: suka]. Untuk setiap artikel tes dari target user,
jika user_kolaboratifl suka artikel ini dan
user kolaboratif2 tidak suka artikel ini, maka
dikatakan rule tcrsebut rnernenuhi untuk artikel
ini.
2. Diherikan skor untuk tiap rule, yang
merupakan perkalian support dan confidence
rule.
score.
. x con'idencf>.
"t,..,! = sun'PorI
t'.
n,,,',
'./'
...,·u,..·• ..
3.
Diberikan skor untuk tiap artikeli yang
rnerupakan penjumlahan dari keseluruhan skor
untuk ru Ie yang mcmcnuh i artikel tersebut.
Diasumsikan seorang user merniliki 11 buah
rule, rnaka skor lIntuk sebuah artikel tes artikel;
dihitung dengan:
'icoreｉｲｬｩＨｯＮｾ
•
"
="(score
£oJ
",1.'1
Proses pencarian rekomendasi dilakukan pada dua
jenis asosiasi: asosiasi user dan asosiasi artikel.
Untuk kcdua jenis asosiasi tersebut dilakukan
proses mining yang sarna (dengan data transaksi
yang berbeda), tetapi dengan strategi rekomendasi
yang cukup berbeda.
Hasil dari proses pada bagian 1111 ialah
rekomendasi artikel kepada target user yang sudah
ditetapkan. Karena menggunakan basis association
rule, jika tidak dihasilkan association rule pada
tahap sebelumnya, maka secara otomatis proses
untuk pencarian rekomendasi tidak akan dilakukan,
dan tidak ada rekomendasi kcpada target user.
1. Testing Rekomendasi pada Asosiasi User
Untuk asosiasi user, setiap artikel akan diberi vote
oleh rule-rule. Dimana setiap vote diberi bobot
berdasarkan kualitas dari rule (disebut juga dengan
skor dari rule), jika suatu artikel menerima skor
yang lebih besar daripada suatu nilai, maka artikel
tersebut direkomendasikan. Keseluruhan strategi
lIntuk rekomendasi asosiasi user dijelaskan dengan
lebih deti! pada tiga poin berikut:
Irulek
mcmcnuhi
k=1
untuk article;)
REKOMENDASI VIA ASSOCIATION
RULES
( I)
(2)
score/mid,'.
lehih besar daripada
threshold, maka arlikeli akan direkomendasikan kepada user.
4. Jika
2. Testing Rekomcndasi pada Asosiasi Artikel
Untuk 'asosiasi artikel digunakan strategi yang
berbeda. Karena tidak semua artikel layak untuk
direkornendasikan, maka hanya direkomendasikan
arti;kel-artikel yang rnerniliki nilai support rule
lebih besar daripada nilai support cutoff
Penjelasan
lebih detil mengenai strategi
rekomendasi pada asosiasi artikel dapat dilihat
pada langkah-Iangkah berikut:
I. Untuk asosiasi user. rule yang di-miliki
berl:lentuk: [user_kolaboratifl : suka] DAN
[user_kolaboratif2 : tidak suka] 7 [target_user
: suka]. Untuk setiap artikel tes dari target user.
jika user_kolaboratifJ suka artikel ini dan
user_kolahoratif2 tidak suka artikel ini, maka
dikatakan rule tersebut memenuhi untuk artikel
inL
2. Tentukan support cutoff.
3. Untuk setiap artikel tes untuk target user, jika
ada rule dengan nilai support yang lebih besar
daripada support cutoff yang ditentukan yang
memenuhi untuk artikel ini, maka artikel ini
direkomendasikan.
I. Untuk asosiasi user, rule yang di-miliki
berbentuk: [user_kolaboratifl : suka] DAN
39
DINAMIKA TEKNOlOGI Vol, 1. No.1: Oklober 2006. 33-45
UJI CORA
Sistem diujicobakan pada dua buah datasel rating.
yuilU dataset film dan dataset buku. Setiap dataset
juga diujicobakan pada dua buah Jcnis asosiasi
yang discdl3kan oleh SiSICI1l, yaitll asosiasi uscr
dan asosiasi lmike\.
kombinasi yang implisit dari prccision dan recall.
ｾ､ｬｩｮｧ Ｎ
llCCUraC) JU!:" iTlcrupakall fa"lOr ) ang
tidak kalah penting. Tidak tcrlcpas dari itu. jUSlnl
nilai accuracy merupakan "unci untuk menentukan
kualitas dala yang digunakan. ASUlllsi ini akan
dlbuktikan Icbih lanjut pada scsi pcrcobaan.
I. Percob:13n pad a Dataset Mo\'iclcns
Mctode trallling - testing yang akan digunakan
untuk evaluasi sislem ialah 4-fold Cross*validation.
Mctode ini dapat juga discbul dengan mClode 7525. artinya 75% dari transaksi ak:lll digunakan
scbagai training dan 15% sisanya akan digunakan
unluk kcpcrlu
Berkala IImiah Teknologi dan Rekayasa
ISSN 1907-7327
Volume 1 Nomor 1, Oktober 2006
DAFTAR lSI
1. Penerapan Benchmarking untuk Meningkatkan Mutu Program Studi
Perguruan Tinggi
Yeni
1-9
2. Analisa SSVM (Smooth Support Vector Machines) dan RSVM (Reduced
Support Vector Machines)
Yosi Kristian, Edwin Maryorie, Philips Kokoh Prasetyo
10-18
3. Analisa Convolutional Neural Network dan Penerapannya pada
LeNet 5 untuk Handwritten Digit Recognition
Ronny, Gunawan...........
19-25
4. Pengkajian Support Vector Machines
Kartika Angkawijaya, Tjwanda Putra Gunawan
26-32
5. Pendekatan Association Rule Mining untuk Sistem Rekomendasi
Berbasis Kolaboratif
Gunawan, Henry Limanto
33-45
6. Simulasi Penjadualan Teller Secara Dinamis untuk Mengelola Antrian
di Bank X
Wiwik Anggraeni, Mahendrawathi ER...................................................................
46-55
7. EmiJedded Web Server dengan Ie RTL8019AS
BUdhy Sutanto, Setyo Adi Raharjo
56-60
Dinamika Teknologi
Berkala IImiah Teknologi dan Rekayasa
Volume 1 Nomor 1, Oktober 2006
ISSN 1907-7327
Penanggung Jawab :
Prof. Dr. Ir. Kuswara Setiawan, M.T.
Ketua Penyunting :
Ir. Judi Prajetno S., M.M.
Wakil Ketua Penyunting :
Lukman Zaman, S.Kom, M.Kom.
Penyunting Pelaksana :
Yeni, S.T. M.T. (Teknik Industri)
Yosi Kristian, S.Kom. (Teknik Informatika)
Ir. Agus Djaja Gunawan, MSc. (Teknik Elektro)
. Edwin Maryorie, S.Kom. (Teknik Informatika)
Mitra Bestari :
Prof. Dr. Ir. R. J. Widodo, MSc. (ITB)
Dr. Benny Tjahjono, MSc. (Cranfield University)
Dr. Ir. Muaffaq A. Jani, M.Eng. (Univ. 17 Agustus 1945 Surabaya)
Dr. Florentin Smarandache (University of New Mexico)
Dr. Ir. Kadarsah Suryadi, DEA. (ITS)
Tata Laksana :
Yustina Setyawan, S.T, M.Kom.
Alamat Redaksi :
Lembaga Penelitian dan Pengabdian Masyarakat
Sekolah Tinggi Teknik Surabaya (SITS)
JI. Ngagel Jaya Tengah 73-77 Surabaya 60284, Indonesia
Telp. +62-31-5680920 Fax.+62-31-5041509
E-mail: dinamika@stts.edu
Dinamika Teknologi terbit 3 kali dalam satu tahun pada bulan Februari, April, dan Oktober. Biaya
berlangganan 3 nomor dalam satu tahun Rp. 75.000,- ( termasuk ongkos kirim dalam negeri ). Biaya
berlangganan dapat ditransfer ke rekening Bank BeA atas nama Kuswara Setiawan No. 8240191424
------
..- - - " - ' -
._.
"-
_
.. .....
_----------------
PENDEKATAN ASSOCIATION RULE MINING UNTUK SISTEM
REKOMENDASI BERBASIS KOLABORATIF
Gunawan
Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya
e-mail: gunawan@stts.edu
Henry Limanto
Alumnus Sekolah Tinggi Teknik Surabaya
e-mail: henry_limanto_sw@yahoo.com
ABSTRAK
Association rule mining merupakan suatu area data mining yang seringkali digunakall untuk mencari
pengetahuan tentang korelasi diantara item. Sistem yang dikenibangkan pada penelitiall ini akan mencoba
mencari korelasi antar user dan artikel melalui association rule, untuk I11cmberikan rekomcndasi yang
berkualitas kepada user tertentu. Rekomendasi yang didasarkan atas dasar korelasi atau hubungan
semacam ini disebut dengan rekomendasi berbasis kolaboratif. Sistem menggunakan algoritma yang
disesuaikan untuk keperluan rekomendasi, yang disebut algoritma Association Rulcs for Collaborative
Recommender System (AR-CRS). Hasil dari AR-CRS yang bcrupa kumpuhm association rule akan
diproses lebih lanjut dengan menggunakan strategi rekomendasi yang tersedia, yaitu strategi untuk
asosiasi user dan strategi untuk asosiasi artikel. Jika menggunakan asosiasi user, yang dihasilkan ialah
daftar rekomendasi artikel, sedangkan jika menggunakan asosiasi artikel, sistem akan mcmberikan
keputusan apakah suatu artikel layak direkomendasikan atau tidak. Sistem yang dikembangkan pada
penelitian ini diujicobakan pada dua buah dataset yang berbeda, yaitu pada dataset Movidens yang berisi
rating dari beberapa uscr untuk film-film yang pernah disaksikannya, dan pada dataset Book-Crossing
yang memuat sejurnlah rating user untuk buku. Sistll:m menunjukkan respon yang positit: hal ini
ditunjukkan oleh nilai akurasi (accuracy) yang tinggi pada dua buah dataset percobaan.
Kata kunci : data mining, association rule, sistem rekomendasi, collaborative filtering.
ABSTRACT
Rule Mining Association is part of data mining area which is, often utilized to search the correlations
among items. The system being developed in this research trieHO find out the correlations hetll'een a lIser
an an article through rule association to provide a qualified recommendation to a particular liseI'. A
recommendation that is based on correlation or a relation of such kind ｩＮｾ called a collahorative ba,\'('d
recommendation. The system uses an algorithm which is adjusted/or recommendation purposes, called
Association Rules for Collaborative Recommender System (AR-CRS) Algorithm. The results (if AR-( 'R.""·.
which are in the form of a group of association rules. are further processed by using any available
recommendation strategies. which are strategies for user association alUlfor article association. (f ｉ ｳｩｮｾ
user association. the result is a list of recommended rticles. Meanwhile. if using artic:le associatiun, the
system will yield a decision whether an article is worth recommended or not. The systeJll de\'idoped in this
that c011lain ratings of JIlo\'ies that
research was tested on two differem datasets: on lvlovielens ｴ･［ｾ｡､
have been watched by users, and on Book-Crossing dataset that contain a number of lIsers' ratings on
books. The system shows a positive response, shown by the high accuracy points i11 both experimellf
datase/s.
Keywords:
data mining. association rule. recommendation system. collaborative filtering.
33
DINAMIKA TEKNOLOGI Vol. 1. No.1: Oktober 2006: 33-45
PENDAHULUAN
Telah terbukti bahwa pendekatan data mining
dapat digunakan pada berbagai aplikasi modern.
Salah satu cabang i1mu data mining yang terkenal
ialah association rule mining. Bidang i1mu ini
bertujuan untuk menemukan association rule atau
hubungan yang signitikan mengenai suatu hal
dimana sebelumnya tidak diketahui. Hal yang
ditemukan tergantung dari area pcrmasalahan.
Misalnya pada domain market basket, dimana
association rule mining akan menghasilkan rule
seperti "90% transaksi yang mengandung roti dan
mentega maka transaksi tersebut juga mengandung
susu: dengan 30% dari keseluruhan transaksi
mengandung ketiga-tiganya".
Sifat yang melekat pada association rule membuat
bidang ilmu ini menjadi sangat memungkinkan
untuk dikembangkan lebih lanjut pada aplikasi
sistem yang lain. Timbul suatu gagasan bahwa
pendekatan association rule sangat cocok untuk
diterapkan pada bidang ilmu collaborative filtering,
yang umumnya berbentuk sistem rekomendasi,
dimana prosesnya dilakukan dengan mengamati
kemiripan suatu kelompok dengan kelompok yang
lain. Sistem rekomendasi dengan model ini disebut
dengan sistem rekomendasi berbasis kolaboratif.
Pada saat ini hampir scmua teknik rekomendasi
dibagi menjadi dua kategori [3][4][5]: rekomendasi
berbasis isi dan rekomendasi berhasis kolaboratif.
Sistem rekomendasi yang menggunakan basis - isi
mencoba untuk merekomendasikan artikel-artikel
yang mirip dengan artikel-artikel yang telah
disukai oleh user lain, sementara sistem
rekomcndasi berbasis kolahoratif mencoba untuk
mcncmukan beberapa user yang memiliki
penilaian yang mirip dengan user-user tertentu dan
mcrekomendasikan artikel-artikel yang mereka
sukai kepada user tersebut. Baik rekomendasi
bcrbasis isi maupun rekomendasi berbasis
kolaboratif memiliki kelebihan dan kekurangannya
masing-masing, tetapi rekomendasi berbasis
kolaboratif lebih terkenal daripada rekomendasi
berbasis isi, hal ini disebabkan terutama karena
pada banyak domain (misalnya musik, restoran)
sangat sulit untuk memperoleh titur-titur penting
dari artikel, yang merupakan tahapan penting pada
rekomendasi berbasis isi.
Aplikasi sistem pemberi rekomendasi yang
dikembangkan pada penelitian ini merupakan
sistem rekomendasi yang berbasis kolaboratif.
Artinya, dalam menghasilkan rekomendasi yang
34
berkualitas, sistem harus mencari hubungan atau
korelasi yang signitikan. Banyak model
rekomendasi
berbasis
kolaboratif
telah
dikembangkan, diantaranya seperti yang dijelaskan
pada (4). Fokus utama penelitian ini adalah untuk
mengaplikasikan pendekatan association rule
mining pada sistem rekomendasi yang berbasis
kolaboratif, yang akan merekomendasikan artikelartikel tertentu kepada user berdasarkan rating
yang telah dibcrikan oleh user lain. Pada penelitian
ini akan dibahas penggunaan AR-CRS sebagai
rule
mining yang
algoritma association
dikhususkan. untuk rekomendasi kolaboratif.
Rekomendasi dibuat dengan cara mencari
hubungan antar ,user atau hubungan antar artikel
yang sifatnya sangat signitikan, dan kcmudian
merekomendasikan artikel atas dasar hubungan
yang telah diperoleh tersebut.
FRAMEWORK SISTEM
Sistem ini memiliki dua buah input utama. yaitu:
dataset transaksi aan target item, serta beberapa
input pendukung untuk variabel-variabel pcnentu
proses mining ·serta penentu baik buruknya
rekomendasi. Sistem yang dikcmbangkan mCllliliki
fasilitas open dataset, sehingga dapal Illcnerima
bermacam-macam format dataset yang akan dibaea
sebagai tile teks. Datasct yang digunakan
umumnya terdiri dari 3 buah file, yaitu 2 buah tile
master dan I buah tile transaksi. Untuk input
sistem terutama untuk proses mining yang
digunakan ialah tile transaksi.
Input target terdiri atas 2 macam tergantung pada
jenis asosiasi yang digunakan. Target dapat berupa
target user atau target artikcl. Jika yang dipilih
ialah asosiasi user, maka yang menjadi input ialah
kode user yang diinginkan (target user). Jika yang
dipilih ialah asosiasi artikcl, maka yang Illcnjadi
input ialah kode untuk suatll artikel (target artikel)
dan kode target user. Pada asosiasi artikcl
diperlukan dua buah target karena yang dicar·j ialah
apakah target artikel layak direkomcndasikan mau
tidak, berbeda dengan asosiasi user yang akan
mencari beberapa artikel yang layak untuk
direkomendasikan. Perbcdaan masalah pClllilihan
untuk jenis asosiasi akan berpengaruh pada model
association rule yang dihasilkan dan stratcgi untuk
pencarian rekomendasi.
Input pendukung pada sistem ini ialah variabelvariabel penentu kualitas mining dan hasil
rekomendasi. Variabel-variabcl tcrsebut ialah:
Pendekatan AssocIation Rule MInIng untuk Slatem Rekomendlllli Berballill Kolaboratlf (Gunawan et al)
•
Minimum confidence
Variabel ini digunakan uotuk menentukan
batasan minimal derajat korelasi dlantara user
atau artikel.
• Jumlah minimum rule
Variabel ini dlgunakan untuk menentukan
jumlah rule minimal yang akan dihasllkan darl
algoritma ARwCRS.
• Jumlah makslmum rule
Variabel inl dlgunakan untuk menentukan
jumlah rule makslmal yang akan dlhasllkan
dari algoritma ARwCRS. Jumlah rule minimal
dan makslmal dlgunakan untuk mengontrol
range jumlah rule.
• Score threshold
Sebagai variabel pembatas skor minimal yang
harus dicapai oleh suatu artikel supaya sebuah
artikel layak dlrekomendasikan (pada asoslasi
user).
• Support cutoff
Sebagai variabel pembatas nllal support
minimal sebuah rule supaya suatu artikel layak
direkomendasikan (pada asosiasi artikel).
Pada penelitian ini digunakan model association
rule sebagai landasan untuk penemuan korelasi
yang slgnifikan dlantara user atau artikel. yang
kemudian diproses lebih lanjut untuk penemuall
rekomendnsi. Oambar I menunJukkan arsitektur
sistem yang memuat jalur penemuan rekomendasl.
Komponen pertama dari sistem ialah generasi
association rule. Komponen ini terbagi menjadi
dua proses yaitu preprocessing dan association rule
mining (AR Mining). Tahap preprocessing
berfungsl sepertl area association rule mining pada
umumnya, yaltu untuk persiapan awal data mining.
Data transaksi yang masih dalam format yang
berbedawbeda dan asli harus diproses terlebih
dahulu sehingga data yang akan diwmine benarw
benar terbebas dari data redundan dan
kemungklnan adanya kesalahan pada beberapa
record data. Setelah melalui tahap preprocessing
maka data telah siap untuk diwmine. Data hasil
preprocessing akan melewati proses AR Mining,
dengan AR-eRS sebagai algoritma utama pada
penelltlan Inl untuk menghasllkan kumpulan
association rule. Pada tahap ini terdapat dua jenis
association rule yang dihasilkan, tergantung pada
asosiasl yang dlgunakan. yaitu asosiasi user (target
item lalah user) dan asosiasi artikel (target item
berupa artikel). Perbedaan keduanya terletak pada
paradigma bahwa yang dihubungkan pada asosiasi
user ialah user (subjek pemberi rating) dan pada
asosiasi artikel ialah artikel (objek yang diberi
rating).
Sctelah kumpulan association rule diperoleh, maka
tahflp selanjutnya ialah pencarian rekomendasi.
Pencarian rekomendasi dilakukan berdasarkan
parameter tambahan yang akan menentukan
kualitas rekomendasl. Parameter tcrsebut berupa
variabel pembatas yang menjadi input pelengkap
pada sistem inl. Strategi pencariall rekomendasi
juga tergantung pada jenis association rule yang
dlhasilkan pada tahap sebelumnya (asosiasi user
atau asosiasi artikel).
Setelah .melewati kedua tahap besar tersebut, maka
sistem akan menghasilkan output kepada seorang
user yang telah ditentukan (target user). Bentuk
output darl asosiasi user ialah sekumpulan artikel
yang layak direkomendasikan kepada target user,
ｵ｡ｾ
bahkan bisa jadi tidak satupun artikel yang
dlrekomendaslkan. Sedangkan output dari asosiasi
artikel ialah keputusan apakah target artikel layak
direkomendasikan atau tidak. Balk buruknya hasil
rekomendasl tergantung pada pemilihan nilai
variabel threshold untuk mendukung kedua tahap
besar pada slstem inl.
GENERASI ASSOCIATION RULE
Gambar 1. Arsltektur Sistem
Proses generasi association rule melibatkan
beberapa proses yang meliputi pengolahan dataset
35
DINAMIKA TEKNOLOGI Vol. 1, No.1: Oktober 2006: 33-45
menjadi data transaksi dengan kolom yang sudah
dikenali. pembuatan transaksi untuk target yang
spesifik. dan proses mining untuk menghasilkan
association
rule.
Proses-proses
tersebut
membutuhkan beberapa input tambahan sebagai
parameter pembatas kualitas rule yang dihasilkan.
1. Preprocessing
Sebelum proses mining dilakukan. maka terlebih
dahulu harus dilakukan pengolahan data asli
menjadi data siap mining. Proses ini berguna untuk
memastikan bahwa data yang akan diproses benarbenar merupakan data yang terbebas dari
kemungkinan kesalahan. sehingga informasi yang
diperoleh merupakan informasi yang benar dan
akurat. Proses ini meliputi pemisahan kolom.
pembuatan transaksi. dan pemisahan data untuk
training - testing.
Sistem ini menggunakan dataset yang terdiri atas
tiga buah file. yaitu file rating (transaksi). file
master user dan file master artikel. File master
hanya bersifat sebagai informasi saja. untuk
mempermudah user mengetahui keterangan
mengenai user dan keterangan artikel-artikel yang
nantinya akan direkomendasikan. File utama yang
dibutuhkan olch sistem ini ialah file rating atau file
transaksi.
a. Pemisahan Kolom
Dataset yang digunakan untuk sistem akan dibuka
sebagai teks. Dataset tersebut memiliki penanda
(separator I delimiter) untuk menandai pemisah
antar kolomnya. Pada bagian ini yang dilakukan
ialah menampilkan sebagian dari dataset tersebut
kepada user dan membiarkan user yang
mcnentukan delimiter kolom yang sesuai.
Delimiter tersebut umumnya ialah karakterkarakter khusus yang jarang dipakai dalam
penu Iisan (karakter-karakter selain abjad). Pada
sistem ini karakter·karakter default yang diberikan
ialah karakter titik koma. koma. spasi. dan tab. Jika
user membutuhkan karakter lain maka sistem
menyediakan
input sehingga user dapat
menentukan karakter yang sesuai. Selain itu
tcrkadang sebuah kolom masih diapit dengan
karakter penanda teks (apostrophe). Sistem juga
menyediakan fasilitas untuk menangani hal
tersebut. Dengan adanya fasilitas ini maka setiap
kolom dapat diidentitikasi dengan benar.
36
b. Pembuatan Tr'anSl\ksi untuk Target Item
yang Spesifik
Setelah diperoleh tabel data dengan kolom yang
sudah teridentitikasi. maka selanjutnya ialah proses
pembuatan transaksi lIntuk target item yang
spesifik. Karena yang diinginkan ialah association
rule dengan' konsekuen sarna dengan target. maka
tabel data harus difilter hanya untuk satll target
item saja. Isiilah target item dapat berllpa target
user atau target artikel. Target item yang. hempa
user digunakan pada asosiasi user. sedangkan
target item yang berupa artikel digllnakan pada
asosiasi artikel. Input dari proses ini ialah target
item dan batasan rating yang akan membcdakan
sebuah artikel termasllk dalam kategori disukai
atau kategori tidak disukai.
Proses yang dilakukan pada saat pcmbllatan
transaksi untuk asosiasi user ialah melllbacn tiap
kolom artikel yang pernah dibcri raling oleh larget
user. kemudian mencari user lain yang pcmah
memberi rating pada artikel tersebut. Pada asosiasi
user. kolom user akan dibaca sebagai itcm dan
kolom artikel (kolom kunci. yang menjadi baris
dalam transaksi) akan dibaca sebagai transuksi.
Pemberian nilai untuk tiar seltergantung pada
rating yang diberikan oleh user kolaboratir dan
jenis kategori antar itcm yang digunakan. ("ontoh
asosiasi user untuk kalcgori suka • tidak slika dapat
dilihat pada tabel I.
Tabel 1.
Contoh
Tabel
Transaksi
Asosiasi
User
ArtlD CI:S
I
100
0
400
0
800
I
1400
CI:T
C3:S
C3:T
0
I
0
I
I
I
I
0
0
0
0
0
ｔｾＮＡ
I
0
I
I
Proses pembuatan transaksi untuk asosiasi artikel
hampir sarna dengan asosiasi user. perbedaanllya
hanyalah pada sudut pandang antara user (kngan
artikel. Untuk melakukan konversi sudut pandang
dari user menjadi artikel. maka digunakan
pendekatan sebagai berikUl: transaksi terdiri alas
kllmplilan item. Pada asosiasi artikel. yang mcnjadi
item ialah artikel. karena proses yang digunakan
lIntuk membuat transaksi sarna dengan pada
asosiasi user. maka yang dilakukan adalah
menukar posisi kolom user dengan kolom artikcl.
Jadi ketika sistem membaca kolom transaksi
(kolom kunci. menjadi baris dalam tabel). yang
dibaca ialah kolom lIser, dan kolom al1ikel dibaca
Pendekatan Association Rule Mining untuk Sistem Rekomendasi Berbasis Kolaboratif (Gunawan et al)
sebagai item. Contoh tabel transaksi untuk asosiasi
artikel dapat dilihat pada tabel 2.
Tabel 2.
Contoh Tabel Transaksl Asoslasl
Artlkel
UscrlD
5
12
90
107
A4:S
1
0
I
I
AI7:S
0
I
I
I
AIOO:S
I
0
0
I
TA:S
I
1
0
I
2. AR-CRS
AR-CRS merupakan algoritma mining association
rule dengan target konsekuen yang sudah
ditentukan. Algoritma AR-CRS terbagi menjadi
dua bagian, yaitu AR-CRS-) dan AR-CRS-2. ARCRS-I akan menyesuaikan nilai minimum support
selama proses mining yang dilakukan oleh ARCRS-2. Hal ini dilakukan dengan tujuan untuk
menghasilkan rule dengan kualitas support yang
tertinggi dan memenuhi syarat minimum
confidence. Dengan demikian, maka proses
pencarian rule akan berjalan secara otomatis
sampai ditemukan rule-rule yang memenuhi
kritcria parameter input.
b. Modlfikasi AR-CRS-l
Secara garis besar, jika dilihat sepintas alur
algoritma AR-CRS-l memang benar,. namun jika
diamati lebih dalam, maka algoritma ini memiliki
beberapa kelemahan. Kelemahan tersebut antara
lain:
• Pada algoritma AR-CRS-I sudah dipastikan
sebelumnya bahwa jumlah rule yang
dihasilkan pada pemanggilan AR-CRS-2 yang
pertama tidak akan lebih dari maxRulenum.
Hal ini akan berakibat fatal jika jumlah rule
yang
dihasilkan
temyata
melebihi
maxRulenum. Karena otomatis blok untuk
menambah minimum support tidak akan
pernah dijalankan. Padahal blok tcrscbut
herguna untuk mereduksi jumlah rule yang
dihasilkan.
• Pada blok perulangan yang kedua untuk
mengurangi nilai minimum support count jika
jumlah rule yang diltasilkan masih lebih kecil
dari minRulcnum tidak terdapat penanganan
apabila sampai dengan minimum support count
bernilai 0 masilt belum ada sejumlah rule yang
memenuhi konstrain minRulenum. Hal ini
akan . mengakibatkan perulangan yang tidak
akan pernah berltenti.
a. AR-CRS-l
AR-CRS-I digunakan untuk mengatur mlllimum
support count dan mencari rule dengan nilai
support tertinggi. Minimum support count ialah
jumlah transaksi minimal yang sesuai dengan rule
supaya menjadikan rule tersebut frequent, yang
mcrupakan perkalian antara minimum support
dengan jumlah kcseluruhan transaksi. Jumlah
kescluruhan transaksi ialah banyaknya transaksi
yang dibuat dengan acuan target item. Dengan
demikian. transaksi merupakan sebagian atau
subset dari dataset. Algoritma ini ditunjukkan pada
algoritma I.
Algoritma 1 : Algoritma AR-CRS.1
1. 'I'entukan minsupportCount awal
berdasarkan f·rekuensi suka targetltem
2. R = AR-CRS-2 () ;
3. while (R.rulenum=maxRulenum) do
minsupportCount++;
R; = AR-CRS-2();
if R:.rulenum>minRulenum then
R = Rl ;
else return Ri
4.
end
while (R.rulenum I akan
dihasilkan kandidat frequent k-condset dengan
menggunakan frequent (k-I )-condset. Kemudian
akan dilakukan penelusuran semua transaksi untuk
menghitung rulesupCount dan condsupCount dari
semua kandidat k-condset. Terakhir, akan
ditelusuri semua kandidat k-condset untuk dipilih
mana saja yang nilai rulesup-nya lebih besar
daripada minimum support, sehingga dapat
dinyatakan sebagai frequent k-condset. Pada saat
yang sarna akan dihasilkan rule k-condset -7 targetitem, jika confidence dari rule lebih besar atau
sarna dengan minimum confidence. Algoritma ARCRS-2 ditunjukkan pada algoritma 4. Pada
algoritma ini terdapat pemanggilan fungsi
candidateGen yang sarna dengan fungsi apriori-gen
pada algoritma apriori [I].
[user_kolaboratif2 : tidak suka] 7 [target_user
: suka]. Untuk setiap artikel tes dari target user,
jika user_kolaboratifl suka artikel ini dan
user kolaboratif2 tidak suka artikel ini, maka
dikatakan rule tcrsebut rnernenuhi untuk artikel
ini.
2. Diherikan skor untuk tiap rule, yang
merupakan perkalian support dan confidence
rule.
score.
. x con'idencf>.
"t,..,! = sun'PorI
t'.
n,,,',
'./'
...,·u,..·• ..
3.
Diberikan skor untuk tiap artikeli yang
rnerupakan penjumlahan dari keseluruhan skor
untuk ru Ie yang mcmcnuh i artikel tersebut.
Diasumsikan seorang user merniliki 11 buah
rule, rnaka skor lIntuk sebuah artikel tes artikel;
dihitung dengan:
'icoreｉｲｬｩＨｯＮｾ
•
"
="(score
£oJ
",1.'1
Proses pencarian rekomendasi dilakukan pada dua
jenis asosiasi: asosiasi user dan asosiasi artikel.
Untuk kcdua jenis asosiasi tersebut dilakukan
proses mining yang sarna (dengan data transaksi
yang berbeda), tetapi dengan strategi rekomendasi
yang cukup berbeda.
Hasil dari proses pada bagian 1111 ialah
rekomendasi artikel kepada target user yang sudah
ditetapkan. Karena menggunakan basis association
rule, jika tidak dihasilkan association rule pada
tahap sebelumnya, maka secara otomatis proses
untuk pencarian rekomendasi tidak akan dilakukan,
dan tidak ada rekomendasi kcpada target user.
1. Testing Rekomendasi pada Asosiasi User
Untuk asosiasi user, setiap artikel akan diberi vote
oleh rule-rule. Dimana setiap vote diberi bobot
berdasarkan kualitas dari rule (disebut juga dengan
skor dari rule), jika suatu artikel menerima skor
yang lebih besar daripada suatu nilai, maka artikel
tersebut direkomendasikan. Keseluruhan strategi
lIntuk rekomendasi asosiasi user dijelaskan dengan
lebih deti! pada tiga poin berikut:
Irulek
mcmcnuhi
k=1
untuk article;)
REKOMENDASI VIA ASSOCIATION
RULES
( I)
(2)
score/mid,'.
lehih besar daripada
threshold, maka arlikeli akan direkomendasikan kepada user.
4. Jika
2. Testing Rekomcndasi pada Asosiasi Artikel
Untuk 'asosiasi artikel digunakan strategi yang
berbeda. Karena tidak semua artikel layak untuk
direkornendasikan, maka hanya direkomendasikan
arti;kel-artikel yang rnerniliki nilai support rule
lebih besar daripada nilai support cutoff
Penjelasan
lebih detil mengenai strategi
rekomendasi pada asosiasi artikel dapat dilihat
pada langkah-Iangkah berikut:
I. Untuk asosiasi user. rule yang di-miliki
berl:lentuk: [user_kolaboratifl : suka] DAN
[user_kolaboratif2 : tidak suka] 7 [target_user
: suka]. Untuk setiap artikel tes dari target user.
jika user_kolaboratifJ suka artikel ini dan
user_kolahoratif2 tidak suka artikel ini, maka
dikatakan rule tersebut memenuhi untuk artikel
inL
2. Tentukan support cutoff.
3. Untuk setiap artikel tes untuk target user, jika
ada rule dengan nilai support yang lebih besar
daripada support cutoff yang ditentukan yang
memenuhi untuk artikel ini, maka artikel ini
direkomendasikan.
I. Untuk asosiasi user, rule yang di-miliki
berbentuk: [user_kolaboratifl : suka] DAN
39
DINAMIKA TEKNOlOGI Vol, 1. No.1: Oklober 2006. 33-45
UJI CORA
Sistem diujicobakan pada dua buah datasel rating.
yuilU dataset film dan dataset buku. Setiap dataset
juga diujicobakan pada dua buah Jcnis asosiasi
yang discdl3kan oleh SiSICI1l, yaitll asosiasi uscr
dan asosiasi lmike\.
kombinasi yang implisit dari prccision dan recall.
ｾ､ｬｩｮｧ Ｎ
llCCUraC) JU!:" iTlcrupakall fa"lOr ) ang
tidak kalah penting. Tidak tcrlcpas dari itu. jUSlnl
nilai accuracy merupakan "unci untuk menentukan
kualitas dala yang digunakan. ASUlllsi ini akan
dlbuktikan Icbih lanjut pada scsi pcrcobaan.
I. Percob:13n pad a Dataset Mo\'iclcns
Mctode trallling - testing yang akan digunakan
untuk evaluasi sislem ialah 4-fold Cross*validation.
Mctode ini dapat juga discbul dengan mClode 7525. artinya 75% dari transaksi ak:lll digunakan
scbagai training dan 15% sisanya akan digunakan
unluk kcpcrlu