PEMBUATAN WEB ECOMMERCE PADA TOKO KENIME STORE MENGGUNAKAN SISTEM REKOMENDASI BERBASIS METODE COLLABORATIVE FILTERING DENGAN ALGORITMA ADJUSTED COSINE SIMILARITY | Ramadhan | semanTIK 1 PB
semanTIK, Vol.3, No.2, Jul-Des 2017, pp. 227-236
ISSN : 2502-8928 (Online)
227
PEMBUATAN WEB E-COMMERCE PADA TOKO
KENIME STORE MENGGUNAKAN SISTEM
REKOMENDASI BERBASIS METODE
COLLABORATIVE FILTERING DENGAN
ALGORITMA ADJUSTED COSINE SIMILARITY
Laode Aldhi Maulana Ramadhan *1, Sutardi2, Jumadil Nangi3
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Halu Oleo, Kendari
e-mail : *1hiruma.graphics@gmail.com, 2sutardi.hapal@gmail.com, 3 madilstmikh@yahoo.co.id
*1,2,3
Abstrak
Sistem penjualan yang digunakan di Kenime Store saat ini masih menggunakan fasilitas social
media atau secara konvensional karena belum memiliki website e-commerce sehingga penjualan
masih minim. Permasalahan yang juga sering dialami oleh toko Kenime Store dan toko-toko serupa
lainnya adalah website yang dibangun selalu bersifat standar, dimana menu-menu yang ada pada
website selalu sama. Padahal barang yang ditawarkan sangat menarik dan membutuhkan sebuah
strategi pemasaran dimana barang selalu up-to-date, sehingga pembeli semakin senang berbelanja.
Algoritma Adjusted cosine similarity adalah algoritma yang dibuat untuk mengatasi kelemahan
algoritma dasarnya, yaitu algoritma cosine similarity. Algoritma cosine similarity adalah algoritma
yang juga dikenal sebagai algoritma vector-based. Formula algoritma ini menunjukkan dua buah item
yang berhubungan dan rating nya, lalu mendefinisikan kemiripan diantaranya sebagai sebuah sudut
diantara vektor-vektornya.
Hasil yang didapatkan pada penelitian selama perancangan sampai implementasi sistem web ecommerce pada toko Kenime Store menggunakan sistem rekomendasi berbasis metode collaborative
filtering dengan algoritma adjusted cosine similarity adalah sebuah aplikasi web E-Commerce pada
Toko Kenime Store menggunakan Sistem Rekomendasi Berbasis Metode Collaborative Filtering
dengan Algoritma Adjusted Cosine Similarity dimana sistem memberikan rekomendasi barang kepada
pembeli (user) sesuai dengan kedekatannya dengan pembeli (user) lain yang mirip dalam pola
pembelian barang.
Kata kunci— E-Commerce, Adjusted Cosine Similarity, Rekomendasi.
Abstract
The sales system used in the Kenime Store is still using social media facilities or conventionally
because it does not have an e-commerce website so sales are still minimal. The problems that are also
often experienced by the store Kenime Store and other similar stores is a website that is built is
always a standard, where the menus are on the website is always the same. Though the goods offered
are very interesting and require a marketing strategy where the goods are always up-to-date, so that
buyers are more happy to shop.
Adjusted cosine similarity algorithm is an algorithm designed to overcome the weakness of its
basic algorithm, ie cosine similarity algorithm. Cosine similarity algorithm is an algorithm also
known as a vector-based algorithm. This algorithm formula shows two related items and its rating,
then defines the similarities between them as an angle between the vectors.
The results obtained in the research during the design until the implementation of ecommerce
web system on the store Kenime Store using a recommendation system based on collaborative
filtering method with adjusted cosine similarity algorithm is an E-Commerce web application on
Kenime Store Store using a Collaborative Filtering Method based on Algorithm Adjusted Cosine
Received June 1st ,2012; Revised June 25th, 2012; Accepted July 10th, 2012
Pembuatan Web E-Commerce Pada Toko Kenime Store…
228
Similarity where the system provides goods recommendations to the buyer (user) in accordance with
their proximity to other similar (buyers) in the purchase pattern of the goods.
Keywords— E-Commerce, Adjusted Cosine Similarity, Recommendation.
1. PENDAHULUAN
P
erdagangan atau perniagaan pada
umumnya adalah pekerjaan membeli
barang dari suatu tempat dan suatu
waktu dan menjual barang tersebut di tempat
dan waktu lainnya untuk memperoleh
keuntungan [1]. Sejalan dengan perkembangan
manusia diikuti perkembangan teknologi
informasi dan komunikasi, cara dan sarana
yang digunakan dalam proses perdagangan
senantiasa berubah. Perdagangan terbaru yang
kian memudahkan penggunanya dalam
melakukan proses transaksi ialah perdagangan
secara online, atau biasa yang disebut dengan
Electronic Commerce (e-commerce).
Pengguna bisnis e-commerce sudah
merambah berbagai negara di dunia, baik
negara maju sampai negara yang masih
berkembang termasuk Indonesia. Bahkan
dalam era sekarang ini, bisnis e-commerce
dianggap sebagai jalur terbaik dibandingkan
jenis bisnis lain. Selain biaya yang bisa
dipangkas dengan baik, daerah pemasaran
yang begitu luas membuat potensi e-commerce
tidak bisa dianggap sebelah mata. Dengan
jumlah pengguna internet yang mencapai
angka 82 juta orang atau sekitar 30% dari total
penduduk Indonesia, e-commerce menjadi
tambang emas yang menguntungkan bagi
sebagian orang yang bisa melihat potensi ke
depannya [2].
Toko Kenime
Store
merupakan
perusahaan perdagangan yang bergerak di
bidang penjualan berkategori koleksi dan hobi
yang melakukan penjualan secara retail.
Produk yang dijual diimpor dari Jepang dan
juga berasal dari pengrajin lokal dan memiliki
target pasar penghobi Anime Jepang. Beberapa
contoh jenis item yang dijual adalah Action
Figure, Static Figure, Model Kit, Merchandise
hingga T-shirt. Namun, toko ini mengalami
banyak kendala di bidang pemasaran.
Sistem penjualan yang digunakan di
Kenime Store saat ini masih menggunakan
fasilitas social media atau secara konvensional
(bertemunya antara penjual dan pembeli dan
melakukan pembayaran saat itu juga) karena
belum memiliki website e-commerce sehingga
penjualan masih minim. Dengan menggunakan
fasilitas social media sebagai sarana penjualan
maka lingkup penjualan dan promosi pun
masih kecil karena hanya orang-orang yang
tergabung dengan akun Facebook Kenime
Store saja yang dapat dijangkau. Permasalahan
yang juga sering dialami oleh toko Kenime
Store dan toko-toko serupa lainnya adalah
website yang dibangun selalu bersifat standar,
dimana menu-menu yang ada pada website
selalu sama. Padahal barang yang ditawarkan
sangat menarik dan membutuhkan sebuah
strategi pemasaran dimana barang selalu upto-date, sehingga pembeli semakin senang
berbelanja.
Penelitian ini bersandar pada rujukan
beberapa penelitian sebelumnya seperti yang
dilakukan oleh [3]. Sistem ini dibuat untuk
membantu memberikan rekomendasi produk
sepatu dari toko Platinum Shoes kepada
pelanggan.
Metode
ini
menggunakan
rekomendasi kepada user dihitung dengan
menentukan item yang mirip dengan item lain
yang disukai oleh pelanggan.
Kemudian [4] dimana sistem ini dibuat
dengan metode item-based dengan algoritma
Slope One. Algoritma ini mencari korelasi
antar item berdasarkan “beda popularitas”.
Penelitian selanjutnya dilakukan oleh [5]
dengan judul Pembuatan Website Movie
dengan Sistem Recommender Berbasis Metode
Collaborative Filtering. Sistem ini dibangun
dengan algoritma Adjusted Cosine Similarity,
namun memodifikasinya dengan pendekatan
user-based untuk memberikan rekomendasi
film kepada penggunannya.
Dari rujukan diatas, dapat dilihat
terdapat beberapa penilitian yang pernah
dilakukan menggunakan metode collaborative
filtering. Dari sini penulis berangkat untuk
menggabungkan teori-teori dari penelitian
yang sudah ada untuk diterapkan pada sebuah
sistem yang baru, yaitu sebuah web ecommerce dengan metode collaborative
filtering dan algoritma adjusted cosine
similarity.
IJCCS Vol. x, No. x, July 201x : first_page – end_page
229
Ramadhan, Sutardi dan NangiIJCCSISSN: 1978-1520
2. METODE PENELITIAN
2.1
E-Commerce
Menurut [6] E-commerce adalah sebuah
bentuk transaksi yang berhubungan dengan
aktivitas komersial, baik itu organisasi
maupun
individual
yang
berdasarkan
pengolahan dan transmisi data yang
terdigitalisasi, termasuk teks, suara dan
gambar visual. Pada umumnya e-commerce
mengacu pada aplikasi perdagangan yang
menggunakan media internet untuk melakukan
transaksi online, seperti untuk belanja produk
dan jasa. Contohnya terjadi ketika konsumen
melakukan order, produk berwujud maupun
tidak berwujud melalui internet.
Kegiatan e-commerce mencakup banyak
hal, untuk menbedakannya e-commerce
dibedakan menjadi 4 bagian:
1. B2B (Business to Business)
Hal ini berarti kedua pihak perusahaan
melakukan transaksi bisnis dalam menjalankan
usahanya.
2. B2C (Business to Consumer)
Definisi ini berarti transaksi e-commerce
merupakan transaksi di mana para pembeli
merupakan konsumen individu.
3. C2C (Consumer to Consumer)
Disini konsumen menjual secara langsung
satu sama lain melalui iklan elektronik atau
situs pelanggan.
4. C2B (Consumer to Business)
Kategori ini mendefinisikan individu
menjual barang-barang atau jasa ke
perusahaan.
Gambar 1 menunjukkan ruang lingkup
dari e-commerce.
Gambar 1 Ruang Lingkup E-commerce
1.
Electronic Business, merupakan lingkup
aktivitas perdagangan secara elektronik
dalam arti luas.
2. Electronic
Commerce,
merupakan
lingkup perdagangan yang dilakukan
secara elektronik, dimana didalamnya
termasuk:
a. Perdagangan via internet (Internet
Commerce)
b. Perdagangan dengan fasilitas web
Internet (Web-Commerce)
c. Electronic Data Interchange/EDI
Di dalam bagan terdapat bagian yang
beririsan dikarenakan pengertian EDI dapat
tergabung kedalam web commerce atau
internet commerce. Seperti misalnya penjualan
buku dengan sistem B2B yang kemudian buku
tersebut dikirim melalui pos. Namun EDI tidak
bisa dikaitkan secara keseluruhan sebagai
proses perdagangan karena sifat dari EDI
adalah tertutup pada orang-orang yang telah
melakukan kesepakatan diawal [7].
2.2
Sistem Rekomendasi
Sistem rekomendasi adalah sebuah suatu
alat dan teknik yang menyediakan saran terkait
suatu hal untuk dapat dimanfaatkan oleh user
[8]. Pada layanan e-commerce, saran yang
diberikan dapat berupa produk maupun jasa
yang ditawarkan. Perusahaan Amazon
merupakan salah satu penyedia layanan ecommerce
yang
menerapkan
sistem
rekomendasi
dan
penerapan
sistem
rekomendasi tersebut membuat perusahaan
seperti Amazon dapat memberikan layanan
yang bersifat personal kepada pengunjung
website. Selain itu, intensitas pengguna
layanan dalam hasil rekomendasi serta
membeli produk yang direkomendasikan
sangat tinggi, melebihi konten yang
ditampilkan tanpa melalui sistem rekomendasi
seperti iklan berupa spanduk pada halaman
website ataupun bagian daftar barang yang
paling laku dijual.
Sistem rekomendasi dapat dikategorikan
atas [9] :
1. Cara sistem memperoleh data yang
dibutuhkan :
a. Content-Based Filtering
Cara kerjanya adalah terlebih dahulu
mengumpulkan informasi personal dari
pengguna kemudian dilakukan analisa
Title of manuscript is short and clear, implies research results (First Author)
Pembuatan Web E-Commerce Pada Toko Kenime Store…
230
preferensi pengguna untuk membuat model
dari pengguna tersebut.
b. Collaborative Filtering
Collaborative filtering tidak hanya
menggunakan informasi yang diperoleh untuk
pengguna yang aktif tersebut, tapi juga
digunakan untuk memberikan rekomendasi
kepada pengguna lain dengan preferensi yang
serupa.
c. Hybrid Recommender System
Hybrid
recommender
system
menggabungkan pendekatan antara contentbased filtering dan collaborative-filtering.
Penggabungan dapat dilakukan salah satunya
dengan membuat rekomendasi secara terpisah
kemudian menggabungkan hasilnya sehingga
memberikan kapabilitas collaborative filtering
kepada hasil rekomendasi dari content-based
filtering atau sebaliknya. Penggabungan juga
dapat dilakukan dengan menggabungkannya
ke dalam sebuah model.
2.
Berdasarkan interaksi
penggunanya:
sistem
dan
a. Pendekatan Reaktif.
Pendekatan reaktif melibatkan proses
komunikasi yang mengharuskan interaksi
secara eksplisit dengan pengguna baik melalui
query ataupun feedback pengguna.
b. Pendekatan Proaktif
Pendekatan
proaktif
mempelajari
preferensi
pengguna
dan
memberi
rekomendasi berdasarkan informasi yang
dipelajari, tidak mengharuskan pengguna
memberi feedback secara eksplisit kepada
sistem untuk dapat memperoleh rekomendasi.
3.
Informasi
yang
digunakan
menghasilkan rekomendasi
untuk
a. Item-Related Information
Item-related information berfokus pada
item yang dinilai, dimasukkan ke keranjang
belanja, dibeli ataupun dilihat pengguna dalam
menentukan
item-item
yang
akan
direkomendasikan.
b. User-Related Information
User-related information berfokus pada
profil dan preferensi pengguna dalam
menentukan
item-item
yang
akan
direkomendasikan.
4.
Bagaimana profil pengguna disimpan
a. Memory-based
Memory-based menyimpan seluruh data
dan menarik kesimpulan berdasarkan data-data
tersebut dalam memberikan rekomendasi.
b. Model-based
Model-based membagi proses atas 2 fase.
Fase pertama dilakukan secara offline, dimana
data pengguna dikumpulkan dan sebuah model
dari pengguna dihasilkan untuk digunakan di
interaksi online yang akan datang. Fase kedua
dilakukan secara real-time saat pengunjung
baru mulai berinteraksi dengan website, data
dari session pengguna di saat tersebut
diperoleh
dan
rekomendasi
diberikan
menggunakan model-model yang telah
dihasilkan sebelumnya.
2.3
Adjusted Cosine Similarity
Algoritma Adjusted cosine similarity
adalah algoritma yang dibuat untuk mengatasi
kelemahan algoritma dasarnya, yaitu algoritma
cosine similarity. Algoritma cosine similarity
adalah algoritma yang juga dikenal sebagai
algoritma vector-based. Formula algoritma ini
menunjukkan
dua
buah
item
yang
berhubungan
dan
rating
nya,
lalu
mendefinisikan kemiripan diantaranya sebagai
sebuah sudut diantara vektor-vektornya.
Algoritma Adjusted cosine similarity
berusaha mengatasi kelemahan algoritma
cosine similarity, dimana dalam hal merating,
user memiliki perbedaan skema. Ada yang
member rating tinggi untuk sebuah item, lalu
memberi rating rendah pada item lainnya.
Lalu, untuk item yang sama, item tersebut
diberi rating biasa dan rendah. Untuk
menyeimbangkan nilai rating nya, maka
dihitunglah rata-rata dari masing masing user.
Tahapan tahapan dalam perhitungan ini
dapat dibagi menjadi tiga tahapan penting,
yaitu Data Preparation, Mencari Pola.
1. Data Preparation
Pengimplementasian
Collaborative
Filtering dengan metode apapun, pada
dasarnya dapat diklasifikasikan menjadi 3
(tiga) tahapan penting, yaitu data preparation,
pencarian pola selera user dan penyusunan
rekomendasi.
Ketiga
tahapan tersebut
merupakan satu kesatuan solid yang berkaitan
satu sama lain. Begitu pula halnya dengan
metode yang digunakan dalam penelitian ini.
IJCCS Vol. x, No. x, July 201x : first_page – end_page
231
Ramadhan, Sutardi dan NangiIJCCSISSN: 1978-1520
Tahap pertama, data preparation, tahap
berikutnya, yaitu pencarian pola selera
pelanggan yaitu pembentukan tabel yang
nantinya akan membentuk tabel akhir yang
diistilahkan dengan nama tabel similarity.
Tahap terakhir, pemberian rekomendasi.
Pada fase data preparation, pengguna
memberikan rating ke film yang pernah
dilihat. Rating yang diberikan berkisar antara 1
sampai dengan 10. Nilai 1 diberikan dengan
asumsi bahwa film tersebut tidak patut untuk
dilihat, dari nilai 1 akan beranjak ke 2, 3 dan
seterusnya sampai dengan nilai 10 yang
diasumsikan bahwa film tersebut patut untuk
ditonton. Tabel 1 berisikan 10 film beserta
rating dan berapa banyak orang yang rating.
Field dari rating didapat dari rata-rata setiap
rating yang diberikan oleh setiap user. Berikut
akan diberikan contoh pemberian rating dari 5
user sampai dengan diketemukan nilai
similarity dari user 1 ke user lain.
Tabel 1 menunjukkan contoh tabel film
sebagai ilustrasi perhitungan.
Tabel 1 Contoh Tabel Film
Judul
Rating
Love
Pocong vs
KuntilAnak
Claudia
Love Is Cinta
Fiksi
Ayat– Ayat Cinta
I Love You Om
Sang Dewi
Tentang Cinta
Lewat Djam
Malam
3
Jumlah orang
rating
1
6
4
5.5
2
5.5
3
6
2
4
2
2
2
3
1
1
1
3
1
Field rating pada Tabel 1 berasal dari
jumlah rating setiap user yang pernah
merating film tersebut dibagi dengan jumlah
orang yang merating film bersangkutan. Field
jumlah orang rating berisikan jumlah orang
yang pernah merating film tersebut. Setiap
user yang merating film tertentu disimpan
datanya ke suatu tabel yaitu tabel rating.
Dalam tabel rating disebutkan setiap user
merating film apa saja dan berapa ratingnya
seperti pada contoh tabel rating pada Tabel 2.
Tabel 2 Contoh Tabel Rating
User 1
Love
Pocong vs
KuntilAnak
Claudia
Love Is
Cinta
Fiksi
Ayat –
Ayat Cinta
I Love You
Om
Sang Dewi
Tentang
Cinta
Lewat
Djam
Malam
User 2
User 3
User 4
5
7
7
5
7
4
1
3
User 5
3
8
3
4
3
3
6
2
4
3
Sebagai contoh pada Tabel 1 Pocong vs
Kuntilanak memiliki rating 6 dan jumlah
rating 4. Jumlah rating 4 didapat dari 4 orang
yang merating yaitu User I, User II, User III,
dan User V yang dapat dilihat pada Tabel 2.
Field rating dari Tabel 1 didapat dari rating
User I terhadap Pocong vs Kuntilanak
ditambah dengan rating User II terhadap
Pocong vs Kuntilanak ditambah dengan rating
User III terhadap Pocong vs Kuntilanak
ditambah dengan rating User IV terhadap
Pocong vs Kuntilanak. Jadi perhitungannya
adalah (5+7+7+5)/4 = 6.
2. Pencarian Pola
Setelah melewati tahap preparation
(persiapan), data yang didapat siap diolah
untuk menemukan CI. Langkah berikutnya
adalah menentukan nilai kemiripan similarity
suatu user dengan user lainnya. Nilai tersebut
dikenal dengan isitilah Commonality Index
(CI). Proses ini dapat dikatakan sebagai proses
pencarian pola selera pelanggan yang terdaftar
dan pernah memberikan rating pada suatu
film. Semakin tinggi nilai CI suatu pasangan
user menandakan bahwa kedua user tersebut
memiliki kemiripan dalam hal selera film.
Algoritma yang dipakai dalam penelitian ini
adalah adjusted cosine similarity yang
ditunjukkan pada Persamaan (1).
=
∑
∑(
, −
( , )
, −
∑
( )
, −
Title of manuscript is short and clear, implies research results (First Author)
Pembuatan Web E-Commerce Pada Toko Kenime Store…
232
Dalam algoritma tersebut, dibandingkan
antara similarity dari film 1 ke film lainnya,
sedangkan pada penelitian ini similarity
dimodifikasi menjadi similarity antara user.
Algoritma akan menghitung kedekatan user 1
dengan user lainnya. Setelah semua data yang
berada di tabel film dan tabel rating dihitung
menggunakan algoritma adjusted cosine
similarity. Hasil perhitungan similarity antar
user dimasukkan ke tabel similarity. Semua
similarity dihitung apabila user sama-sama
merating film yang sama. Film yang tidak
dirating oleh salah satu dari user tidak
dihitung. Sebagai contoh perhitungan dari
hasil tabel similarity diambil dari User I dan
User II sebagai berikut:
Pada contoh perhitungan terdapat nilai 0,
apabila terdapat nilai 0 berarti tidak dihitung
karena rating 0 dan tidak merating berbeda.
Dalam perhitungan tersebut perhitungan (05.5)(4-5.5), (0-2)(3-2), (0-5.5)(8-5.5), (4-4) (04) tidak dianggap. Begitu pula dengan
penyebut, nilai (0-5.5), (0-2), (0-5.5), (4-4), (45.5), (3-2), (8-5.5) serta (0-4) juga tidak
dihitung. Setelah nilai yang tidak dihitung
hilang akan tersisa sehingga dihasilkan
similarity seperti yang ditunjukkan Tabel 3.
Tabel 3 Contoh Tabel Similarity
User 1
User 2
User 3
User 4
User 5
User 1
User 2
User 3
User 4
User 5
1
1
1
-1
-1
1
0
-1
0
1
-1
-1
1
0
1
3. Penyusunan Rekomendasi
Pada tahap ini tabel similarity sudah
terbentuk seperti yang terlihat pada Tabel 2.3.
Bila dilihat pada Tabel 2.3 dapat disimpulkan
bahwa tingkat similarity pasangan User I
dengan User II, User II dengan User IV, User
III dengan User I, User IV dengan User II
serta User V dengan User IV memiliki
similarity yang paling tinggi. Semakin tinggi
hasil similarity, tingkat kesamaan film antar
user juga akan tinggi. Setelah mendapatkan
hasil similarity dan mengetahui user yang
memiliki tingkat similarity paling tinggi, 3
user yang memiliki CI tertinggi diambil untuk
dicari film yang pernah dirating dan dipakai
sebagai rekomendasi film. Berikut akan
dijelaskan dengan menggunakan salah satu
contoh. User I memiliki similarity paling
tinggi dengan User II yaitu 1. Film yang
pernah dirating oleh User II akan menjadi
rekomendasi untuk User I. Karena dalam
penelitian ini diambil 3 user yang memiliki
tingkat kesamaan yang tertinggi, maka User I
menerima rekomendasi dari User II, User III,
User IV. Film yang pernah dirating oleh User
II, User III, dan User IV akan
direkomendasikan.
2.4
Personal Home Page
Bahasa pemrograman Personal Home
Page (PHP) adalah bahasa pemograman
script server-side yang didesain untuk
pengembangan web, tetapi juga bisa
digunakan sebagai bahasa pemrograman
umum [10]. Kemudahan dan kepopuleran PHP
sudah menjadi standar bagi programmer web
di seluruh dunia.
Menurut [11], PHP merupakan bahasa
pemograman web yang bersifat server-side
HTML=embedded scripting, di mana scriptnya menyatu dengan HTML dan berada pada
sisi server. Artinya adalah sintaks dan
perintah-perintah yang diberikan akan
sepenuhnya dijalankan di server tetapi
disertakan HTML biasa. PHP dikenal sebagai
bahasa scripting yang menyatu dengan tag
HTML, dieksekusi di server dan digunakan
untuk membuat halaman web yang dinamis
seperti ASP (Active Server Pages) dan JSP
(Java Server Pages).
Kelebihan
yang dimiliki bahasa
pemrograman PHP dibandingkan bahasa
pemrograman lain, yaitu [10] :
1. Bahasa pemrograman PHP adalah sebuah
bahasa script yang tidak melakukan
sebuah kompilasi dalam penggunaannya.
2. Web Server yang mendukung PHP dapat
ditemukan dimana-mana dari mulai IIS
sampai
dengan
apache,
dengan
konfigurasi yang relatif mudah.
3. Dalam sisi pengembangan lebih mudah,
karena banyaknya milis-milis dan
developer yang siap membantu dalam
pengembangan.
4. Dalam sisi pemahaman, PHP adalah
bahasa scripting yang paling mudah
karena referensi yang banyak.
5. PHP adalah bahasa open source yang
dapat digunakan di berbagai mesin (linux,
unix, windows) dan dapat dijalankan
secara runtime melalui console serta juga
IJCCS Vol. x, No. x, July 201x : first_page – end_page
233
Ramadhan, Sutardi dan NangiIJCCSISSN: 1978-1520
6.
7.
8.
dapat menjalankan perintah-perintah
sistem.
PHP adalah bahasa pemrograman script
yang paling banyak dipakai saat ini.
PHP banyak dipakai untuk memrogram
situs web dinamis, walaupun tidak
tertutup kemungkinan digunakan untuk
pemakaian lain. Contoh terkenal dari
aplikasi PHP adalah phpBB dan
MediaWiki (software di belakang
Wikipedia).
PHP juga dapat dilihat sebagai pilihan
lain
dari
ASP.NET/C#/VB.NET
Microsoft, ColdFusion Macromedia,
JSP/Java
SunMicrosystems,
dan
CGI/Perl. Contoh aplikasi lain yang lebih
kompleks berupa Content Management
System yang dibangun menggunakan PHP
adalah
Mambo,
Joomla!,Postnuke,
Xaraya dan lain-lain.
Gambar 3 Halaman Home
3. Halaman Menu Cart
Pada halaman ini ditampilkan keranjang
belanja atau produk-produk yang akan dibeli
oleh konsumen. Menu ini berisi item yang
dibeli, harga, kuantitas dan total harga yang
harus dibayar Tampilan Halaman Cart dapat
dilihat pada Gambar 4.
3. HASIL DAN PEMBAHASAN
Implementasi rancangan antarmuka
terbagi menjadi beberapa bagian utama, yaitu:
1. Halaman Login
Pada halaman ini merupakan halaman
login dari sistem. Untuk masuk ke halaman
utama aplikasi, user harus memasukkan
username dan password terlebih dahulu.
Tampilan Halaman Login dapat dilihat pada
Gambar 2.
Gambar 4 Halaman Menu Cart
4. Halaman Checkout
Pada halaman ini merupakan halaman jika
konsumen akan melakukan pembayaran.
Halaman ini berisi form yang terdiri dari
informasi pribadi untuk melakukan transaksi.
Selain itu, ditampilkan juga nomor rekening
untuk melanjutkan transaksi. Tampilan
halaman Checkout dapat dilihat pada Gambar
5.
Gambar 2 Halaman Login
2. Halaman Home
Halaman ini merupakan halaman awal saat
pengguna melakukan login ke aplikasi. Pada
Halaman Home juga terdapat menu Cart serta
informasi produk-produk yang ditawarkan dan
juga detail produk. Tampilan Halaman Home
dapat dilihat pada Gambar 3.
Gambar 5 Halaman Checkout
Title of manuscript is short and clear, implies research results (First Author)
Pembuatan Web E-Commerce Pada Toko Kenime Store…
234
5. Halaman Detail
Pengguna dapat memberikan rating
terhadap salah satu produk untuk memberikan
nilai rekomendasi. Tampilan halaman Detail
dapat dilihat pada Gambar 6.
2.
Memilih seorang administrator yang
terlatih dan bertanggung jawab baik
dalam penggunaan maupun pemeliharaan
program aplikasi.
DAFTAR PUSTAKA
[1]
Fachrizal, Helmy. 2013. Pengaruh ROA,
ROE dan IOS Terhadap Nilai
Perusahaan. Jakarta : Fakultas Ekonomi
dan Bisnis UIN Syarif Hidayatullah
[2]
Kurniawan, Rulianto. 2009. Berjualan di
Facebook
untuk
Orang
Awam.
Palembang : Maxicom
Berdasarkan hasil pengujian dengan
metode Black Box dengan kasus uji sample di
atas dapat ditarik kesimpulan bahwa perangkat
lunak yang telah dirancang secara fungsional
mengeluarkan hasil sesuai dengan yang
diharapkan. Hal ini dibuktikan dengan hasil
pengujian dimana semua skenario uji selesai
dan tidak memiliki error sama sekali.
[3]
Kurniawan,
Arif.
2016.
Sistem
Rekomendasi Produk Sepatu dengan
Menggunakan Metode Collaboritve
[4]
Masruri, Farid. 2007. Personalisasi Web
E-Commerce
Menggunakan
Recommender System Dengan Metode
Item-Based Collaborative Filtering.
Malang : Jurnal Teknologi Informasi
4. KESIMPULAN
[5]
Purwanto, Devi Dwi. 2011. Pembuatan
Website
Movie
dengan
Sistem
Recommender
Berbasis
Metode
Collaborative Filtering. Surabaya :
Jurnal Prosiding Konferensi Nasional
Inovasi dalam Desain dan Teknologi
[6]
Chaffey, Dave. 2009. E-Business and ECommerce Management. 4th Edition.
New Jersey : Prentice Hall, Inc
[7]
Sanusi, Rasyad. 2005. Hukum Dan
Internet Di Indonesia. UII Press
Yogyakarta : UII Press
[8]
Wen, Zhang. 2008. Recommendation
System
Based
on
Collaborative
Filtering. Stanford
[9]
Swearingen, Kirsten dan Sinha, Rashmi.
2001. Beyond Algorithms : An HCI
Perspective on Recommender Systems.in
ACM SIGIR 2001 Workshop on
Recommender Systems
Gambar 6 Halaman Detail
Berdasarkan penelitian yang telah
dilakukan selama perancangan sampai
implementasi sistem web e-commerce pada
toko Kenime Store menggunakan sistem
rekomendasi berbasis metode collaborative
filtering dengan algoritma adjusted cosine
similarity ini, maka dapat diambil beberapa
kesimpulan sebagai berikut:
1. Telah berhasil dibuat web E-Commerce
pada Toko Kenime Store menggunakan
Sistem Rekomendasi Berbasis Metode
Collaborative Filtering dengan Algoritma
Adjusted Cosine Similarity.
2. Sistem memberikan rekomendasi barang
kepada pembeli (user) sesuai dengan
kedekatannya dengan pembeli (user) lain
yang mirip dalam pola pembelian barang.
5. SARAN
Adapun saran dalam penelitian ini
adalah:
1. Perlu dilakukan pengembangan dalam
tampilan website.
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Ramadhan, Sutardi dan NangiIJCCSISSN: 1978-1520
235
[10] Dwiartara, Loka. 2011. Menyelam dan
Menaklukkan Samudra PHP. Bogor :
Ilmu Website
[11] Syafii,
Muh. 2004. Membangun
Aplikasi Berbasis PHP dan MySQL.
Andi : Yogyakarta
Title of manuscript is short and clear, implies research results (First Author)
236
Pembuatan Web E-Commerce Pada Toko Kenime Store…
IJCCS Vol. x, No. x, July 201x : first_page – end_page
ISSN : 2502-8928 (Online)
227
PEMBUATAN WEB E-COMMERCE PADA TOKO
KENIME STORE MENGGUNAKAN SISTEM
REKOMENDASI BERBASIS METODE
COLLABORATIVE FILTERING DENGAN
ALGORITMA ADJUSTED COSINE SIMILARITY
Laode Aldhi Maulana Ramadhan *1, Sutardi2, Jumadil Nangi3
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Halu Oleo, Kendari
e-mail : *1hiruma.graphics@gmail.com, 2sutardi.hapal@gmail.com, 3 madilstmikh@yahoo.co.id
*1,2,3
Abstrak
Sistem penjualan yang digunakan di Kenime Store saat ini masih menggunakan fasilitas social
media atau secara konvensional karena belum memiliki website e-commerce sehingga penjualan
masih minim. Permasalahan yang juga sering dialami oleh toko Kenime Store dan toko-toko serupa
lainnya adalah website yang dibangun selalu bersifat standar, dimana menu-menu yang ada pada
website selalu sama. Padahal barang yang ditawarkan sangat menarik dan membutuhkan sebuah
strategi pemasaran dimana barang selalu up-to-date, sehingga pembeli semakin senang berbelanja.
Algoritma Adjusted cosine similarity adalah algoritma yang dibuat untuk mengatasi kelemahan
algoritma dasarnya, yaitu algoritma cosine similarity. Algoritma cosine similarity adalah algoritma
yang juga dikenal sebagai algoritma vector-based. Formula algoritma ini menunjukkan dua buah item
yang berhubungan dan rating nya, lalu mendefinisikan kemiripan diantaranya sebagai sebuah sudut
diantara vektor-vektornya.
Hasil yang didapatkan pada penelitian selama perancangan sampai implementasi sistem web ecommerce pada toko Kenime Store menggunakan sistem rekomendasi berbasis metode collaborative
filtering dengan algoritma adjusted cosine similarity adalah sebuah aplikasi web E-Commerce pada
Toko Kenime Store menggunakan Sistem Rekomendasi Berbasis Metode Collaborative Filtering
dengan Algoritma Adjusted Cosine Similarity dimana sistem memberikan rekomendasi barang kepada
pembeli (user) sesuai dengan kedekatannya dengan pembeli (user) lain yang mirip dalam pola
pembelian barang.
Kata kunci— E-Commerce, Adjusted Cosine Similarity, Rekomendasi.
Abstract
The sales system used in the Kenime Store is still using social media facilities or conventionally
because it does not have an e-commerce website so sales are still minimal. The problems that are also
often experienced by the store Kenime Store and other similar stores is a website that is built is
always a standard, where the menus are on the website is always the same. Though the goods offered
are very interesting and require a marketing strategy where the goods are always up-to-date, so that
buyers are more happy to shop.
Adjusted cosine similarity algorithm is an algorithm designed to overcome the weakness of its
basic algorithm, ie cosine similarity algorithm. Cosine similarity algorithm is an algorithm also
known as a vector-based algorithm. This algorithm formula shows two related items and its rating,
then defines the similarities between them as an angle between the vectors.
The results obtained in the research during the design until the implementation of ecommerce
web system on the store Kenime Store using a recommendation system based on collaborative
filtering method with adjusted cosine similarity algorithm is an E-Commerce web application on
Kenime Store Store using a Collaborative Filtering Method based on Algorithm Adjusted Cosine
Received June 1st ,2012; Revised June 25th, 2012; Accepted July 10th, 2012
Pembuatan Web E-Commerce Pada Toko Kenime Store…
228
Similarity where the system provides goods recommendations to the buyer (user) in accordance with
their proximity to other similar (buyers) in the purchase pattern of the goods.
Keywords— E-Commerce, Adjusted Cosine Similarity, Recommendation.
1. PENDAHULUAN
P
erdagangan atau perniagaan pada
umumnya adalah pekerjaan membeli
barang dari suatu tempat dan suatu
waktu dan menjual barang tersebut di tempat
dan waktu lainnya untuk memperoleh
keuntungan [1]. Sejalan dengan perkembangan
manusia diikuti perkembangan teknologi
informasi dan komunikasi, cara dan sarana
yang digunakan dalam proses perdagangan
senantiasa berubah. Perdagangan terbaru yang
kian memudahkan penggunanya dalam
melakukan proses transaksi ialah perdagangan
secara online, atau biasa yang disebut dengan
Electronic Commerce (e-commerce).
Pengguna bisnis e-commerce sudah
merambah berbagai negara di dunia, baik
negara maju sampai negara yang masih
berkembang termasuk Indonesia. Bahkan
dalam era sekarang ini, bisnis e-commerce
dianggap sebagai jalur terbaik dibandingkan
jenis bisnis lain. Selain biaya yang bisa
dipangkas dengan baik, daerah pemasaran
yang begitu luas membuat potensi e-commerce
tidak bisa dianggap sebelah mata. Dengan
jumlah pengguna internet yang mencapai
angka 82 juta orang atau sekitar 30% dari total
penduduk Indonesia, e-commerce menjadi
tambang emas yang menguntungkan bagi
sebagian orang yang bisa melihat potensi ke
depannya [2].
Toko Kenime
Store
merupakan
perusahaan perdagangan yang bergerak di
bidang penjualan berkategori koleksi dan hobi
yang melakukan penjualan secara retail.
Produk yang dijual diimpor dari Jepang dan
juga berasal dari pengrajin lokal dan memiliki
target pasar penghobi Anime Jepang. Beberapa
contoh jenis item yang dijual adalah Action
Figure, Static Figure, Model Kit, Merchandise
hingga T-shirt. Namun, toko ini mengalami
banyak kendala di bidang pemasaran.
Sistem penjualan yang digunakan di
Kenime Store saat ini masih menggunakan
fasilitas social media atau secara konvensional
(bertemunya antara penjual dan pembeli dan
melakukan pembayaran saat itu juga) karena
belum memiliki website e-commerce sehingga
penjualan masih minim. Dengan menggunakan
fasilitas social media sebagai sarana penjualan
maka lingkup penjualan dan promosi pun
masih kecil karena hanya orang-orang yang
tergabung dengan akun Facebook Kenime
Store saja yang dapat dijangkau. Permasalahan
yang juga sering dialami oleh toko Kenime
Store dan toko-toko serupa lainnya adalah
website yang dibangun selalu bersifat standar,
dimana menu-menu yang ada pada website
selalu sama. Padahal barang yang ditawarkan
sangat menarik dan membutuhkan sebuah
strategi pemasaran dimana barang selalu upto-date, sehingga pembeli semakin senang
berbelanja.
Penelitian ini bersandar pada rujukan
beberapa penelitian sebelumnya seperti yang
dilakukan oleh [3]. Sistem ini dibuat untuk
membantu memberikan rekomendasi produk
sepatu dari toko Platinum Shoes kepada
pelanggan.
Metode
ini
menggunakan
rekomendasi kepada user dihitung dengan
menentukan item yang mirip dengan item lain
yang disukai oleh pelanggan.
Kemudian [4] dimana sistem ini dibuat
dengan metode item-based dengan algoritma
Slope One. Algoritma ini mencari korelasi
antar item berdasarkan “beda popularitas”.
Penelitian selanjutnya dilakukan oleh [5]
dengan judul Pembuatan Website Movie
dengan Sistem Recommender Berbasis Metode
Collaborative Filtering. Sistem ini dibangun
dengan algoritma Adjusted Cosine Similarity,
namun memodifikasinya dengan pendekatan
user-based untuk memberikan rekomendasi
film kepada penggunannya.
Dari rujukan diatas, dapat dilihat
terdapat beberapa penilitian yang pernah
dilakukan menggunakan metode collaborative
filtering. Dari sini penulis berangkat untuk
menggabungkan teori-teori dari penelitian
yang sudah ada untuk diterapkan pada sebuah
sistem yang baru, yaitu sebuah web ecommerce dengan metode collaborative
filtering dan algoritma adjusted cosine
similarity.
IJCCS Vol. x, No. x, July 201x : first_page – end_page
229
Ramadhan, Sutardi dan NangiIJCCSISSN: 1978-1520
2. METODE PENELITIAN
2.1
E-Commerce
Menurut [6] E-commerce adalah sebuah
bentuk transaksi yang berhubungan dengan
aktivitas komersial, baik itu organisasi
maupun
individual
yang
berdasarkan
pengolahan dan transmisi data yang
terdigitalisasi, termasuk teks, suara dan
gambar visual. Pada umumnya e-commerce
mengacu pada aplikasi perdagangan yang
menggunakan media internet untuk melakukan
transaksi online, seperti untuk belanja produk
dan jasa. Contohnya terjadi ketika konsumen
melakukan order, produk berwujud maupun
tidak berwujud melalui internet.
Kegiatan e-commerce mencakup banyak
hal, untuk menbedakannya e-commerce
dibedakan menjadi 4 bagian:
1. B2B (Business to Business)
Hal ini berarti kedua pihak perusahaan
melakukan transaksi bisnis dalam menjalankan
usahanya.
2. B2C (Business to Consumer)
Definisi ini berarti transaksi e-commerce
merupakan transaksi di mana para pembeli
merupakan konsumen individu.
3. C2C (Consumer to Consumer)
Disini konsumen menjual secara langsung
satu sama lain melalui iklan elektronik atau
situs pelanggan.
4. C2B (Consumer to Business)
Kategori ini mendefinisikan individu
menjual barang-barang atau jasa ke
perusahaan.
Gambar 1 menunjukkan ruang lingkup
dari e-commerce.
Gambar 1 Ruang Lingkup E-commerce
1.
Electronic Business, merupakan lingkup
aktivitas perdagangan secara elektronik
dalam arti luas.
2. Electronic
Commerce,
merupakan
lingkup perdagangan yang dilakukan
secara elektronik, dimana didalamnya
termasuk:
a. Perdagangan via internet (Internet
Commerce)
b. Perdagangan dengan fasilitas web
Internet (Web-Commerce)
c. Electronic Data Interchange/EDI
Di dalam bagan terdapat bagian yang
beririsan dikarenakan pengertian EDI dapat
tergabung kedalam web commerce atau
internet commerce. Seperti misalnya penjualan
buku dengan sistem B2B yang kemudian buku
tersebut dikirim melalui pos. Namun EDI tidak
bisa dikaitkan secara keseluruhan sebagai
proses perdagangan karena sifat dari EDI
adalah tertutup pada orang-orang yang telah
melakukan kesepakatan diawal [7].
2.2
Sistem Rekomendasi
Sistem rekomendasi adalah sebuah suatu
alat dan teknik yang menyediakan saran terkait
suatu hal untuk dapat dimanfaatkan oleh user
[8]. Pada layanan e-commerce, saran yang
diberikan dapat berupa produk maupun jasa
yang ditawarkan. Perusahaan Amazon
merupakan salah satu penyedia layanan ecommerce
yang
menerapkan
sistem
rekomendasi
dan
penerapan
sistem
rekomendasi tersebut membuat perusahaan
seperti Amazon dapat memberikan layanan
yang bersifat personal kepada pengunjung
website. Selain itu, intensitas pengguna
layanan dalam hasil rekomendasi serta
membeli produk yang direkomendasikan
sangat tinggi, melebihi konten yang
ditampilkan tanpa melalui sistem rekomendasi
seperti iklan berupa spanduk pada halaman
website ataupun bagian daftar barang yang
paling laku dijual.
Sistem rekomendasi dapat dikategorikan
atas [9] :
1. Cara sistem memperoleh data yang
dibutuhkan :
a. Content-Based Filtering
Cara kerjanya adalah terlebih dahulu
mengumpulkan informasi personal dari
pengguna kemudian dilakukan analisa
Title of manuscript is short and clear, implies research results (First Author)
Pembuatan Web E-Commerce Pada Toko Kenime Store…
230
preferensi pengguna untuk membuat model
dari pengguna tersebut.
b. Collaborative Filtering
Collaborative filtering tidak hanya
menggunakan informasi yang diperoleh untuk
pengguna yang aktif tersebut, tapi juga
digunakan untuk memberikan rekomendasi
kepada pengguna lain dengan preferensi yang
serupa.
c. Hybrid Recommender System
Hybrid
recommender
system
menggabungkan pendekatan antara contentbased filtering dan collaborative-filtering.
Penggabungan dapat dilakukan salah satunya
dengan membuat rekomendasi secara terpisah
kemudian menggabungkan hasilnya sehingga
memberikan kapabilitas collaborative filtering
kepada hasil rekomendasi dari content-based
filtering atau sebaliknya. Penggabungan juga
dapat dilakukan dengan menggabungkannya
ke dalam sebuah model.
2.
Berdasarkan interaksi
penggunanya:
sistem
dan
a. Pendekatan Reaktif.
Pendekatan reaktif melibatkan proses
komunikasi yang mengharuskan interaksi
secara eksplisit dengan pengguna baik melalui
query ataupun feedback pengguna.
b. Pendekatan Proaktif
Pendekatan
proaktif
mempelajari
preferensi
pengguna
dan
memberi
rekomendasi berdasarkan informasi yang
dipelajari, tidak mengharuskan pengguna
memberi feedback secara eksplisit kepada
sistem untuk dapat memperoleh rekomendasi.
3.
Informasi
yang
digunakan
menghasilkan rekomendasi
untuk
a. Item-Related Information
Item-related information berfokus pada
item yang dinilai, dimasukkan ke keranjang
belanja, dibeli ataupun dilihat pengguna dalam
menentukan
item-item
yang
akan
direkomendasikan.
b. User-Related Information
User-related information berfokus pada
profil dan preferensi pengguna dalam
menentukan
item-item
yang
akan
direkomendasikan.
4.
Bagaimana profil pengguna disimpan
a. Memory-based
Memory-based menyimpan seluruh data
dan menarik kesimpulan berdasarkan data-data
tersebut dalam memberikan rekomendasi.
b. Model-based
Model-based membagi proses atas 2 fase.
Fase pertama dilakukan secara offline, dimana
data pengguna dikumpulkan dan sebuah model
dari pengguna dihasilkan untuk digunakan di
interaksi online yang akan datang. Fase kedua
dilakukan secara real-time saat pengunjung
baru mulai berinteraksi dengan website, data
dari session pengguna di saat tersebut
diperoleh
dan
rekomendasi
diberikan
menggunakan model-model yang telah
dihasilkan sebelumnya.
2.3
Adjusted Cosine Similarity
Algoritma Adjusted cosine similarity
adalah algoritma yang dibuat untuk mengatasi
kelemahan algoritma dasarnya, yaitu algoritma
cosine similarity. Algoritma cosine similarity
adalah algoritma yang juga dikenal sebagai
algoritma vector-based. Formula algoritma ini
menunjukkan
dua
buah
item
yang
berhubungan
dan
rating
nya,
lalu
mendefinisikan kemiripan diantaranya sebagai
sebuah sudut diantara vektor-vektornya.
Algoritma Adjusted cosine similarity
berusaha mengatasi kelemahan algoritma
cosine similarity, dimana dalam hal merating,
user memiliki perbedaan skema. Ada yang
member rating tinggi untuk sebuah item, lalu
memberi rating rendah pada item lainnya.
Lalu, untuk item yang sama, item tersebut
diberi rating biasa dan rendah. Untuk
menyeimbangkan nilai rating nya, maka
dihitunglah rata-rata dari masing masing user.
Tahapan tahapan dalam perhitungan ini
dapat dibagi menjadi tiga tahapan penting,
yaitu Data Preparation, Mencari Pola.
1. Data Preparation
Pengimplementasian
Collaborative
Filtering dengan metode apapun, pada
dasarnya dapat diklasifikasikan menjadi 3
(tiga) tahapan penting, yaitu data preparation,
pencarian pola selera user dan penyusunan
rekomendasi.
Ketiga
tahapan tersebut
merupakan satu kesatuan solid yang berkaitan
satu sama lain. Begitu pula halnya dengan
metode yang digunakan dalam penelitian ini.
IJCCS Vol. x, No. x, July 201x : first_page – end_page
231
Ramadhan, Sutardi dan NangiIJCCSISSN: 1978-1520
Tahap pertama, data preparation, tahap
berikutnya, yaitu pencarian pola selera
pelanggan yaitu pembentukan tabel yang
nantinya akan membentuk tabel akhir yang
diistilahkan dengan nama tabel similarity.
Tahap terakhir, pemberian rekomendasi.
Pada fase data preparation, pengguna
memberikan rating ke film yang pernah
dilihat. Rating yang diberikan berkisar antara 1
sampai dengan 10. Nilai 1 diberikan dengan
asumsi bahwa film tersebut tidak patut untuk
dilihat, dari nilai 1 akan beranjak ke 2, 3 dan
seterusnya sampai dengan nilai 10 yang
diasumsikan bahwa film tersebut patut untuk
ditonton. Tabel 1 berisikan 10 film beserta
rating dan berapa banyak orang yang rating.
Field dari rating didapat dari rata-rata setiap
rating yang diberikan oleh setiap user. Berikut
akan diberikan contoh pemberian rating dari 5
user sampai dengan diketemukan nilai
similarity dari user 1 ke user lain.
Tabel 1 menunjukkan contoh tabel film
sebagai ilustrasi perhitungan.
Tabel 1 Contoh Tabel Film
Judul
Rating
Love
Pocong vs
KuntilAnak
Claudia
Love Is Cinta
Fiksi
Ayat– Ayat Cinta
I Love You Om
Sang Dewi
Tentang Cinta
Lewat Djam
Malam
3
Jumlah orang
rating
1
6
4
5.5
2
5.5
3
6
2
4
2
2
2
3
1
1
1
3
1
Field rating pada Tabel 1 berasal dari
jumlah rating setiap user yang pernah
merating film tersebut dibagi dengan jumlah
orang yang merating film bersangkutan. Field
jumlah orang rating berisikan jumlah orang
yang pernah merating film tersebut. Setiap
user yang merating film tertentu disimpan
datanya ke suatu tabel yaitu tabel rating.
Dalam tabel rating disebutkan setiap user
merating film apa saja dan berapa ratingnya
seperti pada contoh tabel rating pada Tabel 2.
Tabel 2 Contoh Tabel Rating
User 1
Love
Pocong vs
KuntilAnak
Claudia
Love Is
Cinta
Fiksi
Ayat –
Ayat Cinta
I Love You
Om
Sang Dewi
Tentang
Cinta
Lewat
Djam
Malam
User 2
User 3
User 4
5
7
7
5
7
4
1
3
User 5
3
8
3
4
3
3
6
2
4
3
Sebagai contoh pada Tabel 1 Pocong vs
Kuntilanak memiliki rating 6 dan jumlah
rating 4. Jumlah rating 4 didapat dari 4 orang
yang merating yaitu User I, User II, User III,
dan User V yang dapat dilihat pada Tabel 2.
Field rating dari Tabel 1 didapat dari rating
User I terhadap Pocong vs Kuntilanak
ditambah dengan rating User II terhadap
Pocong vs Kuntilanak ditambah dengan rating
User III terhadap Pocong vs Kuntilanak
ditambah dengan rating User IV terhadap
Pocong vs Kuntilanak. Jadi perhitungannya
adalah (5+7+7+5)/4 = 6.
2. Pencarian Pola
Setelah melewati tahap preparation
(persiapan), data yang didapat siap diolah
untuk menemukan CI. Langkah berikutnya
adalah menentukan nilai kemiripan similarity
suatu user dengan user lainnya. Nilai tersebut
dikenal dengan isitilah Commonality Index
(CI). Proses ini dapat dikatakan sebagai proses
pencarian pola selera pelanggan yang terdaftar
dan pernah memberikan rating pada suatu
film. Semakin tinggi nilai CI suatu pasangan
user menandakan bahwa kedua user tersebut
memiliki kemiripan dalam hal selera film.
Algoritma yang dipakai dalam penelitian ini
adalah adjusted cosine similarity yang
ditunjukkan pada Persamaan (1).
=
∑
∑(
, −
( , )
, −
∑
( )
, −
Title of manuscript is short and clear, implies research results (First Author)
Pembuatan Web E-Commerce Pada Toko Kenime Store…
232
Dalam algoritma tersebut, dibandingkan
antara similarity dari film 1 ke film lainnya,
sedangkan pada penelitian ini similarity
dimodifikasi menjadi similarity antara user.
Algoritma akan menghitung kedekatan user 1
dengan user lainnya. Setelah semua data yang
berada di tabel film dan tabel rating dihitung
menggunakan algoritma adjusted cosine
similarity. Hasil perhitungan similarity antar
user dimasukkan ke tabel similarity. Semua
similarity dihitung apabila user sama-sama
merating film yang sama. Film yang tidak
dirating oleh salah satu dari user tidak
dihitung. Sebagai contoh perhitungan dari
hasil tabel similarity diambil dari User I dan
User II sebagai berikut:
Pada contoh perhitungan terdapat nilai 0,
apabila terdapat nilai 0 berarti tidak dihitung
karena rating 0 dan tidak merating berbeda.
Dalam perhitungan tersebut perhitungan (05.5)(4-5.5), (0-2)(3-2), (0-5.5)(8-5.5), (4-4) (04) tidak dianggap. Begitu pula dengan
penyebut, nilai (0-5.5), (0-2), (0-5.5), (4-4), (45.5), (3-2), (8-5.5) serta (0-4) juga tidak
dihitung. Setelah nilai yang tidak dihitung
hilang akan tersisa sehingga dihasilkan
similarity seperti yang ditunjukkan Tabel 3.
Tabel 3 Contoh Tabel Similarity
User 1
User 2
User 3
User 4
User 5
User 1
User 2
User 3
User 4
User 5
1
1
1
-1
-1
1
0
-1
0
1
-1
-1
1
0
1
3. Penyusunan Rekomendasi
Pada tahap ini tabel similarity sudah
terbentuk seperti yang terlihat pada Tabel 2.3.
Bila dilihat pada Tabel 2.3 dapat disimpulkan
bahwa tingkat similarity pasangan User I
dengan User II, User II dengan User IV, User
III dengan User I, User IV dengan User II
serta User V dengan User IV memiliki
similarity yang paling tinggi. Semakin tinggi
hasil similarity, tingkat kesamaan film antar
user juga akan tinggi. Setelah mendapatkan
hasil similarity dan mengetahui user yang
memiliki tingkat similarity paling tinggi, 3
user yang memiliki CI tertinggi diambil untuk
dicari film yang pernah dirating dan dipakai
sebagai rekomendasi film. Berikut akan
dijelaskan dengan menggunakan salah satu
contoh. User I memiliki similarity paling
tinggi dengan User II yaitu 1. Film yang
pernah dirating oleh User II akan menjadi
rekomendasi untuk User I. Karena dalam
penelitian ini diambil 3 user yang memiliki
tingkat kesamaan yang tertinggi, maka User I
menerima rekomendasi dari User II, User III,
User IV. Film yang pernah dirating oleh User
II, User III, dan User IV akan
direkomendasikan.
2.4
Personal Home Page
Bahasa pemrograman Personal Home
Page (PHP) adalah bahasa pemograman
script server-side yang didesain untuk
pengembangan web, tetapi juga bisa
digunakan sebagai bahasa pemrograman
umum [10]. Kemudahan dan kepopuleran PHP
sudah menjadi standar bagi programmer web
di seluruh dunia.
Menurut [11], PHP merupakan bahasa
pemograman web yang bersifat server-side
HTML=embedded scripting, di mana scriptnya menyatu dengan HTML dan berada pada
sisi server. Artinya adalah sintaks dan
perintah-perintah yang diberikan akan
sepenuhnya dijalankan di server tetapi
disertakan HTML biasa. PHP dikenal sebagai
bahasa scripting yang menyatu dengan tag
HTML, dieksekusi di server dan digunakan
untuk membuat halaman web yang dinamis
seperti ASP (Active Server Pages) dan JSP
(Java Server Pages).
Kelebihan
yang dimiliki bahasa
pemrograman PHP dibandingkan bahasa
pemrograman lain, yaitu [10] :
1. Bahasa pemrograman PHP adalah sebuah
bahasa script yang tidak melakukan
sebuah kompilasi dalam penggunaannya.
2. Web Server yang mendukung PHP dapat
ditemukan dimana-mana dari mulai IIS
sampai
dengan
apache,
dengan
konfigurasi yang relatif mudah.
3. Dalam sisi pengembangan lebih mudah,
karena banyaknya milis-milis dan
developer yang siap membantu dalam
pengembangan.
4. Dalam sisi pemahaman, PHP adalah
bahasa scripting yang paling mudah
karena referensi yang banyak.
5. PHP adalah bahasa open source yang
dapat digunakan di berbagai mesin (linux,
unix, windows) dan dapat dijalankan
secara runtime melalui console serta juga
IJCCS Vol. x, No. x, July 201x : first_page – end_page
233
Ramadhan, Sutardi dan NangiIJCCSISSN: 1978-1520
6.
7.
8.
dapat menjalankan perintah-perintah
sistem.
PHP adalah bahasa pemrograman script
yang paling banyak dipakai saat ini.
PHP banyak dipakai untuk memrogram
situs web dinamis, walaupun tidak
tertutup kemungkinan digunakan untuk
pemakaian lain. Contoh terkenal dari
aplikasi PHP adalah phpBB dan
MediaWiki (software di belakang
Wikipedia).
PHP juga dapat dilihat sebagai pilihan
lain
dari
ASP.NET/C#/VB.NET
Microsoft, ColdFusion Macromedia,
JSP/Java
SunMicrosystems,
dan
CGI/Perl. Contoh aplikasi lain yang lebih
kompleks berupa Content Management
System yang dibangun menggunakan PHP
adalah
Mambo,
Joomla!,Postnuke,
Xaraya dan lain-lain.
Gambar 3 Halaman Home
3. Halaman Menu Cart
Pada halaman ini ditampilkan keranjang
belanja atau produk-produk yang akan dibeli
oleh konsumen. Menu ini berisi item yang
dibeli, harga, kuantitas dan total harga yang
harus dibayar Tampilan Halaman Cart dapat
dilihat pada Gambar 4.
3. HASIL DAN PEMBAHASAN
Implementasi rancangan antarmuka
terbagi menjadi beberapa bagian utama, yaitu:
1. Halaman Login
Pada halaman ini merupakan halaman
login dari sistem. Untuk masuk ke halaman
utama aplikasi, user harus memasukkan
username dan password terlebih dahulu.
Tampilan Halaman Login dapat dilihat pada
Gambar 2.
Gambar 4 Halaman Menu Cart
4. Halaman Checkout
Pada halaman ini merupakan halaman jika
konsumen akan melakukan pembayaran.
Halaman ini berisi form yang terdiri dari
informasi pribadi untuk melakukan transaksi.
Selain itu, ditampilkan juga nomor rekening
untuk melanjutkan transaksi. Tampilan
halaman Checkout dapat dilihat pada Gambar
5.
Gambar 2 Halaman Login
2. Halaman Home
Halaman ini merupakan halaman awal saat
pengguna melakukan login ke aplikasi. Pada
Halaman Home juga terdapat menu Cart serta
informasi produk-produk yang ditawarkan dan
juga detail produk. Tampilan Halaman Home
dapat dilihat pada Gambar 3.
Gambar 5 Halaman Checkout
Title of manuscript is short and clear, implies research results (First Author)
Pembuatan Web E-Commerce Pada Toko Kenime Store…
234
5. Halaman Detail
Pengguna dapat memberikan rating
terhadap salah satu produk untuk memberikan
nilai rekomendasi. Tampilan halaman Detail
dapat dilihat pada Gambar 6.
2.
Memilih seorang administrator yang
terlatih dan bertanggung jawab baik
dalam penggunaan maupun pemeliharaan
program aplikasi.
DAFTAR PUSTAKA
[1]
Fachrizal, Helmy. 2013. Pengaruh ROA,
ROE dan IOS Terhadap Nilai
Perusahaan. Jakarta : Fakultas Ekonomi
dan Bisnis UIN Syarif Hidayatullah
[2]
Kurniawan, Rulianto. 2009. Berjualan di
untuk
Orang
Awam.
Palembang : Maxicom
Berdasarkan hasil pengujian dengan
metode Black Box dengan kasus uji sample di
atas dapat ditarik kesimpulan bahwa perangkat
lunak yang telah dirancang secara fungsional
mengeluarkan hasil sesuai dengan yang
diharapkan. Hal ini dibuktikan dengan hasil
pengujian dimana semua skenario uji selesai
dan tidak memiliki error sama sekali.
[3]
Kurniawan,
Arif.
2016.
Sistem
Rekomendasi Produk Sepatu dengan
Menggunakan Metode Collaboritve
[4]
Masruri, Farid. 2007. Personalisasi Web
E-Commerce
Menggunakan
Recommender System Dengan Metode
Item-Based Collaborative Filtering.
Malang : Jurnal Teknologi Informasi
4. KESIMPULAN
[5]
Purwanto, Devi Dwi. 2011. Pembuatan
Website
Movie
dengan
Sistem
Recommender
Berbasis
Metode
Collaborative Filtering. Surabaya :
Jurnal Prosiding Konferensi Nasional
Inovasi dalam Desain dan Teknologi
[6]
Chaffey, Dave. 2009. E-Business and ECommerce Management. 4th Edition.
New Jersey : Prentice Hall, Inc
[7]
Sanusi, Rasyad. 2005. Hukum Dan
Internet Di Indonesia. UII Press
Yogyakarta : UII Press
[8]
Wen, Zhang. 2008. Recommendation
System
Based
on
Collaborative
Filtering. Stanford
[9]
Swearingen, Kirsten dan Sinha, Rashmi.
2001. Beyond Algorithms : An HCI
Perspective on Recommender Systems.in
ACM SIGIR 2001 Workshop on
Recommender Systems
Gambar 6 Halaman Detail
Berdasarkan penelitian yang telah
dilakukan selama perancangan sampai
implementasi sistem web e-commerce pada
toko Kenime Store menggunakan sistem
rekomendasi berbasis metode collaborative
filtering dengan algoritma adjusted cosine
similarity ini, maka dapat diambil beberapa
kesimpulan sebagai berikut:
1. Telah berhasil dibuat web E-Commerce
pada Toko Kenime Store menggunakan
Sistem Rekomendasi Berbasis Metode
Collaborative Filtering dengan Algoritma
Adjusted Cosine Similarity.
2. Sistem memberikan rekomendasi barang
kepada pembeli (user) sesuai dengan
kedekatannya dengan pembeli (user) lain
yang mirip dalam pola pembelian barang.
5. SARAN
Adapun saran dalam penelitian ini
adalah:
1. Perlu dilakukan pengembangan dalam
tampilan website.
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Ramadhan, Sutardi dan NangiIJCCSISSN: 1978-1520
235
[10] Dwiartara, Loka. 2011. Menyelam dan
Menaklukkan Samudra PHP. Bogor :
Ilmu Website
[11] Syafii,
Muh. 2004. Membangun
Aplikasi Berbasis PHP dan MySQL.
Andi : Yogyakarta
Title of manuscript is short and clear, implies research results (First Author)
236
Pembuatan Web E-Commerce Pada Toko Kenime Store…
IJCCS Vol. x, No. x, July 201x : first_page – end_page