Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815

Yogyakarta, 18-19 Maret 2016

SISTEM REKOMENDASI PRODUK SEPATU DENGAN MENGGUNAKAN

METODE COLLABORATIVE FILTERING
Arif Kurniawan
Program Studi Informatika, Fakultas MIPA, Universitas Jenderal Achmad Yani
Jl. Terusan Jendral Sudirman, Cimahi, Jawa Barat 40285
Telp. (022) 6652069
E-mail: waelung@gmail.com

ABSTRACT
Shoes Platinum is a store that is engaged in the sale of shoes. A large number of products offered,
making some customers difficulty in determining the choice about what products customers select and
match their tastes. This is what makes the need for a recommendation system that can provide
personalized product recommendations to facilitate customers in choosing products to be purchased. This
study uses the Item-Based Collaborative Filtering, which the system will look for similarities purchase
models (similarity item) to another. Furthermore, the system will look for ratings between items based on
the degree of similarity there. After the inter-item rating obtained, then the rating will be used calculated
value of the similarity between items by using Adjusted Cosine Similarity approach. Results of similarity
between items of calculation will be used for the next stage. This stage predict the value rating that has
never been done by the customer to a particular item. This approach uses the Sum formula Weighted the
prediction value will be recommended to customers.

Keywords: Item-Based Collaborative Filtering, Adjusted Cosine Similarity, Weighted Sum.

ABSTRAK
Platinum Shoes merupakan sebuah toko yang bergerak dibidang penjualan sepatu. Banyaknya jumlah
produk yang ditawarkan, membuat beberapa pelanggan kesulitan dalam menentukan pilihan mengenai
produk apa yang pelanggan pilih dan cocok dengan selera pelanggan. Hal ini yang menjadikan perlunya
sebuah sistem rekomendasi yang mampu memberikan rekomendasi produk yang sesuai selera pelanggan
untuk memudahkan dalam memilih produk yang akan dibeli. Penelitian ini menggunakan metode Item-
Based Collaborative Filtering, dimana sistem akan mencari kesamaan model pembelian (similarity item)
dengan yang lainnya. Selanjutnya, sistem akan mencari rating antara item-item berdasarkan tingkat
kemiripan yang ada. Setelah rating antar item didapat, maka rating ini akan digunakan dihitung nilai
kemiripan antara item dengan menggunakan pendekatan Adjusted Cosine Similarity. Hasil dari dari
perhitungan kemiripan antar item akan digunakan untuk tahap selanjutnya. Tahapan ini memprediksi nilai
rating yang belum pernah dilakukan oleh pelanggan terhadap item tertentu. Pendekatan ini menggunakan
rumus Weigted Sum yang nilai prediksinya akan dijadikan rekomendasi kepada pelanggan.

Kata Kunci: Item-Based Collaborative Filtering, Adjusted Cosine Similarity, Weighted Sum.

1. PENDAHULUAN Sistem rekomendasi adalah suatu sistem

Platinum Shoes merupakan toko yang
bergerak dibidang penjualan bebagai produk
sepatu. Toko Platinum Shoes mulai berdiri pada
tahun 2013 akhir dan beralamat dijalan Warung
Cendol - Karangpawitan No. 35 Garut. Biasanya
ketika pelanggan berkunjung akan dihadapkan
pada beberapa produk pilihan produk yang ada.
Sebelum berkunjung ke tempat tersebut terlebih
dahulu pelanggan mempunyai pilihan terhadap
suatu produk yang dicarinya. Tetapi ada juga
pelanggan yang berkunjung tanpa ada tujuan
produk yang dicarinya. Bagi pelanggan yang
belum ada pilihan kemungkinan merasa kesulitan
dengan adanya beberapa produk produk yang
ada. Untuk itu diperlukan suatu rekomendasi
yang dapat menangani masalah tersebut.
yang menyarankan informasi yang berguna atau
menduga apa yang akan dilakukan pelanggan
untuk mencapai tujuannya, misalnya seperti
memilih produk tertentu. Sehingga pelanggan
memilih produk dapat lebih efektif dalam
menentukan produk yang diinginkannya.
Terdapat beberapa metode dua diantaranya
adalah user-based dan item-based. Metode yang
digunakan dalam penelitina ini adalah item-
based collaborative filtering. Metode ini
menggunakan rekomendasi kepada user dihitung
dengan menentukan item yang mirip dengan item
lain yang disukai oleh pelanggan tersebut. Pada
metode ini hubungan atara item-item lebih statis,
sehingga membutuhkan perhitungan yang lebih
sedikit tetapi mempunyai kualitas yang sama
dibandingkan dengan metode user-based.

610
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

Dalam penelitian yang menggunakan
collaborative filtering untuk metode untuk
menghasilkan sebuah sistem yang dapat
merekomendasikan produk kepada pelanggan.
Hasil dari penelitian tersebut adalah dapat
menyediakan rekomendasi daftar produk cake
sehingga pelanggan dapat memilih dan
mengambil keputusan untuk memilih cake yang
sesuai dengan profil dirinya. menggunakan
pengujian algoritma pearson correlation dengan
pendekatan conten-based collaborative filtering .
Dengan demikian sistem rekomendasi yang akan
dibangun menggunakan pendekatan item-based
collaborative filtering dan pengujian algoritma
adjusted cosine similarity. Dengan adanya sitem
rekomendasi, perusahaan berupaya untuk
memberikan informasi produk lebih mudah
kepada pelanggan untuk memilih produk yang
sedang dicari maupun yang direkomendasikan
oleh sistem.
memperoleh nilai kegunaan produk. Produk yang
memiliki nilai kegunaan tertinggilah yang
kemudian dijadikan rekomendasi (Purwanto,
2009). Metode ini muncul sebagai solusi untuk
beberapa permasalahan pada user based
collaborative filtering yaitu pada masalah
keterbatasan (sparsity) dan skalabilitas serta
masalah waktu dan memori.
Pada metode item based collaborative
fitering melakukan similaritas dengan
membentuk suatu model similairtas secara offline
yang secara otomatis akan menghemat waktu dan
memori yang digunakan untuk perhitungan pada
saat pengguna mengakses halaman situs.
3. METODE PENELITIAN
Di bawah ini merupakan diagram
pemrosesan sistem rekomendasi menggunakan
item based collaborative filtering :
Input
nilai rating

2. LANDASAN TEORI
Matriks iterm rating
2.1 Konsep Dasar Collaborative Filtering
Collaborative filtering merupakan proses
penyaringan atau menggunakan opini orang lain Perhitungan Nilai Similarity

(Schafer dkk, 2007). Collaborative filtering

melakukan penyaringan data berdasarkan Similarity Item-rating
𝑢𝜖𝑈 𝑅𝑢, 𝑖 − 𝑅𝑢 𝑅𝑢, 𝑗 − 𝑅𝑢

kemiripan karakteristik konsumen sehingga 𝑢𝜖𝑈(𝑅𝑢, 𝑖 − 𝑅𝑢)2 𝑢𝜖𝑈(𝑅𝑢, 𝑗 − 𝑅𝑢)2

mampu memberikan informasi yang baru kepada

konsumen karena system memberikan informasi Perhitungan Prediksi
Rating
berdasarkan pola satu kelompok konsumen yang
hamper sama. Perbedaan minat pada beberapa Prediksi item yang
belum pernah di rating

anggota kelompok menjadikan sumber informasi

baru yang mungkin bermanfaat bagi anggota 𝑖𝜖𝐼 𝑅𝑢, 𝑖 ∗ 𝑆𝑖, 𝑗
𝑖𝜖𝐼 |𝑆𝑖. 𝑗|

kelompok lainnya. Hasil Prediksi

2.2 Algoritma Collaborative Filtering

Schafer membagi algoritma collaborative
filtering ke dalam dua kelas yang berbeda, yaitu :
a) User Based Collaborative Filtering
User based nearest neighbor algorithm
menggunakan teknik statistika untuk menemukan
sekumpulan pengguna, dikenal sebagai tetangga.
Yang memiliki sejarah setuju dengan pengguna
yang menjadi sasaran. Setelah sekumpuulan
tetangga terbentuk sistem menggunakan
algoritma yang berbeda untuk menggabungkan
kesukaan neighbours untuk menghasilkan
predikis atau rekomendasi N-teratas untuk active
user. (Sarwar dkk, 2001).
b) Item Base Collaborative Filtering
Item based collaborative filtering merupakan
metode rekomendasi yang didasri atas adanya
kesamaan antara pemberian rating terhadap suatu
produk dengan produk yang dibeli. Dari tingkat
kesamaan produk, kemudian dibagi dengan
parameter kebutuhan pelanggan untuk
Output Hasil Rekomendasi
Gambar 1. Diagram pemrosesan
Pada perancangan sistem rekomendasi yang
akan dibangun, menggunakan metode item-based
collaborative filtering dimana masukan data
awal adalah nilai rating dari pelanggan. Setelah
itu dicari kemiripan antar item untuk melakukan
prediksi antar item yang belum pernah di rating
sebelumnya. Menghitung kemiripan antar data
menggunakan adjusted cosine similarity dan
weight sum untuk prediksi antar item.
3.1 Proses Data Masukan
Data masukan dalam sistem adalah data
berupa nilai rating yang di pilih oleh pelanggan
pada sistem berupa nilai dari 1-5 dengan
keterangan bagus hingga kurang bagus. Terdapat
6 produk yaitu (a, b, c, d, ,e dan f) dan 6
user/pelanggan (p1, p2, p3, p4, p5, p6) Berikut
Tabel 3.1.

611
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

Tabel 3.1 Rating Pelanggan yang berdekatan harus mempunyai nilai rating.
a b c d e f Rat Dengan tahap yang sama didapatkan nilai rating
a2 2 dan 2. Contoh selanjutnya adalah perhitungan
rati nilai similairity dengan persamaan.
ng
P1 5 4 3 4 Tabel 3.2 Representasi Adjusted Cosine
P2 3 2 4 1 2.5 Similarity
P3 5 3 3 User Ru,i Ru,j Ru
P4 4 1 2.5 P1 5 4 4
P5 2 2 4 5 3.25 P5 2 2 3.25
P6 5 4 4.5
S =
3.2 Mencari Adjusted Cosine Similarity
Tahap pada algoritma ini adalah mencari
nilai kemiripan antar produk yang dibandingkan. S =
Beriktu tahapannya :
1. Mengecek antara nilai rating yang dimilika
oleh produk b dan c S =
2. cek kolom dan baris pertama produk b dan
c apabila ditemukan nilai yaitu 5 dan 4. Jika S = = 0.780869
salah satu diantara produk yang memilik
nilai rating maka tidak akan dapat dihitung Setelah melakukan perhitungan dengan
kemiripannya. menggunakan persamaan adjusted cosine
3. Cek kolom dan baris kedua produk b dan c similarity untuk mencari nilai kemiripan antara
dan mendapatkan nilai rating 2 dan 4. produk b dan c makan didapat hasil kemiripan
4. Pengecekan kolo dan baris akan terus dengan nilai 0,780869. Maka nilai kemiripan
dilakukan hingga baris terakhir yaitu baris antara produk b dan b adalah 0,780869.
ke 6. Setelah melakukan perhitungan dengan cara
5. Setelah mendapatkan nilai rating antar sama maka didapat hasil kemiripan antar produk
produk selanjutnya adalah menghitung pada Tabel 3.3 berikut :
nilai kemiripan dari nilai rating yang sudah
didapat. Tabel 3.3 Hasil Perhitungan Keseluruhan
Produk yang Produk yang Nilai
Dengan mnggunakan persamaan (1) yaitu : dibandingkan dibandingkan Kemiripan
A D -1
S =
B C 0.780869
Keterangan :
S(i,j) = Nilai kemiripan antara item i dengan item B D -0.96828
j
B E -1
u = Nilai user yang me-rating baik item i
maupun item j C D -0.65517
Ru,i = Rating user u pada item i
Ru,j = Rating user u pada item j C E 1
Ru = Nilai rating rata-rata user u
C F -0.94665
3.3 Hasil Perhitungan Adjusted Cosine
Similarity D E -1
Pada Tabel 3.2 menggambarkan antara
nilai rating produk b dan c yang pada kolom dan
baris pertama b dan c mempunyai nilai 5 dan 4.
Dilakukan tehap seterusnya yaitu pindah ke baris D F 0.992734
dan kolom kedua, Dimana produk c yang
mempunyai nilai 3 dan b kosong. Maka tidak E F -1
dapat dijadikan perhitungan karna tidak
memenuhi syarat perhitunga. Syarat perhitungan
yang akan dikerjakan jika kedua nilai produk

612
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

Proses Tabel 3.3 adalah hasil keseluruhan c dan e adalah 1 dan produk d dan f adalah
perhitungan nilai similarity antar produk. 0.992374. jadi yang akan dicari nilai prediksinya
Dimana dari perbandingan nilai tersebut didapat adalah produk e dan f. dan setalah dilakukan
nilai similarity yang akan digunakan dalam perhitungan maka untuk produk e mendapatkan
perhitungan prediksi yaitu 0.780869, 1 dan prediksi rating 4 dan untuk produk f
0.992734. Setelah nilai kemiripan didapat maka mendapatkan prediksi 3. Berikut perhitungannya
tahap selanjutnya perhitungan pencarian nilai menggunakan persamaan 2.2.
prediksi untuk produk yang belum pernah di
rating oleh pelanggan sebelumnya dan akan Perhitungan Prediksi
Table 3.4
direkomendasikan kepada pelanggan. Nilai yang
akan diambil untuk dijadikan perhitungan adalah User Produk Ru,i(c) Si,j
<1 dan >= 0.7. P1 E 4 1

3.4 Weighted Sum Persamaannya ;

Weigted sum akan digunakan untuk mencari
nilai prediksi produk yang akan P(p1,e) = = =4
direkomendasikan kepada pelanggan. Pertama
akan mencari nilai dari user p1 (hermansyah) . Dari Tabel 3.5 dapat dilihat cara
perhitungannya dimulai dari kolom user yang perhitunganya dengan hasil prediksi untuk
belum pernah dirating. Ada 3 kolom produk yang produk e adalah 4. Dan menggunakan rumus
belum rating oleh pelanggan yaitu kolom produk yang sama didapat prediksi produk f adalah 3.
a, e dan f. Tahapan perhitungan sebagai berikut : Dengan menggunakan perhitungan yang sama
1. Pada kolom pertma a akan dicari nilai maka didapat hasil prediksi pada Tabel 3.5.
rating yang tidak kosong yaitu didapat nilai
rating produk b yaitu 5 Tabel 3.5 Hasil Prediksi
2. Setelah mendapatkan nilai produk 5 maka
Pelanggan Produk Hasil
akan dihitung dengan nilai rating pada
Prediksi
produk (b - similairty (a, b) / similarity (a,
b)). (u,j)
3. Sebelumnya dibandingkan apakah
similiarity dari kolom produk yang kosong P1 E 4
memenuhi syarat perhitungan. Karna a dan
b tidak lah mempunyai nilai kemirpan. F 3
4. selanjutnya maju pada kolom yang kosong
atau yang akan dicari prediksi nilainya dan P2 B 3
dimulai mencari kolom yang ada nilai
ratingnya. Setelah mendapatkan nilai rating P3 C 3
pada kolom maka dibandingkan kembali
apakah similarity antara produk yang ada D 3
nilai ratingnya dengan produk yang kosong
tersebut. Berikut representasinya pada P6 C 5
Gambar 3.4. 0.992734 (dihitung)

-1
F 4
Nilai kemeripan -0.94665

Nilai kemiripan 1 (dihitung)

A B C D E F

Hermansyah
P1
5 4 3
3.5 Use Case Sistem
Nilai kemirpan 0
Use case diagram menggambarkan
Nilai kemirpan 0

Nilai kemiripan -1 fungsionalitas yang diharapkan dari sebuah

Nilai kemiripan 0

Nilai kemiripan -1
sistem dan merepresentasikan sebuah interaksi
Gambar 3.1 Representasi Prediksi antara aktor dengan sistem. Dilihat dari business
use case yang ada untuk sistem pada penelitian
ini, dapat dilihat pada Gambar 3.2.
Pada Gambar 3.4 dijelaskan bahwa setiap
nilai prediksi yang akan dicari makan akan
dibandingkan terlebih dahulu untuk melihat
apakan diantaranya ada yang memenuhi syarat
perhitungan yaitu nilai kemiripan antara produk

613
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

System Metode Item-based Collaborative Filtering”.

login proses
Jurnal Ilmu Komputer Agri-Informatika.
Produk

Rizki Dwi kelimutu. 2012. “Sistem

Rekomendasi
Rekomendasi Komunitas Pemuda Di Kota
Pelanggan
Registrasi
Admin Semarang Berbasis Item-Based Collaborative
Kelola pelanggan
Filtering Dengan Adjusted Cosine Similarity”.
Skripsi, Fakultas Ilmu Komputer. Universitas
histori
Dian Nuswantoro.
kelola persediaan

Schafer, J.B., Frankowski, D.,Herlocker,J. dan

Sen, S. (2007), Collaborative
Filtering Recommender System. Springer-Verlag,
Gambar 3.2 Use Case Sistem Berlin, Heidelberg,
4. KESIMPULAN McGinty, L. dan Smyth,B. (2006), “Adaptive
. Berdasarkan hasil perancangan dan Selection : analysis of critiquing and preference
pengujian, dapat diketahui bahwa untuk based feed back in conversational recommender
fungsionalitas sistem rekomendasi dengan systems” International Journal Of Electronic
menggunakan secara umum berfungsi susuai Commerce.II(2), pp 35-37
dengan perencanaan. Dengan demikian dari hasil
tersebut dapat disimpulkan bahwa penelitiam ini Lemire, Daniel, Anna Maclachlan. Slope One
sesuai dengan tujuan. prediction for online rating-based collaborative
Dengan menggunakan persamaan item-based filtering. SIAM Data Mining (SDM’05).2005.
filtering produk yang direkomendasikan adalah
yang belum pernah di rating oleh pelanggan Sarwar, B. M., Karypis, G., Konstan, J. A., and
sebelumnya. Produk yang direkomendasikan Riedl. J. (2000). Analysis Of Recommendation
adalah yang mempunyai nilai prediksi tertinggi Algorithms For E-Commerce. In Proccedings of
contoh id_pelanggan 2 mendapatkan the ACM EC’00 Conference. Minneapolis, MN.
rekomendasi produk sepatu vans dan sepatu nb Pp. 158-167
dengan nilai prediksi 4 dan 3. Hasil pengujian
pada sistem ini mencapai nilai 95.68% sehingga
telah membuktikan bahwa perangkat lunak tealh
memenuhi fungsionalitas dan sesuai dengan
kebutuhan

PUSTAKA

Yudhistira Adhitya Pratama, David Wijaya. Dkk.

April 2013. “Digital Cakery Dengan Algoritma
Collaborative Filtering”, Jurnal Teknik
Informatika,

Shofwatul ‘Uyun, Imam Fahrurrozi, Agus

Mulyanto. Febuari 2011. “Item-based
Collaborative Filtering Untuk Rekomendasi
Pembelian Buku Secara Online” Jurnal Teknik
Informatika,

Kristiani Dewi, Umi Proboyekti 2014.

“Implementasi Weighted Sum Model Dan Least
Square Method Dalam Pemberian Nilai Dukung
Kelayakan Penerbitan Buku”,

Bahtera, Putra Jaya Bangun., Sisca Octarina.,

Gusti Virgo Ahta. 2012. “Pembuatan Modul
Rekomendasi pada OpenCart Menggunakan

614