BAB II LANDASAN TEORI Di dalam landasan teori ini, akan dibahas tentang teori – teori dan konsep dasar yang mendukung pembahasan dari sistem yang akan dibuat. - Sistem Rekomendasi Pencarian Pekerjaan Berbasis Web Menggunakan Metode Hybrid-Based Recommenda

BAB II LANDASAN TEORI Di dalam landasan teori ini, akan dibahas tentang teori – teori dan konsep dasar yang mendukung pembahasan dari sistem yang akan dibuat.

2.1 Basis Data (Database)

  Basis data diperlukan dalam pembuatan sebuah sistem sebagai inti dari sistem tersebut. Beberapa definisi lain tentang basis data adalah sebagai berikut:

  1. Basis data adalah sebuah model dari beberapa aspek realitas pada sebuah organisasi (Kent, 1978).

  2. Menurut Connolly dan Begg (2002), basis data adalah kumpulan dari data yang sering digunakan oleh sebuah sistem pada suatu organisasi.

  3. Basis data menurut Sutanta (2004) adalah pengorganisasian sebuah kumpulan data yang saling terkait atau berhubungan sehingga memudahkan memperoleh informasi.

  4. Database adalah sebuah struktur repositori dari suatu data.

  Basis data diciptakan untuk mengoperasikan infomasi dalam skala besar. Fungsi dari basis data seperti memasukkan data, menyimpan data, mengambil data dan mengelola data tersebut. Dari definisi yang telah dijabarkan, maka dapat disimpulkan bahwa Pengertian dari database adalah koleksi dari berbagai macam data yang terorganisir di dalam satu unit atau tempat.

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

  

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

  (Mahmod dan Ricci, 2009). Sistem hybrid yang

  collaborative filtering 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

  Metode nearest neighbor langsung mengeksploitasi jarak antara data sampel untuk melakukan klasifikasi. Nearest neighbor secara independen mengevaluasi jarak antara data yang satu dengan data yang lain (Xu, Y. 2012). Rules nearest neighbor mengidentifikasi katagori dari data poin yang baru (kasus baru) berdasarkan nearest

  

neighbor dari data (kasus lama) yang telah diketahui nilainya (Vaidehi dan Vasuhi,

2008).

  

Rule ini digunakan pada sistem pengenalan pattern (pattern recognition),

  pengkatagorian text (text catagorization), model rangking, pengenalan objek (object recognition ) dan event recognition (Bhatia dan Vandana, 2010).

Gambar 2.1 Kedekatan kasus

  Pada gambar 2.1 dapat dilihat bahwa terdapat dua kasus lama, yaitu kasus A dan kasus B. Pada saat kasus baru muncul, solusi yang digunakan untuk memcahkan kasus baru tersebut adalah dengan kasus lama A dikarenakan jarak 1 yaitu kasus baru dengan kasus A lebih dekat dibandingkan jarak 2 yaitu jarak kasus baru dengan kasus

B. Maka diambil kesimpulan bahwa kasus baru dipecahkan oleh kasus A.

  Untuk memperoleh rangking pada nearest neighbor, sistem melakukan perhitungan kedekatan (similarity) antara 2 kasus. Berikut adalah rumus dari yang digunakan di dalam metode nearest neighbor.

  Dimana : T : Kasus baru S : Kasus yang ada dalam memori/basisdata (kasus lama) n : Jumlah atribut dalam setiap kasus i : atribut variabel antara 1 s/d n f : fungsi similarity atribut i antara kasus T dan kasus S w : bobot yang diberikan pada atribut ke-i

  Penentuan kedekatan biasanya berada pada nilai antara 0 s/d 1. Nilai 0 berarti bahwa kedua kasus mutlak tidak memiliki kesamaan, sebaliknya untuk nilai 1, berarti kasus tersebut mutlak memiliki kesamaan.

2.4 Metode Decision Tree

  Klasifikasi data bisa dideskripsikan sebagai pengawas dari sebuah learning algoritm di dalam proses mesin pembelajaran. Decision tree adalah sebuah representasi dari prosedur keputusan untuk menentukan kelas dan dikonstruksikan menjadi algoritma

  

non-incremental tree-induction atau algoritma incremental tree-induction (Utgoff,

1989).

  dalam sistem pengambilan keputusan dan proses pembelajaran sistem yang menggunakan teknik prediksi modeling yang digunakan di dalam klasifikasi. Decision

  

tree menggunakan teknik divide-conquer untuk memisahkan masalah menjadi bagian

– bagian.

  Struktur dari Decision tree dibuat dari node awal (root), pilihan (internal) dan node hasil (leaf nodes). Struktur pohon ini digunakan untuk mengklasifikasikan data yang belum diketahui record-nya. Pada gambar 2.2 berikut, akan digambarkan struktur pohon keputusan yang akan digunakan pada skripsi ini.

Gambar 2.2 Decision Tree

2.5 Penelitian terdahulu

  Di bagian ini akan dijabarkan beberapa penelitian terdahulu. Sistem rekomendasi telah banyak digunakan pada penelitian terdahulu. Seperti sistem rekomendasi pada bursa telepon genggam (2008) yang menggunakan content-based filtering dan sistem rekomendasi untuk sistem informasi toko film digital (2007) menggunakan metode

  user item.

  Untuk metode Hybrid-based filtering telah digunakan oleh (2010) pada sistem rekomendasi berita berbahasa indonesia yang menggunakan gabungan metode

  

clustering dan algoritma tf-dif. Kemudian digunakan juga oleh (2012) untuk

  memperoleh rekomendasi minat bakat siswa yang menggunakan metode Association

  

Rule dan algoritma Apriori. Untuk lebih jelasnya, pada tabel 2.1 Berikut akan

dijelaskan penelitian – penelitian yang telah dibuat sebelumnya.

Tabel 2.1 Penelitian terdahulu

  No. Judul Tahun Metode yang Keterangan digunakan

  1 Pembangunan 2008 content-based Kelemahan : Perangkat Lunak Sistem filtering ketidakmampuan sistem Rekomendasi Bursa memberikan rekomendasi Elektronis Telepon suatu informasi yang baru Genggam. karena rekomendasi berdasarkan data yang lalu.

  knowledge-

  2 Metode Analisis 2009 Berdasarkan kepuasan

  based, utility

  Rekomendasi Pada pelanggan (user

  based

  Sistem Rekomendasi satisfaction ) pemodelan

  user-based

  (Contoh kasus sistem rekomendasi

  collaborative

  Pemanfaatan pada biro memiliki domain dan

  filtering, item-

  wisata) wilayahnya masing-masing

  based

  dalam penyelesaian masalah

  collaborative

  penentuan rekomendasi

  filtering, dan association rules

Tabel 2.1 Penelitian terdahulu (lanjutan)

  No. Judul Tahun Metode yang Keterangan digunakan

  3 Model Sistem Informasi 2007 Collaborative Keuntungan : dinamis dan Toko Film Digital Filtering sederhana dalam Dengan Recommender metode user perhitungan rekomendasi

  

System item Kelemahan : masalah

  skalabilitas dan sparsity akibat terlalu banyak item.

  4 Studi Multi Criteria Decision Making (MCDM) untuk Recommender System Bursa Tenaga Kerja 2008 Multi Criterian

  Association Rule dan

  Decision tree

  2010 Metode

  7 Perancangan Sistem Pendukung Keputusan (SPK) untuk menentukan

  No. Judul Tahun Metode yang digunakan Keterangan

Tabel 2.1 Penelitian terdahulu (lanjutan)

  Aturan yang telah diinput sebelumnya menjadi acuan rekomendasi terhadap minat user sehingga sistem dapat memberika rekomendasi

  algoritma Apriori

  6 Sistem Rekomendasi Bidang Minat Mahasiswa menggunakan Metode Association Rule dan Algoritma Apriori 2012 metode

  Decision Making

  dalam dokumen secara individu, namum jarang dijumpai pada dokumen lain

  term yang sering muncul

  algoritma tf-dif Algoritma clustering digunakan untuk klasifikasi berita Keuntungan tf-dif : pemberian bobot pada term sehingga dapat mengetahui

  clustering dan

  2010 Algoritma

  Filtering

  5 Implementasi Sistem Rekomendasi Berita Berbahasa Indonesia Berbasis Pilihan Personal Menggunakan Algoritma Hybrid

  (MCDM) Kelebihan : metode sederhana dan sesuai, permasalahan pemilihan alternatif yang jumlahnya terbatas dan telah diketahui sebelumnya.

  menggunakan algoritma ID3 Kelemahan ID3 : ketidakstabilan dalam melakukan klasifikasi data apabila terjadi sedikit dari C.45 tetapi pada saat pengklasifikasian data algoritma C.45 membutuhkan waktu yang lebih lama dan proses yang lebih panjang

  Neighbor: tidak lebih akurat

  pendekatan baru yaitu Algoritma Nearest Neighbor

  algoritma C4.5 Algoritma Nearest

  Nearest Neighbor dan

  11 Perbandingan metode Nearest neigbor dan algoritma C.45 untuk menganalisis kemungkinan pengunduran diri calon mahasiswa di STMIK Yogyakarta 2009 Algoritma

  logic

  Penggabungan fuzzy logic dengan neural network untuk menanggulangi kekurangan dari rule fuzzy

  Fuzzy Classification

  Fuzzy Classification

  10 Sistem rekomendasi pembelian mobil berbasis metode Neuro-

  dan collaborative) dengan

  Kelaiklautan Kapal. perubahan pada data.

  Menanggulangi kelemahan dari motede hybrid(content

  Nearest Neighbor dan algoritma Euclidean

  9 Metode HYBRID (Content dan Collaborative based) Nearest Neighbour untuk sistem rekomendasi pariwisata 2011 Algoritma

  ID3 merupakan algoritma dasar dalam decision tree sehingga algoritma tersebut lebih mudah dimengerti dan digunakan

  menggunakan algoritma ID3

  Decision tree

  8 Penerapan Data Mining untuk menganalisa kemungkinan pengunduran diri calon mahasiswa bar 2011 Algoritma

  Kelebihan : dapat menganalisa fungsi target yang bernilai diskrit

• metode Neuro-