PENUTUP USER-BASED COLLABORATIVE FILTERING DENGAN MEMANFAATKAN PEARSON-CORRELATION UNTUK MENCARI NEIGHBORS TERDEKAT DALAM SISTEM REKOMENDASI.

BAB VI
PENUTUP

6.1. Kesimpulan
Dari hhasil
asil yang didapat,
didapaat, kkesimpulan
esim
es
mpu
pula
lan yang
ya dapat ditarik
ditar
arik
i dari penelitian
tentangg algoritma rekomendasi
reekome
mend
n asi yang memanfaatkan
memanffaatka

kann Pearson-Correlation
Pearson-Correl
elat
a ion dalam
me
neeig
ighb
hbor
or ini adalah
adal
ad
alah :
mencari neighbor
P
enyar
ariingan neighborr dengan memanfaatkan Pearson-Correlation
Pearsonn-Corr
r el
elat
ation dalam

dala
lam
Penyaringan
sistem
sist
stem

rekomendasi

dan

menaikkan

batas

korel
korelasi-nya
elas
a i-ny
nyaa

ddapat
da
paat

mempengaruhi
mempengaruhi nilai akurasi maupun presisi rekomendasi pada
paada
d por
porsi
orsi
si data
ratingg yang semakin bertambah di lingkungan yang bersifat offline.
offfline.
6.2.
Saran
2. Sa
aran
Beberapa saran yang dapat
dapa

da
patt diterapkan
d tera
di
rapk
pkaan pada algoritma rekomendasi ya
yang
ng
memanfaatkan
mema
me
m nfaatkan Pearson-Correlation dalam pencarian neighbor ini antara llain
ainn :
menggabungkan
algoritma
UCF
1. Menambahkan
Menamb
mbah
ahka

kan atau m
engg
en
ggab
abun
ungk
gkan algor
orit
itma
ma rrekomendasi
ekomendasi
k
U
CF pada
penelitian
ppe
neli
ne
liti
tian

ini

dengan
denga
gan

algoritma
algo
goritma

rekomendasi
rekomend
ndas
asi

lainnya
la
lain
innnya

untuk

keakuratan
meningkatkan keakur
ratan rekomendasi.
2. Mengganti lingkungan ssistem
istem ddari
ari yang bersifat offline menjadi on-line
dengan

cara

mengimplementasikan
mengimpl
plem
mentasikan

sistem

rekomendasi

yang

memanfaatkan algoritma rekomendasi pada penelitian ini kedunia
nyata dengan data real-time.

72

3. Mengelompokkan terlebih dahulu para pengguna / rating / film
berdasarkan sifat-sifat atau pola yang ada didalamnya untuk
neighbor
tujuan
menyeleksi neighb
borr dengan
dengan tuju
juan
an meningkatkan akurasi dan presisi
rekomendasi
rekomend

ndasi

73

DAFTAR PUSTAKA
Beel, J., Langer, S., Genzmehr, M., Gipp, B. and Nürnberger, A. 2013. A
Comparative
Analysis
p
y of Offline and Online Evaluations and Discussion
System
of Research Paper Recommender
Reco
Re
commender Syst
stem
em Evaluation. Proceedings of the
Replication
Workshop on Reproducibility
Re

and Replicatio
ionn in Recommender Systems
Evaluation
on (RepSys) at the ACM Recommender
Recommend
nder
er System Conference
(RecSys)
(RecSy
Sys)
s) (2013), 7–14.
X.,
Chen, X
., Liu, X., Huang,
Huaang
ng, Z., Sun, H., 2010.
20100. RegionKNN:
Reg
egio
ionK

nKNN: A Scalable
Scal
alable Hybrid
Collaborative
Algorithm
Personalized
Collab
bor
orat
a ive Filtering
Filterrin
ingg Al
Algo
rith
ithm
m fo
fforr Personal
aliz
ized
e Webb Service
Recommendation.
Re
eco
comm
mmendati
tion
on. IEEE International Conference
Confere
renc
n e on Web
Web Services,
s, 2010.
Claypool,
Sartin,
M.,
1999.
Clay
ypo
pool
ol, Mark.,
Maark
rk., Gokhale, A., Murnikov, P., Netes, D., Sar
rti
tin,
n, M
., 199
999.
Combining
Online
Comb
mbining Content-Based and Collaborative Filters
Filterrs inn an
an Onlin
ne
Newspaper.
Recommender
Systems
Ne
ewspaper. ACM SIGIR Workshop on Recommend
der
e S
yste
ys
tem
ms –
Implementation and Evaluation.
Im
Campos,L.
A.,
De Ca
ampos,L. M., Fernandez-Luna,J. M., Huete,F. J., Rueda-Morales,M.
Rueda-Morrales,M. A
.,
recommendations:
2010. Combining content-based and collaborative recommen
endationns: A
Journal
hybrid approach based on Bayesian networks. Internationall Journ
rnal of
of
Reasoning
785–799.
Approximate Re
Reas
ason
onin
ingg 51 (2010) 785–79
7999.
Ghauth,
Good
Gh
G
auth, K. I., & Abdullah, N. A. 22011.
0 1. The Effect of Incorporating G
01
ood
oo
System.
Learners' Ratings in e-Learning Content-based Recommender Sy
Syst
stem
em.
Educational
Educ
Ed
u ational Technology
g & Society, 14 (2),
( ), 248–257.
(2
Hu,
W.,, Xie, N
N.,
Li,
L.,
Zeng,
X.,
Maybank,
S.,, 20
2011.
survey
Hu W
W.
.,, L
i, L
., Z
eng,
en
g X
., & M
ay
yba
bank
nk, S.
S
2011
11.. A surv
vey oon
n visual
content-based
indexing
transactions
content-b
t
bas
ased
ed video index
xing and re
retrieval. IEEE
E tr
tran
a sacti
tions oon
n systems,
man, and cybernetics—part
applications
cybernetics—pa
—part c: appl
p ications and reviews, vol. 41, no. 6,
november 2011
Jin, R., Si, Luo., Zhai, C., 2006. A Study
dy of Mixture Models Of Collaborative
Filtering. Springer Science + Busi
Business
siness Media, LLC; Inf. Retrieval 9:357382.
Lops, P., Gemmis, de M., Semeraro, G., 2011. Content-Based Recommender
Systems State of the Art and Trends.

74

Sarwar, B., Karypis, G., Konstan, J., Riedl, J. 2001. Item-Based Collaborative
Filtering Recommendation Algorithms. ACM 1-58113-348-0/01/0005;
GroupLens Research Group.
Shinde, S. K., Kulkarni, U.
U. V
., 2011. Hybrid Personalized
Per
erso
sonalized Recommender System
V.,
Using Fast K-medoids
K-medoids Clustering Algorithm.
m Journal of Advances in
Informat
tio
ion Technology,
Technologyy, Vol. 2, No. 3, August 2011
1.
Information
2011.
Zhang, L
., Peng, L
F.,, Ph
P
elan
n, C.
C.A.
A.,, 20
22014.
1 . Novel
14
Nove
No
v l Recommendation
Recommen
nda
d tion of UserL.,
Lii F.
Phelan,
C.A.,
B
ased Coll
lab
abor
orat
ative Filtering. Journ
nal of
of Digital Information
Based
Collaborative
Journal
Manage
geme
m nt, Vol. 12,
2, No.
No. 3,
3, June 2014.
201
014.
4.
Management,
Zhang, L., Q
Zh
in, Tao,
in
o, T
eng, PiQiang, 2014. An Improved
Impro
rove
v d Co
C
llab
ll
abor
orative Fi
Filtering
Qin,
Teng,
Collaborative
Algo
Al
gorithm
m Based on User Interest. Journal of Software,
Sof
oftware,
e, Vol.
Vol
ol. 9, No.
No.
o 4,
Algorithm
A
Ap
ril 20
2015.
April
Formoso,
2013.
Using
Rating
Form
rmos
oso, Vreixo,
Vreixo, Fernandez, D., Cacheda, F., Carneiro, V., 201
013. U
sing
si
ng Ratin
ng
Matrix Compression Techniques to Speed Up Co
Ma
C
lllab
abor
orativee
Collaborative
R
ecommendations. Inf Retrieval 16:680-696, 2013.
Recommendations.

75