Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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.
610
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
Dalam penelitian yang menggunakan memperoleh nilai kegunaan produk. Produk yang
collaborative filtering untuk metode untuk memiliki nilai kegunaan tertinggilah yang
menghasilkan sebuah sistem yang dapat kemudian dijadikan rekomendasi (Purwanto,
merekomendasikan produk kepada pelanggan. 2009). Metode ini muncul sebagai solusi untuk
Hasil dari penelitian tersebut adalah dapat beberapa permasalahan pada user based
menyediakan rekomendasi daftar produk cake collaborative filtering yaitu pada masalah
sehingga pelanggan dapat memilih dan keterbatasan (sparsity) dan skalabilitas serta
mengambil keputusan untuk memilih cake yang masalah waktu dan memori.
sesuai dengan profil dirinya. menggunakan Pada metode item based collaborative
pengujian algoritma pearson correlation dengan fitering melakukan similaritas dengan
pendekatan conten-based collaborative filtering . membentuk suatu model similairtas secara offline
Dengan demikian sistem rekomendasi yang akan yang secara otomatis akan menghemat waktu dan
dibangun menggunakan pendekatan item-based memori yang digunakan untuk perhitungan pada
collaborative filtering dan pengujian algoritma saat pengguna mengakses halaman situs.
adjusted cosine similarity. Dengan adanya sitem
rekomendasi, perusahaan berupaya untuk 3. METODE PENELITIAN
memberikan informasi produk lebih mudah Di bawah ini merupakan diagram
kepada pelanggan untuk memilih produk yang pemrosesan sistem rekomendasi menggunakan
sedang dicari maupun yang direkomendasikan item based collaborative filtering :
oleh sistem. 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
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
-1
F 4
Nilai kemeripan -0.94665
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
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
PUSTAKA
614