PENGANTAR

Sistem Rekomendasi

Rekomendasi merupakan salah satu hal yang sangat dibutuhkan oleh banyak orang.

Kebutuhan akan rekomendasi ini didasari ketidakmampuan seseorang dalam menentukan

sebuah pilihan. Kesulitan dalam membuat pilihan ini dapat disebabkan oleh beberapa hal.

Salah satu kesulitan tersebut adalah kurangnya pengetahuan seseorang akan suatu hal,

sehingga alternatif atau pilihan yang ada hanya sedikit. Selain kurangnya pengetahuan,

kondisi informasi yang terlampau banyak membuat seseorang akan sulit menentukan pilihan

yang tepat dari sekian banyak pilihan yang tersedia.

Dalam kondisi informasi yang semakin banyak dan mudah didapatkan, juga dengan

kekurangan-kekurangan yang dimiliki oleh proses untuk mendapatkan rekomendasi dengan

cara manual (bertanya pada orang lain), maka dikembangkanlah sebuah sistem untuk

mengatasi permasalahan tersebut yang dinamakan sistem rekomendasi. Sistem rekomendasi

merupakan sebuah sistem cerdas yang mampu memberikan sejumlah rekomendasi kepada

pengguna sistem rekomendasi tersebut. Sistem ini dapat memberikan rekomendasi mengenai

suatu hal atau informasi yang bersesuaian dengan keinginan atau kebutuhan pengguna.

Sistem tersebut dapat mengenali dan mengetahui karakteristik, selera, atau kebutuhan dari

pengguna sistem dan mampu beradaptasi dengan perubahan-perubahan perilaku serta

karakteristik pengguna.

Sistem rekomendasi mulai banyak dikembangkan untuk berbagai kasus. Hal ini didasari

akan kebutuhan sistem rekomendasi yang semakin tinggi dan diharapkan dapat

diimplementasikan pada berbagai jenis kasus.

Hirarki Sistem Rekomendasi

Sistem rekomendasi terbagi menjadi beberapa tipe dan memiliki banyak metode dalam

pembangunan dan pengembangannya. Pembagian tipe dan metode sistem rekomendasi dapat

dilihat pada gambar 1.1.

Gambar 1.1 Hirarki sistem rekomendasi

Tipe sistem rekomendasi serta metode pengembangannya yang beragam membuat sistem

rekomendasi dapat diimplementasikan pada berbagai jenis kasus. Namun tipe dan metode

tersebut harus dipilih dan disesuaikan dengan kasus yang dihadapi.

Non-Personalized Recommender System

Non-personalized recommender system merupakan jenis sistem rekomendasi yang paling

dasar dan paling mudah diimplementasikan. Dalam memberikan rekomendasi sistem tidak

memperhatikan karakteristik, baik pengguna sistem maupun item yang akan

direkomendasikan. Hal ini membuat hasil rekomendasi yang diberikan tidak spesifik atau

dikhususkan untuk pengguna tertentu.

Kelebihan dari jenis ini adalah kemudahan dalam pembangunan sistem serta dapat

diimplementasikan pada berbagai kasus. Kekurangan utama dari jenis ini adalah

rekomendasi yang diberikan masih terlalu umum serta tidak mencerminkan karakteristik

atau kebutuhan pengguna sistem.

Personalized Recommender System

Personalized recommender system merupakan jenis sistem rekomendasi yang memberikan

hasil rekomendasi sesuai dengan karakteristik atau kebutuhan pengguna sistem. Sistem

terlebih dahulu mempelajari baik karakteristik pengguna maupun item yang akan

direkomendasikan. Setelah mengetahui karakteristik pengguna dan item, maka sistem akan

merekomendasikan item yang sesuai tersebut kepada pengguna.

Kelebihan jenis sistem rekomendasi ini dibanding non-personalized recommender system

adalah rekomendasinya tidak bersifat umum, melainkan spesifik untuk setiap pengguna yang

menggunakan sistem. Kekurangannya dibanding non-personalized recommender system

hanya pada proses implementasinya yang lebih rumit karena menggunakan metode tertentu

dan harus disesuaikan dengan kasus yang ditangani.

Collaborative Filtering

Collaborative filtering merupakan salah satu metode yang digunakan pada personalized

recommender system. Metode ini bekerja dengan cara membandingkan dan menghitung

kemiripan hubungan baik antar sesama pengguna (user-to-user) maupun antar item (item-to-

item). Ide dasar yang mengawali teknik ini adalah pemikiran bahwa seandainya seorang

pengguna A menyukai item X dan pengguna A dan pengguna B memiliki karakteristik yang

sama maka diasumsikan pengguna B akan menyukai item X (user-to-user method).

Collaborative filtering mempunyai tiga teknik dalam menghasilkan sebuah rekomendasi,

yaitu Memory-Based CF, Model-Based CF, dan Memory-Model Hybrid CF.

Memory-based CF merupakan teknik dari collaborative filtering yang bekerja dengan cara

menghitung similarity atau kemiripan antara user dengan user atau antara item dengan item.

Memory-based CF secara langsung menghitung similarity tersebut berdasarkan historical

data yang ada. Hasil perhitungan similarity tersebut yang menjadi dasar bagi sistem untuk

menentukan karakteristik user sehingga sistem dapat memberikan rekomendasi yang

bersesuaian dengan karakteristik user tersebut. Kelebihan teknik ini adalah adaptasi

terhadap historical data yang baru ditambahkan. Data baru tersebut dapat langsung

diikutsertakan dalam perhitungan dalam menghasilkan rekomendasi. Selain itu teknik ini

mudah untuk diimplementasikan. Kekurangan teknik ini adalah waktu yang dibutuhkan

untuk menghasilkan rekomendasi cukup lama. Hal ini disebabkan perhitungan melibatkan

seluruh historical data yang ada. Selain itu data sparsity problem merupakan masalah utama

dari memory-based CF.

Berikut ini adalah langkah-langkah umum dari teknik memory based collaborative filtering

:

1. User Similarity Measurement

Pada tahapan ini, sistem akan menghitung kemiripan seorang pengguna yang akan diberikan

rekomendasi (active user) dengan seluruh pengguna lain yang terdapat pada sistem. Dalam

menghitung kemiripan pengguna, sistem menggunakan data-data rating yang diberikan oleh

pengguna terhadap sejumlah image. Rumus yang digunakan untuk menghitung kemiripan

pengguna adalah Pearsons Correlation Coefficient (PCC)

, ,

2 2

, ,

( )( )

( , )

( ) ( )

a f a b f b

f items

a f a b f b

f items f items

N N N N

r a b

N N N N

Keterangan :

Na, f = nilai yang diberikan user a terhadap item f

Na = nilai rata-rata yang diberikan user a terhadap seluruh item f

Items = populasi item yang dinilai oleh user a dan user b (beririsan)

Nilai yang dihasilkan akan memiliki rentang antara -1 sampai 1. Semakin mendekati 1 maka

hubungan antara kedua pengguna adalah semakin mirip. Sebaliknya semakin mendekati -1

maka karakteristik dan minat kedua pengguna semakin berlawanan. Namun semakin

mendekati 0, maka kedua pengguna dapat dikatakan tidak memiliki hubungan atau korelasi.

2. Neighborhood Selection

Tahapan kedua adalah dengan memisahkan antara pengguna-pengguna yang memiliki

kemiripan dengan active user dengan yang tidak memiliki kemiripan. Pemisahan dan

pengelompokan user ini dapat dilakukan dengan beberapa teknik antara lain K-Means,

penentuan batas minimal nilai kemiripan dan lain-lain.

.....(1)

3. Prediction Generation

Setelah menentukan pengguna-pengguna yang tergabung pada neighborhood, maka langkah

terakhir adalah dengan memprediksikan rating yang akan diberikan oleh active user tersebut

terhadap sejumlah image tertentu. Perhitungan menggunakan Resnicks algorithm.

, ,

,

,

( )( )

| |

a x x i x

x Na i a

a x

x N

w r r

P rw

Keterangan :

Pai = Prediksi nilai untuk active user a terhadap item i

Wa,x = Nilai kemiripan antara active user a dengan pengguna x

rx,i = Nilai yang diberikan pengguna x terhadap item i

ra = Nilai rata-rata yang diberikan oleh active user a

rx = Nilai rata-rata yang diberikan oleh user x

N = Jumlah pengguna yang tergabung didalam neighborhood yang me-

rating item i.

model-based CF merupakan teknik lain dari collaborative filtering. Teknik ini bekerja

dengan cara menggunakan sejumlah historical data sebagai training set data yang akan

dipelajari oleh sistem untuk membangun sebuah model. Model tersebut akan

mendeskripsikan karakteristik tertentu sehingga membuat sistem rekomendasi mampu

memprediksikan rekomendasi yang sesuai dengan karakteristik pengguna yang tergabung

pada model tertentu. Kelebihan model-based dibandingkan dengan memory-based adalah

waktu yang dibutuhkan untuk menghasilkan rekomendasi lebih singkat serta menanggulangi

data sparsity lebih baik. Kecepatan dan penanganan data sparsity yang lebih baik dapat

dicapai karena model-based CF menggunakan model dalam menentukan sebuah

karakteristik, bukan keseluruhan data seperti pada memory-based CF. Namun

kekurangannya adalah biaya dan tingkat kerumitan menjadi tinggi saat proses pembangunan

model. Selain itu terkadang beberapa informasi penting dapat hilang serta beberapa model

yang dihasilkan tidak mendeskripsikan karakteristik tertentu. Beberapa algoritma yang

digunakan dalam pembangunan model dalam metode model-based collaborative filtering

antara lain bayesian networks, clustering models, latent semantic models.

.....(2)

Memory-model hybrid CF merupakan gabungan dari dua teknik yang telah dijelaskan

sebelumnya. Penggabungan teknik ini dilakukan dengan tujuan untuk menutupi kekurangan

dari masing teknik. Namun teknik hybrid ini akan menambah kerumitan dan kompleksitas

sistem rekomendasi itu sendiri.

Social Tagging Systems

Tagging telah dipakai cukup lama, meskipun dikenal dengan istilah lain seperti metadata,

kategorisasi, label, dan sebagainya. Tagging adalah proses melampirkan kata-kata natural

language sebagai metadata untuk menggambarkan beberapa resource seperti image, foto,

buku, dll. Dalam penelitian ini, kata resource akan sering penulis gunakan. Resource yang

dimaksud oleh penulis disini adalah image. Kosakata Tagging biasanya tidak terkontrol,

dimana pengguna sendiri dapat memutuskan apa kata atau kombinasi kata-kata yang tepat.

Penggunaan utama tagging adalah untuk tujuan search, dimana pengguna dapat mencari tag

dan resource dengan tag dilabeli akan kembali ke pengguna. Pengguna yang menambahkan

tag dapat menggunakan tag untuk retriaval nantinya. Bagi pengguna lain, tag berfungsi

sebagai cara untuk menemukan resource baru dengan mencari apapun tag mereka inginkan.

Dalam beberapa tahun terakhir, munculnya Social Tagging Systems telah membawa tagging

kembali menjadi pusat perhatian. Saat ini, ada beberapa social tagging system online yang

populer dan merupakan subjek penelitian yang berkelanjutan, sistem ini berkisar dari

bookmark website seperti del.icio.us, berbagi foto , pencarian makalah penelitian , bahkan

people rating. Semua situs-situs tersebut menggunakan tagging untuk berbagai tujuan, tetapi

di samping itu, mereka fokus pada aspek tagging social networking untuk meningkatkan

pengalaman bagi pengguna akhir. Namun, dalam bentuknya yang sekarang, tag biasanya

digunakan untuk tag searching, pencocokan profil pengguna. Seperti disebutkan

sebelumnya, tag memberikan petunjuk mengapa pengguna menyukai sesuatu. Karena itu,

penggunaan serupa pada jejaring sosial, social tagging system memberikan pilihan ideal

untuk kombinasi dengan sistem CF.

TagBased Contextual Collaborative Filtering

Tag-Based Contextual Collaborative Filtering (TCCF) yang selanjutnya akan sering penulis

singkat dengan Tag-Based CCF adalah kombinasi dari sistem Collaborative Filtering

tradisional dan Social Tagging System yang memungkinkan untuk rekomendasi resource

dengan akurat yang mempertimbangkan konteks preferensi. Suatu contoh sistem

ditunjukkan pada gambar 1.1. Dalam kasus ini, pengguna melampirkan tag ke resource yang

mereka suka dan ingin diakses kembali nantinya. Resource mungkin apapun termasuk

musik, video, dan lain-lain. Tetapi pada penelitian ini, resource yang penulis maksud adalah

image.

1.1 Contextual CF Model

Suatu contoh sistem yang akan menggunakan model TCCF akan mengikuti proses berikut:

Pengguna mengevaluasi sebuah resource seperti website, image.

Jika pengguna menyukai resource tersebut, mereka akan bookmark dengan tag yang

mereka inginkan. Tag ini menyatakan apa makna resource tersebut kepada mereka.

Sistem mengkalkulasi kesamaan antar pengguna berdasarkan bookmark dan tag

tersebut.

Kemudian, sistem mengkalkulasi prediksi skor untuk unrated recource tersebut

berdasarkan kesamaan pengguna yang dikalkulasi di langkah sebelumnya dan

bookmark pengguna lainnya.

Sistem merekomendasikan resource baru kepada pengguna berdasarkan langkah 3 dan

4.

Tidak seperti model tradisional Collaborative Filtering yang menggunakan rating numerik,

model ini menggunakan tag-based TCCF sebagai indikator bahwa seorang pengguna

menyukai sesuatu: jika pengguna bookmark sesuatu, sistem melihatnya sebagai sesuatu yang

pengguna suka. Dengan demikian, dalam pengertian ini, itu adalah model CF yang sederhana

karena menggunakan rating boolean sebagai lawan skala numerik seperti dalam sistem CF

kebanyakan. Skala dimaksudkan akan dari nol sampai satu. Bookmark akan di rating tinggi

atau satu, dan tidak adanya bookmark akan dianalogikan dengan rating non-atau nol.

Namun, tag juga menyediakan faktor pembeda utama dari CF traditional system tag yang

melekat pada resource yang dapat dilihat sebagai konteks di mana pengguna menyukai

resource tersebut. Biasanya pengguna akan menggunakan tag untuk menggambarkan

resource sebagai tag mereka sendiri, dan dalam kebanyakan kasus, itu akan menjadi

'konteks'. Dari asumsi ini, kita membuat penggabungan menggunakan konteks ini untuk

memodifikasi model CF.

Karena itu, kini diperkenalkan dua submodel di mana model CF tradisional dimodifikasi

berdasarkan user similarity dan resource recommendation stage.

Contextual CF User Simalirity Model:

1.3 Contextual CF User Simalirity Model

Model ini berfokus pada pertimbangan konteks saat menghitung kesamaan antara user dan

user lainnya. Dalam CF tradisional, peringkat kesamaan didasarkan pada peringkat numerik

seperti ditunjukkan pada tabel berikut:

1 2 3 4

A 1 - - -

B 1 1 1 -

C - - 1 -

D - - 1 1

Tabel 1.1 Rating CF Tradisional

dimana A, B, C, D adalah user dan 1-4 adalah resource. Untuk mudahnya ketika

membandingkan ini dengan model baru , satu sesuai dengan rating tinggi dan peringkat

negatif atau rendah telah dihilangkan. Selain itu, non-rating dilambangkan oleh '-'. User

similarity adalah kosinus similarity vektor dari rating score user untuk setiap resource :

A B C D

A - 0.58 - -

B 0.58 - 0.58 0.41

C 0 0.58 - 0.71

D - 0.41 0.71 -

Tabel 1.2 CF User Similarity Score Tradisional

Jika user memiliki rating cukup mirip atas resource yang sama, sistem akan memberikan

mereka high similarity rating. Jika user memiliki rating yang berbeda, atau tidak menilai

resource yang sama, sistem tidak memberikan high similarity rating. Namun, hanya

menggunakan angka tidak dapat memberitahu, seperti mengapa user menyukai sesuatu, atau

dengan kata lain, dalam konteks apa resource disukai. Tag, bagaimanapun, memberikan

wawasan lebih tentang mengapa user mungkin menyukainya.

Pertimbangkan dua user men-tag sebuah blog tentang politik. Salah satu user yang memiliki

pandangan yang sejalan dengan blog mungkin menandai resource 'informatif' atau

'berwawasan', namun, user lain yang memiliki pandangan tidak setuju mungkin menandai

blog sebagai 'lucu' atau 'hiburan'. Seperti yang bisa dilihat di sini, user dapat mengikuti blog

yang sama, tetapi mengikutinya untuk alasan yang berbeda.

Dengan demikian, model pertama memodifikasi perhitungan user similarity. Pengguna

kesamaan antara user A dan user B dihitung dengan menggunakan persamaan berikut:

(, ) =

{(, ) + }

= ----- 5

dimana n adalah jumlah resource yang ditandai antara user A dan B. Umumnya tag berarti

baik pengguna bookmark resource yang sama, mungkin dengan berbeda vektor tag. Jadi:

(, ) = .

|||| -------6

dimana adalah tag vektor bahwa user A men-tag resource k dan adalah tag

vektor bahwa user B men-tag resource k. Kesamaan dari dua vektor tag tersebut dihitung

melalui cosine similarity.

Pada dasarnya, dalam model user similarity, cosine similarity vektor tag dari semua

resource yang ditag antara user A dan user B dirata-ratakan. Selain itu, satu akan

ditambahkan ke nilai cosine similarity untuk memberikan nilai ke resource yang ditag.

Terlepas dari ketidakcocokan tag set, resource paling umum umum ditandai lebih berharga

daripada tidak ada sama sekali.

Sebagai contoh, untuk sistem yang ditunjukkan pada gambar 1.3, kita dapat menghitung

similarity user B dan C. Karena user B dan user C hanya memiliki satu tag link-resource

yaitu nomor 3 , jadi n = 1 dan similarity score mereka didasarkan sepenuhnya pada resource

3 ini.

Vektor tag user B dan C di resource 3 akan menjadi:

bush tax reform

1 1 1

1 1 0

Tabel 1.3 User Similarity user B dan C

Cosine Similarity antar 2 vektor tag adalah 0.5 sehingga (, ) = 0.75. Hasil dari

user similarity dari semua sistem pada gambar 1.3 adalah :

A B C D

A - 0.75 0 0

B 0.75 - 0.91 0.5

C 0 0.91 - 0.5

D 0 0.5 0.5 -

Tabel 1.4 Contextual CF User Similarity Score

Dengan model user similarity baru, konteks dipertimbangkan ketika menghitung user

similarity. User yang memiliki bookmark resource yang sama masih dianggap similiar,

namun similarity lebih tinggi jika menggunakan tag untuk menggambarkan resource

tersebut juga sama. Dengan demikian, Kecocokan konteks didorong lebih tinggi daripada

ketika konteks tidak cocok.

Namun, kelemahan dari model ini masih ada. Dalam sistem ini, hanya ada pilihan untuk

bookmark atau tidak. Dengan demikian, sebagian besar user hanya akan bookmark resource

jika dan hanya jika mereka menyukai resource tersebut. Namun, kurangnya bookmark tidak

selalu berarti tidak suka, tetapi mungkin saja mereka tidak evaluasi resource tersebut.

Mengingat hal ini, model ini hanya tergantung pada resource yang umumnya ditag, ini dapat

menjadi masalah ketika link ditag sedikit. Masalah ini umum untuk sistem berbasis CF lain

juga.

Selain itu, ada isu-isu natural language yang ada pada situs tagging. Isu seperti sinonim dan

polisemi mungkin harus diperhitungkan dan dalam hal bahwa metode untuk

menghubungkan kata-kata yang secara semantik terkait harus dipertimbangkan ketika

menerapkan model ini. Selain itu, ada masalah apakah user yang berbeda akan menggunakan

tag yang sama tujuan kategorisasi, penamaan, dll dan apakah tujuan tersebut akan cocok

antara user.

Contextual CF Score Prediction Model

1.4 Contextual CF Score Prediction Model

Model ini memodifikasi perhitungan score prediction. Dalam CF tradisional, setelah user

similarity telah dihitung, score prediction untuk beberapa user A untuk resource x yang tidak

dievaluasi dihitung sebagai berikut:

(, ) = {(,)(,)}

=

(,)=

------- 7

dimana n adalah jumlah user lain. Pada dasarnya, nilai semua user lain, ditukur oleh

similarity mereka, di rata-ratakan untuk memprediksi skor A untuk x.

Misalnya, untuk peringkat data yang diberikan dalam tabel 1.1, menghitung score prediksi

user B untuk resource 4 akan menjadi 0,26. Sisa prediksi akan seperti yang ditunjukkan

dalam tabel 1.5.

1 2 3 4

A - 1.0 1.0 0.0

B - - - 0.26

C 0.45 0.45 - 0.55

D 0.37 0.37 - -

Tabel 1.5 CF Score Prediction Tradisional

CF tradisional bekerja dengan baik ketika merekomendasikan resource dalam domain yang

sama seperti hanya dalam image komedi atau hanya video sepak bola. Namun, dalam kasus

bookmark website dan internet, banyak domain dan banyak konteks dilingkupi. Ketika user

mungkin memiliki preferensi yang sama untuk satu konteks, preferensi mungkin tidak

terbawa ke yang lain: Sebagai contoh, meskipun dua user mungkin suka membaca buku

Harry Potter, ini tidak berarti bahwa jika salah satu sepak bola suka, user lain akan juga.

Context Filtering diperlukan untuk menghasilkan rekomendasi yang lebih akurat.

Dengan demikian, model ini berfokus pada mempertimbangkan konteks ketika memprediksi

score untuk seorang user. Ini terjadi setelah user similarity telah dihitung. Setelah ini

dilakukan, prediksi score resource dilakukan. Alih-alih memprediksi skor untuk sumber

daya hanya berdasarkan score rata-rata seperti yang ditunjukkan dalam persamaan 7, model

ini mempertimbangkan jika konteks resource serupa. Dengan demikian, Contextual CF

Score Prediction resource x untuk user A seperti yang ditunjukkan dalam persamaan 8.

(, ) =

{(,)((( ,), ,( ,))+)}

=

(,)=

---

8

Dalam persamaan ini, adalah user di set dari semua user dengan score similarity dengan

user A di atas similarity threshold tertentu dan n adalah jumlah user di set ini.

Juga di (( , ), , ( , )) , m adalah jumlah resource

yang di tag umumnya yang user punya dengan user A. Bagian ini mengembalikan tag

vektor dari resource umum yang ditag yang memiliki similarity tertinggi dengan tag vektor

resource target . Hal ini dilakukan dalam rangka untuk hanya menggunakan konteks

yang paling tepat (tag vector similarity tertinggi) untuk score prediction.

Jelasnya, jika user tidak memiliki resource yang biasanya ditag dengan user A, score

maks akan menjadi nol. Sebuah nilai satu ditambahkan ke max untuk memberikan nilai

terhadap keberadaan resource yang ditag, terlepas dari similarity tag vektor. Terakhir,

similarity tag vektor dihitung seperti yang ditunjukkan dalam persamaan 6.

Secara keseluruhan, model baru ini ditunjukkan dalam fungsi persamaan 8 yang sama

dengan tradisional CF score prediction model yang ditunjukkan dalam persamaan 7, kecuali

bahwa kesamaan vektor tag dirata-ratakan sebagai gantinya.

Dalam kasus gambar 1.4, kita ingin memprediksi score user C untuk resource 2, resource di

mana ia belum ditag. Menggunakan nilai CCF user similarity score ditunjukkan dalam tabel

1.4, user B memiliki similatiry yang tinggi dengan user C. Untuk user B, hanya resource 3

ditandai sama dengan user C. Dengan demikian, vektor tag user B yang melekat resource

2 dan 3 adalah sebagai berikut:

bush tax reform irag

1 1 1 0

1 0 0 1

Oleh karena itu (,) = 0,41. Jika user B punya resource yang ditag lebih

banyak dengan user C, similarity pada tag vector , dan juga akan dihitung dan

similarity tertinggi yang digunakan dalam perhitungan score.

Mengingat similarity user B ke C adalah 0,91, prediction score akhir adalah: score(C, 2) =

0,71. Sebaliknya, katakanlah kita ingin memprediksi score user C untuk resource 1. Karena

similarity user B untuk user C tinggi, tag set benar-benar berbeda dari tag set

resource yang ditag B , yang berarti bahwa konteks preferensi berbeda, dan akibatnya, score

prediction akan lebih rendah: score (C, 1) = 0,5. Resource 2 akan direkomendasikan atas

resource 1. Sebelumnya, resource 1 dan resource 2 memiliki score yang sama seperti yang

ditunjukkan dalam tabel 1.5. Menggunakan model ini, jika tag resource target yang sesuai

dengan tag yang digunakan pada resource yang ditandai, maka nilai yang lebih tinggi. Jika

tidak, skor akan lebih rendah.

Melalui ini, konteks akan dipertimbangkan ketika membuat score prediction. Sistem seperti

ini akan lebih berhasil pada rekomendasi domain yang lebih besar. Hal ini akan berlaku baik

ke situs bookmark situs seperti del.icio.us dan sebagainya. Manfaat lain adalah bahwa tidak

seperti perhitungan CCF user similarity, model ini tidak berpengaruh banyak dari masalah

natural language. Karena pencocokan tag dilakukan hanya dalam ruang tag seorang user

tunggal, lebih mungkin bahwa seorang user akan menggunakan tag yang sama ketika

menggambarkan resource lain. Selain itu, mereka kemungkinan besar akan menggunakan

struktur organisasi tag yang sama. Oleh karena itu, tidak perlu menggunakan pencocokan

semantik antara kata-kata.

Sebagai rekomendasi, hal tersebut tergantung pada tag yang cocok, jika tidak ada

penggunaan kembali tag untuk user, sistem mungkin memiliki masalah menghasilkan

rekomendasi. Dalam kasus ini, threshold batas untuk rekomendasi itu harus diubah.

Permasalahan Umum Sistem Rekomendasi

Sistem rekomendasi memiliki beberapa kondisi yang akan menimbulkan masalah bagi

sistem dalam memberikan rekomendasi. Berikut beberapa permasalahan umum yang sering

dihadapi oleh sistem rekomendasi.

1. Cold Start

Cold start merupakan kondisi suatu obyek pada sistem rekomendasi dimana informasi

tentang obyek tersebut kurang memadai atau mencukupi. Kurangnya informasi tersebut

mengakibatkan menurunnya performa dari sebuah sistem rekomendasi. Cold strart dapat

terjadi pada baik pada item maupun pada user. User cold start merupakan kondisi yang

sering dijumpai pada sistem rekomendasi. Keadaan ini pada umumnya terjadi ketika seorang

user baru ditambahkan. User tersebut belum memiliki cukup historical data (seperti data

rating) sehingga sistem belum mengetahui karakteristik user tersebut dan berakibat pada

sulitnya memberikan rekomendasi yang tepat. Item cold start pada umumnya terjadi saat

terdapat item yang baru ditambahkan. Item tersebut belum memiliki historical data (seperti

pembelian atau rating) sehingga sistem belum mengetahui karakteristik item tersebut dan

pada akhirnya sistem sulit untuk merekomendasikan item baru tersebut kepada pengguna.

Namun beberapa metode sistem rekomendasi tidak bermasalah dengan item cold start.

Metode content-based dapat mengatasi masalah ini karena melalui deskripsi item tersebut,

maka karakteristik item baru tersebut dapat diketahui dan dapat langsung direkomendasikan.

2. Data Sparsity

Data sparsity merupakan kondisi dimana historical data yang dimiliki sistem masih sedikit

atau jika data-data tersebut dimodelkan menjadi sebuah matriks maka matriks tersebut masih

sangat renggang. Data sparsity merupakan permasalahan besar bagi performa sistem

rekomendasi. Kondisi historical data yang renggang akan menyulitkan sistem dalam

membangun karakteristik atau ciri dari user maupun item, sehingga dapat dipastikan

rekomendasi yang diberikan memiliki tingkat akurasi yang rendah.

3. Overspecialization

Overspecialization merupakan kondisi, dimana hasil rekomendasi dihasilkan yang hanya

terbatas pada suatu kriteria atau hanya terbatas pada item yang telah telah diketahui

sebelumnya. Kondisi ini membuat item yang baru ditambahkan akan sulit untuk

direkomendasikan. Permasalahan tidak hanya pada item yang baru namun juga pada item

yang memilki karakteristik. Overspecialization membuat hasil rekomendasi hanya terbatas

pada kategori tertentu (sering terjadi pada metode content-based).

4. Scalability

Scalability merupakan salah satu permasalahan yang perlu diperhatikan dalam membangun

sebuah sistem rekomendasi. Sebuah sistem rekomendasi yang memiliki jumlah data besar

baik user, item maupun historical data (seperti sistem rekomendasi image) sering

menjumpai masalah skalabilitas. Permasalahan yang sering dijumpai adalah waktu untuk

menghasilkan rekomendasi. Ukuran data yang besar ditambah dengan pemilihan metode

yang kurang tepat akan berakibat pada lamanya waktu yang dibutuhkan untuk memberikan

rekomendasi kepada penggguna. Maka dari itu harus dipilih metode yang tepat dan sesuai

dengan kasus sistem rekomendasi agar terhindar dari scalability problem.

ANALISIS DAN PERANCANGAN SISTEM

Karakteristik dan Metode Sistem Rekomendasi Image

Pemilihan metode yang akan digunakan dalam membangun sebuah sistem rekomendasi

image akan dipengaruhi oleh karakteristik yang terdapat pada sebuah image serta

karakteristik dari sistem rekomendasi yang akan dibangun. Secara umum karakteristik

image dan sistem rekomendasi image adalah sebagai berikut :

1. Sebuah image memiliki sejumlah informasi dasar mengenai image tersebut. informasi

tersebut antara lain nama file Image, Genre, Form, Camera and photography

equipment, Photographic processing, Photographic techniques, General photography

concepts dan lain-lain.

2. Pengguna sistem rekomendasi memiliki sejumlah informasi pribadi. Informasi tersebut

antara lain nama, jenis kelamin, umur, pekerjaan, pendidikan, asal negara dan lain-lain.

3. Skalabilitas data sangat besar baik data image, data pengguna, maupun historical data

seperti data rating pengguna terhadap image.

4. Frekuensi penambahan dan perubahan data sangat tinggi. Image baru dan user baru

yang ditambahkan pada sistem sangat sering terjadi. Hal tersebut juga mendorong

tingginya frekuensi penambahan data rating yang diberikan oleh user.

5. User dan image baru pada umumnya belum cukup memiliki data rating yang berguna

untuk menarik informasi karakteristik dari user dan image tersebut.

6. Secara umum user tidak suka untuk memberikan informasi pribadi yang dimilikinya

kepada sistem.

Berdasarkan metode-metode sistem rekomendasi yang telah dijelaskan pada bagian

sebelumnya serta karakteristik dari sebuah sistem rekomendasi image yang telah dijabarkan

diatas, maka metode sistem rekomendasi yang dipilih penulis adalah metode tag-based

contextual collaborative filtering.

Alasan pertama dalam pemilihan metode-metode tersebut didasari pada salah satu kelebihan

dari metode collaborative filtering yaitu kemampuannya dalam beradaptasi dengan kasus

yang memiliki tingkat frekuensi perubahan data yang tinggi. Kasus rekomendasi image

merupakan salah satu kasus yang memiliki frekuensi perubahan data yang tinggi. Alasan

kedua adalah metode collaborative filtering (user-to-user) memiliki kesamaan cara kerja

dengan cara rekomendasi manual yang sering dilakukan seseorang, yaitu dengan

menemukan orang lain yang memiliki kemiripan karakteristik dan selera kemudian

mendapatkan rekomendasi image dari orang tersebut. Sedangkan tujuan awal digunakannya

metode content based filtering adalah untuk menutupi kekurangan metode collaborative

filtering dalam menangani item cold start problem (item atau image yang belum cukup

memiliki data rating). Dengan cara kerjanya yang membandingkan deskripsi dari atribut-

atribut image, maka content based filtering dapat langsung merekomendasikan beberapa

image yang baru ditambahkan kedalam sistem, dengan catatan image lain yang memiliki

nilai atribut yang sama sudah sering di-rating dengan nilai baik oleh user sistem. Sedangkan

penggunaan tag-based adalah, karena bisa saja pengguna tidak menyukai image yang sama,

tetapi karena alasan yang berbeda. Sehingga diperlukan tag-based, agar hasil dari filtering

dapat lebih baik.

Sistem Rekomendasi Image menggunakan Tag-based Contextual Collaborative

Modelling

Pada sub bab ini, dijelaskan penerapan metode traditional CF dan tag-based CCF. Langkah-

langkah untuk mendapatkan score prediction seorang user akan diterangkan secara detail.

Setelah itu, kedua metode tersebut akan dibandingkan untuk menunjukkan bahwa tag-based

CCF dapat dengan baik menangani rekomendasi image.

Sistem Rekomendasi Image dengan Traditional Collaborative filtering

Pengertian umum

Pada bagian sebelumnya telah dijelaskan mengenai cara kerja metode traditional

collaborative filtering secara umum serta alasan dipilihnya metode collaborative filtering

pada pembangunan sistem rekomendasi image ini. Berdasarkan cara kerja dan alasan

tersebut, penulis memfokuskan untuk menggunakan teknik memory based pada metode

collaborative filtering yang telah dipilih sebelumnya. Memory based dipilih karena

kemampuan adaptasinya terhadap penambahan data baru dengan tingkat frekuensi tinggi.

Kekurangan teknik memory based dalam hal kebutuhan waktu dan kebutuhan memory

komputer yang besar dalam komputasi dapat dioptimasi dengan menggunakan teknik pre-

computation serta neighborhood sampling and selection. Selanjutnya penulis akan

menggunakan Traditional CF untuk menuliskan Traditional Collaborative filtering.

Alur kerja

Secara umum, metode memory based CF memiliki beberapa langkah dalam menghasilkan

sebuah rekomendasi. Langkah-langkah tersebut antara lain user similarity measurement,

neighborhood selection, dan prediction generation.

Agar lebih mudah dipahami, maka gambar 3.1 akan memberi gambaran tentang langkah-

langkah dalam menghasilkan rekomendasi image dengan metode traditional CF.

Gambar 3.1 Flowhchart Rekomendasi sistem menggunakan Traditional CF

Berikut adalah penjelasan dari setiap langkah-langkah pada gambar 3.1.

1. Check Neighborhood Model Dari User

Langkah pertama adalah dengan melakukan pengecekan terhadap informasi dari active user.

Harus diketahui apakah active user tersebut telah memiliki neighborhood model atau belum.

Hasil pengecekan akan menentukan proses selanjutnya yang akan dilalui.

2. Check Perubahan Rating User

Jika active user diketahui telah memiliki neighborhood model, maka selanjutnya akan

diperiksa apakah active user tersebut telah melakukan perubahan rating data yang dimiliki

sebelumnya. Jika perubahan rating data telah melebihi batas minimal untuk melakukan

update terhadap rekomendasi, maka langkah berikutnya akan dilanjutkan kepada proses

update rekomendasi.

3. Hitung User Similarity

Pada proses ini, sistem akan menghitung kemiripan seorang pengguna yang akan diberikan

rekomendasi (active user) dengan seluruh pengguna lain yang terdapat pada sistem. Dalam

menghitung kemiripan user, sistem menggunakan data-data rating yang diberikan oleh

pengguna terhadap sejumlah image. Rumus yang digunakan untuk menghitung kemiripan

pengguna adalah menggunakan Cosine Similarity.

4. Ciptakan Neighborhood Model User

Proses selanjutnya adalah dengan mengelompokkan user sistem menjadi dua kelompok.

Kelompok pertama adalah user yang memiliki kemiripan dengan active user, sedangkan

kelompok kedua adalah yang tidak memiliki kemiripan dengan active user. Secara umum

untuk memisahkan kelompok user adalah dengan menentukan batas minimal nilai kemiripan

bagi pengguna yang tergabung dalam neighborhood dari active user. Pada pembuatan sistem

rekomendasi film ini, batas awal yang digunakan adalah similarity yang bernilai positif.

Selanjutnya akan ditentukan jumlah maksimal neighborhood user dari seorang active user.

Proses tersebut dilakukan agar neighborhood user yang dihasilkan tidak telalu banyak

sehingga membuat proses selanjutnya tidak membutuhkan waktu dan memory yang

berlebihan. Setelah menyelesaikan tahapan ini, maka akan dihasilkan sebuah model user

yang disebut neighborhood model. Neighborhood model merupakan daftar neighbor dari

seorang user. Model akan menyimpan daftar user-user lain yang merupakan neighbor dari

user tersebut yang dihasilkan dari proses user similarity measurement dan neighborhood

selection.

5. Ciptakan User Prediction

Setelah mendapatkan user-user yang tergabung pada neighborhood, maka langkah terakhir

adalah dengan memprediksikan rating yang akan diberikan oleh active user tersebut

terhadap sejumlah image tertentu. Rumus yang akan kita gunakan adalah :

(, ) = {(, ) (, )}

=

(, )=

Setalah mendapatkan hasil score user A untuk semua resource yang belum di evaluasi oleh

user A, maka kita akan memilih score tertinggi yang akan digunakan untuk menciptakan

rekomendasi bagi user A tersebut.

6. Ciptakan Rekomendasi

Setalah mendapatkan user prediction, maka sistem akan menciptakan rekomendasi image

kepada seseorang. Image yang akan di rekomendasikan akan dibatasi jumlahnya. Dalam hal

ini, jumlah image makasismu yang akan di rekomendasi kan berjumlah 10 buah image.

Penggunaan Tag-based Contextual

Pada bagian ini, akan diterangkan penggunaan tag-based untuk memperbaiki traditional CF

diatas. Tag-based yang digunakan seorang active user, akan digunakan untuk mendapatkan

rekomendasi yang lebih baik.

Representasi Data

Data - data yang akan diolah pada metode Tag-based CCD di representasikan sebagai

matriks. Beberapa matriks yang akan mempresentasikan data pada metode ini adalah :

- Matriks dua dimensi untuk mempresentasikan hubungan antara semua user dan

resource yang ada.

Resources 1 2 n

U A 1 0 1

s B 1 1 0

e C 0 1 0

r . .

s m 1 0 1

Gambar 3.2 Matriks user terhadap resource

- Matriks dua dimensi kedua adalah matriks m n untuk melihat keterhubungan antara

user satu sama lain (user smiliraty). Matriks ini akan digunakan untuk mendapatkan

neigborhood model dari active user. Matriks tersebut dapat kita lihat seperti gambar

dibawah ini :

Users A B n

U A - 0.5 1

s B 0.1 - 0

e C 0 1 0

r . .

s n 1.42 0 -

Gambar 3.3 Matriks user similarity semua user

- Matriks dua dimensi dimana untuk tag vector seorang active user dengan user lain.

Tagging active user dan user lain pada res x

a b n

Tag

1 0.5 1

Vector 0.1 0.9 0

Gambar 3.4 Matriks tagging active seorang active user dan user lain

- Matriks satu dimensi contextual user similarity seorang active user. Matriks ini

didapatkan dari matriks m n dari semua hubungan antar user satu sama lain diatas.

Users A B n

A - 0.5 1

Gambar 3.5 Matrik contextual user similarity active user

- Matriks dua dimensi tag vector seorang user yang memiliki user similarity terbesar

terhadap seorang active user.

Tagging bersama active user dan user lain

a b n

Tag

1 0.5 1

Vector 0.1 0.9 0

1

2

Gambar 3.6 Matriks tagging active user dan user laing

- Matriks satu dimensi score prediction active user terhadap resource yang ditag user

lain yang memiliki user similarity tertinggi dengan active user.

Resource yang di tag user lain yang memiliki

user similarity terbesar terhadap active user

a b n

Active User

0.4 0.5 0.2

Gambar 3.7 Matriks score prediction active user

2.1.1 Alur Kerja

Langkah-langkah yang digunakan pada tag-based contextual collaborative filtering yang

selanjutnya akan penulis sebut sebagai tag-based CCF dapat kita lihat pada gambar 3.8

dibawah ini.

Gambar 3.8 Flow Chart Tag-based Contextual Collaborative filtering

Pada tag-based CCF ini, pada dasarnya mempunyai kemiripan seperti pada traditional CF.

Beberapa perbedaan yang ada adalah :

1. Ciptakan Tag-based Vector User dan Resource

Setelah menciptakan Neighborhood User Model, langkah yang selanjutnya tidak langsung

user prediction, namun terlebih dahulu menciptakan tag-based vector user yang mempunyai

similarity dengan user yang akan di prediksi dan resource yang akan di prediksi. Setalah kita

mendapatkan tag-based vector-nya, langkah selanjutnya adalah mendapatkan cosine

similarity dari tag-based vector tersebut dengan menggunakan rumus :

Keterangan :

, : nilai matriks ke i dari matriks user A dan B

Cos() : cosine similarity

i : indeks matriks user

n : panjang matriks pada user A atau B

2. Ciptakan User Prediction.

Pada langkah ini, kita tidak lagi menggunakan score prediction yang traditional. Tetapi kita

akan menggunakan rumus yang telah dirubah seperti dibawah ini :

(, )

=

{(, ) ( (( , ), , ( , )) + )}=

(, )=

(, ) : score prediction user A terhadap resource x

(, ) : cosine similarity user A terhadap user

( , ) : cosine similarity tag vector user terhadap resource m dan

resource x

k : indeks neighbor model user dari user A

n : jumlah user pada neihbourhood model user A

Berbeda dengan traditional CF, disini untuk mendapatkan score prediction seorang active

user, kita telah memperhitungkan tag-based contextual yang digunakan.

Penerapan metode dan algoritma

Sebagai contoh kasus, diketahui rating data user sistem terhadap image beserta tag-based

yang diberikan oleh user sebagai berikut :

Gambar 3.9 Model User dan Image besera tag-based

Fakta yang didapatkan pada contoh kasus diatas :

User

Resource Image

user memiliki resource

user menyukai resource user lain

xxx user memiliki resource dan memberi tagging

xxx user menyukai resource user lain dan memberi tagging

Keterangan gambar

1. User B memiliki satu resource dan menyukai resource 1 kepunyaan user A dan

memberikan tagging pemandangan, hutan, serta menyukai resource 3 kepunyaan user

C dan memberikan tagging cantik, indah, pakaian.

2. User D menyukai resource 3 kepunyaan user C, tetapi dengan konteks yang berbeda

dengan user C sebagai pemilik resource. User C menggunakan tag cantik, indah,

sedangkan user D menggunakan tagging jelek, kolot.

3. User F memiliki resource 6 yang mempunyai tag pemandangan, bukit. Tetapi hal ini

tidak ada korelasi karena resource yang di tag berbeda.

4. User E menyukai resource 6 kepunyaan user F, tetapi tidak memberikan tagging apapun

pada resource tersebut.

5. User G meng-upload resource 7 tanpa memberikan tagging apapun.

Misalkan kita mempunyai active user C saat ini. Maka kita akan merekomendasikan memilih

resource 1, 2, 4, 5, 6, 7 kepada user C. Resource 3 tidak diberikan rekomendasi kepadanya

karena resource 3 dimiliki oleh user 3 sendiri.

Dari kasus diatas, kita dapatkan tabel rating traditional secara keseluruhan seperti dibawah

ini :

1 2 3 4 5 6 7

A 1 - - - - - -

B 1 1 1 - - - -

C - - 1 - - - -

D - - 1 1 - - -

E - - - - 1 1 -

F - - - - - 1 -

G - - - - - - 2

Tabel 3.1 Rating Traditional

Langkah pertama yang akan dilakukan, baik oleh traditioanal CF maupun tag-based

contextual CF adalah menentukan neighborhood model dari active user yang dalam hal ini

user C. Proses selanjutnya adalah dengan mengelompokkan penguna sistem menjadi dua

kelompok. Kelompok pertama adalah pengguna yang memiliki kemiripan dengan active

user, sedangkan kelompok kedua adalah yang tidak memiliki kemiripan dengan active user.

Secara umum, untuk memisahkan kelompok pengguna adalah dengan menentukan batas

minimal nilai kemiripan bagi pengguna yang tergabung dalam neighborhood dari active

user. Pada pembuatan sistem rekomendasi image ini, batas awal yang digunakan adalah

similarity yang bernilai lebih besar dari 0. Selanjutnya akan ditentukan jumlah maksimal

neighborhood user dari active user. Proses tersebut dilakukan agar neighborhood user yang

dihasilkan tidak telalu banyak sehingga membuat proses selanjutnya tidak membutuhkan

waktu dan memory yang berlebihan. Setelah menyelesaikan tahapan ini, maka akan

dihasilkan sebuah model pengguna yang disebut neighborhood model. Neighborhood model

merupakan daftar neighbor dari seorang pengguna. Model akan menyimpan daftar penguna-

pengguna lain yang merupakan neighbor dari pengguna tersebut yang dihasilkan dari proses

user similarity measurement.

Dari contoh kasus diatas, apabila kita melakukan cosine user similarity pada semua user,

akan didapatkan data seperti tabel dibawah ini :

Cara menentukan neighborhood model user C adalah :

1. Menentukan tetangga user C yang memiliki kesamaan terhadap resource yang sama-

sama disukai. Dalam hal ini, user B dan D akan terpilih karena user C dan user B

menyukai resource 3, demikian juga, user C dan D yang menyukai resource 3 juga.

2. Mencari user tetangga dari user B dan D. Dari user B, kita akan mendapatkan user A,

dikarenakan user A dan B, sama-sama menyukai resource 1. Sedangkan dari user D, kita

tidak mendapatkan user tetangga lain.

3. Dari langkah diatas, kita mendapatkan tetangga dari user C adalah user A, B, D.

Sedangkan user E, F, G tidak masuk kedalam neighborhood model dari user active C.

Dari langkah diatas maka kita akan mendapatkan neighborhood model dari user active C

seperti yang terlihat pada tabel dibawah ini :

A B C D E F G

A - 0.58 0 0 0 0 0

B 0.58 - 0.58 0.41 0 0 0

C 0 0.58 - 0.71 0 0 0

D 0 0.41 0.71 - 0 0 0

E 0 0 0 0 - 0.71 0

F 0 0 0 0 0.71 - 0

G 0 0 0 0 0 0 -

Tabel 3.2 Neighborhood Model User Active C

Dari langkah diatas maka akan didapatkan neighborhood model dari user active C adalah

seperti ditabel dibawah ini :

1 2 3 4

B 1 1 1 -

C - - 1 -

D - - 1 1

Tabel 3.3 CF Rating Traditional

Untuk perhitungan selanjutnya menggunakan kedua algoritama yang ada, kita hanya akan

menggunakan model diatas. Hal ini dilakukan, agar hasil rekomendasi didapatkan dengan

lebih cepat.

Pendekatan Traditional Collaborative Filtering

Langkah pertama yang akan kita lakukan adalah mendapatkan user similarity score setiap

user. Disini kita menggunakan cosine similarity menggunakan rumus di bawah ini :

Keterangan :

, : nilai matriks ke i dari matriks user A dan B

Cos() : cosine similarity

i : indeks matriks user

n : panjang matriks pada user A atau B

Sebagai contohnya kita akan mencari user similarity dari user A dan B. Kalkulasi yang kita

lakukan adalah :

1. Dot Product user C (-,-,1,-) dan B (1,1,1,-) yaitu (0*1) + (0*1) + (1*1) + (0*0) = 1

2. Magnitude user C = + + + = 1

3. Magnitude user B = + + + = 1.73

4. Product dari magnitude C dan B = 1 * 1.73 = 1.73

5. Pembagian dari Dot Product C dan B di bagi Product dari Magnitude B dan C = 1/1.73

= 0.58

Dari perhitungan diatas, maka user similarity user C dan B adalah 0.58. Dengan cara yang

sama, kita akan mendapatkan user similarity dari semua user seperti pada tabel dibawah ini

:

A B C D

B 0.58 - 0.58 0.41

C 0 0.58 - 0.71

D - 0.41 0.71 -

Tabel 3.4 CF User Similarity Score Traditional

Ketika user similarity telah dikalkulasi, maka kita akan mencari score prediction user C

untuk resource x yang belum di evaluasi menggunakan rumus umum dibawah ini :

(, ) = {(, ) (, )}

=

(, )=

Kita ambil contoh, untuk data rating yang tersedia pada tabel 3.1, kalkulasi user score

prediction B untuk resource 4 akan seperti langkah dibawah ini :

(, ) = {(, ) (, )}

=

(, )=

1. Menghitung jumlah perkalian semua similarity sim(B,) * score(, ) untuk semua

user lainnya.

a. Sim(B,C) * score(C,4) = 0.58 * 0 = 0

b. Sim(B,D) * score(D,4) = 0.41 * 1 = 0.41

Penjumlahan dari semua user adalah 0 + 0 + 0.41 = 0.41

2. Menghitung total similarity user B terhadap semua user lainnya yaitu Sim(B,C) +

Sim(B,D) = 0.58 + 0.41 = 0.99

3. Pembagian dari kalkulasi langkah pertama dan kedua. Sehingga kita mendapatkan

score(B,4) = 0.41 / 0.99 = 0.41

Dari langkah diatas kita mendapatkan score prediction user B terhadap resource 4 adalah

0.41. Dengan langkah yang sama, score prediction semua user untuk semua resource yang

belum mereka evaluasi pada traditional CF adalah :

1 2 3 4

B - - - 0.41

C 0.45 0.45 - 0.55

D 0.37 0.37 - -

Tabel 3.5 Score Prediciton untuk Semua User

Dari tabel diatas kita akan mendapatkan score prediction terhadap active user C seperti tabel

dibawah ini :

1 2 4

C 0.45 0.45 0.55

Tabel 3.6 Hasil Score Prediction User C

Dari tabel diatas, apabila kita akan merekomendasikan User C suatu resource, dan kita

membatasi hanya boleh 1 resource yang di rekomendasikan, maka User C, akan di

rekomendasikan resource 4, karena score prediction tertinggi untuk user C adalah resource

4.

User prediction ini untuk active user C ini masih kurang baik, karena traditional CF belum

memperhitungkan tag-based contextual-nya. Memang terdapat kedekatan antara user C dan

user D yang sama-sama menyukai resource 3. Tetapi kita harus melihat bahwa sebagai

pemilik resource 3, user C menggunakan tag cantik, indah yang berbeda jauh dengan user

D yang menggunakan tag jelek, kolot. Kedua user menyukai resource tersebut, namun

dengan konteks yang berbeda. Karena alasan tersebut, traditional CF akan diperbaiki

menggunakan tag-based contextual CF yang memperhitungkan konteks yang ada

berdasarkan tagging image.

Pendekatan Tag-Based Contextual Collaborative Filtering

Pada model ini, user similarity yang di gunakan tidak menggunakan cosine similarity lagi,

namun telah dirubah menggunakan fungsi persamaan dibawah ini :

(, ) =

{(, ) + }

=

Keterangan :

(, ) : similarity contextual CF user A dan B

n : jumlah resource ditag bersama user A dan B

(, ) : cosine similarity tag vector user A dan B terhadap resource k

Misalkan kita akan mencari user similarity dari user B dan C. Karena user B dan C, hanya

melakukan tagging pada resource 3 secara bersama-sama, maka tag-based vector user B dan

C pada resource 3 akan terlihat seperti tabel dibawah ini :

cantik indah pakaian

1 1 1

1 1 0

Tabel 3.7 Tag-based Vector User B dan C pada Resource 3

Untuk mendapatkan user similarity yang baru sesuai dengan rumus yang telah di perbaharui

tersebut, kita menggunakan langkah-langkah sebagai berikut :

1. Mendapatkan cosine similarity dari kedua tag-based vector diatas. Dari hasil

perhitungan kita akan mendapatkan similarity kedua tag-based vector tersebut adalah

0.5.

2. Dari hasil itu menggunakan rumus diatas

(, ) =

{(, ) + }

=

kita mendapatkan (, ) = * (0.5+1 ) = *1.5 = 0.75

Dengan cara yang sama seperti diatas, kita mendapatkan Contextual CF User Similarity

Score untuk semua user seperti yang terlihat pada tabel di bawah ini :

A B C D

A - 0.75 0 0

B 0.75 - 0.91 0.5

C 0 0.91 - 0.5

D 0 0.5 0.5 -

Tabel 3.8 Contextual CF User Similarity Score

Namun, kelemahan dari model ini masih ada. Dalam sistem ini, hanya ada pilihan untuk suka

atau tidak. Dengan demikian, sebagian besar user hanya akan tag-based resource jika dan

hanya jika mereka menyukai resource tersebut. Namun, kurangnya tag-based tidak selalu

berarti tidak suka, tetapi mungkin saja mereka tidak evaluasi resource tersebut. Mengingat

hal ini, model ini hanya tergantung pada resource yang umumnya di tag-based, ini dapat

menjadi masalah ketika image di tag-based atau disuka sedikit. Masalah ini umum untuk

sistem berbasis CF lain juga. Selanjutnya kita akan melakukan kalkulasi score prediction

menggunakan rumus :

(, ) =

{(, ) ( ((, ), , (, )) + )}=

(, )=

Keterangan :

(, ) : score prediction user A terhadap resource x

(, ) : cosine similarity user A terhadap user

( , ) : cosine similarity tag vector user terhadap resource m dan

resource x

k : indeks neighbor model user dari user A

n : jumlah user pada neighborhood model user A

Misalnya, kita ingin melakukan prediksi score user C untuk resource 2, dimana resource 2

tersebut belum di tag-based oleh user C. Langkah- langkanh yang akan kita lakukan adalah

:

1. Menggunakan CCF User Similarity pada tabel 3.4 , kita menentukan user lain yang

mempunyai user similarity yang tinggi dengan user C. Disini kita mendapatkan user

B karena user similarity user B dan C adalah 0.91.

2. Menentukan resource yang di tag-based bersama oleh kedua user. Kemudian

melakukan cosine similarity resource yang di tag-based terhadapat resource 2. Apabila

terdapat lebih dari satu, maka similarity tertinggilah yang akan digunakan untuk score

prediction. Disini user B dan C , sama-sama melakukan tag-basedging pada resource

3.

Jadi, tag-based vector B untuk resource 2 dan 3 seperti yang terdapat pada tabel dibawah ini

:

cantik indah pakaian bunga

1 1 1 0

1 0 0 1

Tabel 3.9 Tag-based Vector Resource 3 dan 2 Terhadap user B

Menggunakan cosine similarity kita mendapatkan sim(, ) = 0.41.

3. Langkah selanjutnya adalah mencari score prediction user C terhadap resource 2.

Menggunakan rumus diatas, kita mendapatkan

(, ) =

{(, ) (((, )) + )}=

= (, )

=

{.(.+)}

. = 0.71

Sehingga kita mendapatkan score prediksi user C untuk resource dua dalah 0.71. Dengan

cara yang sama kita mendapatkan score(C,1) = 0.5 .

Hasil score prediksi untuk traditional CF dan tag-based CCF user C pada resource 1 dan 2

seperti pada tabel di bawah ini :

Resource 1 Resource 2

Tradisioanl CF 0.45 0.45

Tag-based CCF 0.5 0.71

Tabel 3.10 Perbandingan Hasil Traditional CF dan Tag-basedCCF

Pada hasil score prediction diatas, kita dapat melihat bahwa Traditional CF memberikan

score yang sama kepada User C. Padahal dari segi tag-based, user B melakukan tag-based

pemandangan dan hutan, yang benar-benar berbeda dibandingkan dengan tag-based yang

pernah digunakan user C yaitu cantik dan indah. Sedangkan pada tag-based CCF, hal ini

telah diperbaiki dengan membuat resource 2 sebagai resource yang paling

direkomendasikan kepada user C karena terdapat kesamaan antar tag-based yang digunakan

oleh user C, dan tag-based yang digunakan oleh user B pada resource 2.

Perancangan Sistem

Pada bagian ini akan dijelaskan tentang perancangan sistem dari sistem rekomendasi

film yang akan dibangun. Perancangan meliputi ER diagram, use case diagram dan class

diagram.

3.4.1 ER Diagram

Basis data yang digunakan secara umum terdiri dari dua entitas utama yaitu pengguna dan

image yang dihubungkan dengan dua relasi yaitu tagging dan like. Relasi Pengguna dan

Image bersifat many to many yang menjadikan Tagging dan Like akan menjadi sebuah table

pada database dengan idImage dan username merupakan foreign key, dan secara bersama-

sama bertindak sebagai primary key untuk table Tagging dan Like tersebut.

Gambar 13.10 ERD Diagram Sistem

3.4.2 Use Case Diagram

Gambar 3.11 akan menerangkan tentang fungsionalitas-fungsionalitas yang terdapat

pada sistem rekomendasi film yang akan dibangun. Pada sistem ini, user yang adalah satu

jenis yaitu pengguna yang telah mendaftarkan dirinya pada sistem, sehingga dapat

menggunakan fungsi-fungsi yang terdapat pada sistem, termasuk fungsi rekomendasi.

Gambar 3.11 Usecase Diagram

Penjelasan Use Case Diagram diatas adalah :

1. Add Image, adalah fungsionalitas bagi pengguna untuk dapat menambahkan image

yang dipunyainya pada system.

2. Like Image, adalah fungsionalitas untuk memberi tanda suka pada image orang lain

di system.

3. Tagging Image adalah fungsionalitas untuk melakukan tagging pada image. Tagging

yang dilakukan dapat lebih dari satu pada sebuah image.

4. View Images, adalah fungsionalitas untuk melihat images milik sendiri dan milik

orang lain pada system.

5. Get Collaborative Recommendation, adalah Fungsionalitas untuk mendapatkan

rekomendasi berdasarkan tradisional CF oleh system.

6. Get Tag-Based Collaorative Recommendation, adalah fungsionalitas untuk

mendapatkan rekomendasi yang dihasilkan tag-based collaborative filtering.

Class Diagram

Pada Class Diagram ini, penulis akan membagi kedalam 3 kategori, yaitu Model,

View Dan Controller sehingga didapatkan penjelasan yang lebih mengenai system

rekomendasi tersebut.

Model

Gambar dibawah ini, akan mendetailkan model yang terdapat pada system.

Gambar 3.12.1 Class Diagram Model Dan Persistance Sistem

Gambar 3.12.2 Class Diagram Model Dan Persistance Sistem

Terdapat 2 entitas pada system, yaitu entitas pengguna dan myImage. Properti pada

Pengguna adalaha imagePengguna yang bertipe bufferedImage untuk menyimpan profil

picture untuk pengguna tersebut, dan property lainnya seperti nama, username dan password

yang bertipe String. Sedangkan kelas myImage, property seperti bufImage yang bertipe

BufferedImage, pemilikImage, deskripsi dan nama image yang berupa String, list kumpulan

user yang menyukai dan mentag image tersebut, serta sebuah property tagOrangLain bertipe

HashMap yang merupakan tagging user lain terhadap image tersebut. Kelas

KontrollerDatabase merupakan kelas static yang melakukan proses persistence pada system.

Kelas tersebut bertanggung jawab pada transaksi system ke system database yang dalam hal

ini, adalah MySql.

4.3.3.2 View

Kelas dibawah ini, adalah kelas yang bertanggung jawab untuk menampilkan data

menggunkan model yang ada dan perintah dari kelas-kelas controller.

Gambar 3.13 View Pada Sistem Rekomendasi

Controller

Pada kelas-kelas dibwah ini, adalah kelas yang akan melakukan perubahan pada view sistem.

Fungsionalitas Get Collaborative dan Get Tag-Based Collaborative Filtering dilakukan pada

kelas tersebut.

IMPLEMENTASI DAN CARA

KERJA SISTEM

Bab ini menjelaskan mengenai implementasi dan pengujian pada aplikasi

sistem rekomendasi yang dibangun dengan metode collaborative filtering

dan tag-based collaborative filtering dan disertai dengan analisis hasil

pengujian yang telah didapatkan.

Lingkungan Pengembangan

Bagian ini menjelaskan spesifikasi perangkat keras yang digunakan dan

perangkat lunak yang dipakai dalam membangun dan mengembangkan

aplikasi sistem rekomendasi.

Lingkungan Perangkat Keras

Spesifikasi perangkat keras yang digunakan dalam pengembangan

aplikasi dan situs ini adalah sebagai berikut:

1. Processor Core i7 2.4 GHz

2. Memory 8 GB

3. Hard Disk 256 GB

Lingkungan Perangkat Lunak

Pengembangan aplikasi ini membutuhkan beberapa perangkat lunak,

diantaranya adalah sebagai berikut:

1. Sistem Operasi Mac OSX 10.9.3 Mavericks

2. NetBeans IDE 8.0

3. Java Development Kit 8.0u5

4. Java Runtime Environment 8.0u5

5. MySQL Server 5.1

Implementasi Model

Pada tahapan implementasi sistem rekomendasi gambar terdapat

beberapa model utama yang diimplementasikan. Model-model tersebut

digunakan dalam proses pengolahan serta penyajian data-data pada proses

yang akan menghasilkan sebuah rekomendasi. Berikut ini adalah

penjelasan dari model-model tersebut.

1. User Model

Atribut Tipe Data Fungsi

username String variabel untuk nama active

user

namaUser String Variabel nama aktif user

password String variabel password user

imagePengguna BufferedImage variable berisi image aktif user

Ketika seorang user melakukan login dengan benar dengan memasukkan

username dan password yang telah teregistrasi pada database, makan

model ini akan diciptakan, sehingga detail pengguna dapat ditampilkan

pada halaman utama user tersebut.

2. Image Model

Atribut Tipe Data Fungsi

idImage Int variabel untuk nama id

Image

pemilikImage String Variabel u s e r n a m e p e m i l i k aktif user

namaImage String variabel nama Image

deskripsiImage String variable berisi deskripsi image

tagImagePemilik List Variable berisi tag Pemilik akan image yang image tersebut

tagOrangLain HashMap>

Variable berisi tag dari user lain terhadap image tersebut

likeUsers List Variabel berisi list username user lain yang menyukai image tersebut.

Pada model image tersebut, akan terdapat semua data tentang image yang

didapat dari database server.

Ketika seorang user aktif, kedua model itu akan di load. Sedangkan untuk

mencari rekomendasi kepada user tersebut, akan di ekstrak data user dan

image kedalam matrik korelasi antara keduanya..

Implementasi Aplikasi

Implementasi aplikasi sistem rekomendasi image dilakukan dengan cara

membangun sebuah situs untuk para penggemar gambar. Aplikasi ini

memiliki fasilitas sistem rekomendasi image yang menggunakan

metode collaborative filtering dan Tag based). Berikut adalah tampilan dan

penjelasan halaman- halaman pada aplikasi sistem rekomendasi ini.

4.3.1 Home (sebelum user melakukan proses

login)

Saat pengguna membuka situs untuk pertama kalinya maka sistem

akan menampilkan halaman utama atau home. Halaman Home dapat

dilihat pada gambar 4.6.

gambar 4.6 Halaman Home (sebelum login)

Berikut ini adalah penjelasan dari bagian-bagian yang terdapat pada gambar

4.6 :

1. Login, bagian ini berfungsi bagi pengguna untuk masuk dan

menggunakan fungsi sistem secara keseluruhan. Pengguna harus

mengisi username dan password terlebih dahulu untuk masuk ke

halaman profile pengguna

2. Registration, bagian ini berfungsi bagi pengguna yang belum

terdaftar pada aplikasi system rekomendasi ini dengan cara melakukan

registrasi terlebih dahulu.

Home (setelah user melakukan proses login)

Setelah pengguna melakukan proses login dan masuk kedalam sistem, maka

halaman utama akan mengalami perubahan. Halaman My Profile setelah login

terlihat pada gambar 4.7.

Gambar 4.7 Halaman Profile Pengguna

Berikut ini adalah penjelasan dari bagian-bagian yang terdapat pada gambar 4.7 :

1. Tab Main menu, pada bagian ini menampilkan menu-menu utama bagi

pengguna dalam menggunakan aplikasi ini.

2. Collaborative Filtering, bagian ini menampilkan hasil gambar-gambar yang

direkomendasikan dengan menggunakan metode Colllaborative Filtering. Pada

tampilan gambar yang direkomendasikan, pengguna dapat memperbesar gambar

tersebut untuk dapat melihat detail deskripsi gambar.

3. Tag-Based Contextual Collaborative Filtering, pada bagian ini menampilkan

hasil gambar-gambar yang direkomendasikan dengan menggunakan metode

Tag-Based contextual Collaborative filtering. Pada tampilan gambar yang

direkomendasikan, pengguna dapat memperbesar gambar tersebut untuk dapat

melihat detail deskripsi gambar.

4. Add Image, pada bagian ini memberikan fasilitas bagi pengguna untuk dapat

menambahkan gambar kedalam view image milik pengguna. Untuk tampilannya

dapat dilihat pada gambar berikut ini.

Gambar 4.8 tampilan add image

5. Log Out, pada bagian ini memberikan fasilitas bagi pengguna untuk keluar dari

akun aplikasi sistem rekomendasi.

View Analisa Rekomendasi

Halaman ini berfungsi untuk menampilkan hasil perbandingan menggunakan metode

Collaborative Filtering dan metode Tag-Based Contextual Collaborative Filtering.

Halaman analisa rekomendasi dapat dilihat pada gambar 4.9

Gambar 4.9 Tampilan Analisa Rekomendasi

Gambar 4.10 Tampilan Analisa Rekomendasi Collaborative Filtering

Pada gambar 4.10 ditampilkan nama, deskripsi, dan jumlah gambar yang dimiliki oleh

pengguna yang sedang aktif. Terdapat juga jumlah user lain dan deskripsi masing-

masing gambar yang dimiliki oleh user lain.

Gambar 4.11 Tampilan hasil perhitungan menggunakan metode Collaborative Filtering

Gambar 4.11 menampilkan tahap-tahap pencarian untuk menemukan hasil gambar

yang akan direkomendasikan dengan menggunakan metode Collaborative Filtering.

1. Matriks Tradisional Semua User

Bagian baris menujukan berapa banyak user yang menggunakan aplikasi ini,

bagian kolom menunjukan semua gambar yang dimiliki oleh user. Nilai yang

terdapat pada data tersebut adalah untuk menjukkan apakah user tersebut

memiliki hubungan dengan gambar atau tidak. Untuk nilai 1, dapat diartikan

bahwa user tersebut memiliki hubungan (sebagai pemilik atau menyukai)

terhadap gambar tersebut, dan nilai 0 diartikan bahwa user tersebut tidak

memiliki hubungan (sebagai pemilik atau menyukai) terhadap gambar tersebut.

2. User similarity semua user

Menunjukan nilai kedekatan antar setiap user apakah user tersebut sama-sama

memiliki atau menyukai gambar yang sama. Rumus yang digunakan pada

perhitungan ini adalah rumus Cosine Similarity.

3. Matriks Tradisional User Aktif

Menujukan user mana saja yang memiliki kesamaan dengan user yang sedang

login (Neighboorhood model)

4. Matriks User Similarity User Aktif

Sama seperti User similarity semua user akan tetapi hanya khusus user yang

sedang login.

5. Matriks Score Prediction

Menampilkan hasil perhitungan score prediction dari resource terhadap user

yang aktif.

Gambar 4.12 Tampilan analisa rekomendasi metode Tag-Based Contextual Collaborative Filtering

Gambar 4.13 Tampilan hasil pencarian Score Prediction menggunakan metode Tag-Based Contextual

Collaborative Filtering

1. Matriks Tradisional Semua User

Bagian baris menujukan berapa banyak user yang menggunakan aplikasi ini,

bagian kolom menunjukan semua gambar yang dimiliki oleh user. Bagian ini

dihitung berdasarkan apakah user tersebut di tag ke gambar tertentu.

2. User similarity semua user

Menunjukan nilai kedekatan antar setiap user apakah user ditag ke gambar yang

sama. Rumus yang digunakan pada perhitungan ini adalah rumus Cosine

Similarity.

3. Matriks Tradisional User Aktif

Menujukan user mana saja yang memiliki kesamaan dengan user yang sedang

login (Neighboorhood model)

4. Matriks User Similarity User Aktif

Sama seperti User similarity semua user akan tetapi hanya khusus user yang

sedang login.

5. Matriks Score Prediction

Menampilkan hasil perhitungan score prediction dari resource terhadap user yang

aktif berdasarkan Tag-Based Contextual Collaborative Filltering.

Gambar 4.14 Tampilan View Images

Berikut ini merupakan penjelasan dari bagian-bagian yang terdapat pada tampilan view

images:

1. Pada bagian ini menampilkan kumpulan gambar yang dimiliki oleh pengguna

yang sedang aktif.

2. Pada bagian ini menampilkan kumpulan gambar yang dimiliki oleh pengguna

lain

Pengujian Hasil Rekomendasi

Pada bagian ini akan diberikan hasil pengujian terhadap pengguna baru dan pengguna

lama.

Pengujian untuk Pengguna baru (New User)

1. Membuat user baru pada aplikasi, pada pengujian ini pengguna mendaftarkan

user h. Pendaftaran tampak pada gambar berikut :

gambar 4.4.1.1

3. Pada Saat pertama kali login User, user aktif tidak memiliki rekomendasi gambar.

Ini dikarenakan user aktif belum memiliki gambar dan belum pernah menyukai

gambar milik user lain.

4. Untuk Menambahkan Image pada aplikasi, pilih add image. Setelah itu akan

muncul tampilan seperti gambar di bawah ini :

5. Untuk memulai proses rekomendasi, pilih view images, pilih gambar 1, setelah

itu klik like

6. Setelah me-like gambar maka hasil rekomendasi akan muncul pada bagian my

profile dan analisa rekomendasi

7. Untuk mendapatkan nilai rekomendasi berdasarkan Tag, pilih gambar satu lalu

pilih tag dan isikan nama tag yang diinginkan pada pengujian menggunakan tag

cantik

8. Hasil Prediksi akan muncul pada tab my Profile dan Analisa rekomendasi, seperti

gambar di bawah ini :

Pengujian untuk pengguna lama

Pengujian untuk pengguna lama, rekomendasi akan langsung diberikan ketika user

melakukan login, rekomendasi gambar akan langsung muncul pada tab my profile

berdasarkan data yang sudah ada sebelumnya.

Kesimpulan

Kesimpulan yang dapat diambil dari pembuatan situs dengan sistem

rekomendasi film ini adalah:

1. Nilai user similarity pada metode collaborative filtering

dapat menggambarkan kemiripan antar pengguna sistem. Namun

tingkat kepercayaan terhadap nilai tersebut akan berbanding lurus

dengan jumlah like yang beririsan.

2. Terdapat perbedaan tingkat performansi dari masing-masing

metode dalam menghasilkan rekomendasi terhadap pengguna baru

dan pengguna lama. Metode collaborative filtering memiliki tingkat

performansi yang masih kurang baik untuk pengguna baru, namun

seiring bertambahnya rating data seorang pengguna, performansi

dari metode collaborative filtering semakin baik. Peningkatan

performansi metode collaborative filtering dapat terlihat pada

hasil rekomendasi untuk pengguna lama. Metode content based

filtering sudah mampu menghasilkan rekomendasi image dengan

hasil yang cukup baik, untuk pengguna baru maupun pengguna

lama.

3. Pada metode tag based based filtering, tag menjadi faktor yang

dominan dalam penentuan image yang akan direkomendasikan. Tag

yang semakin bervariasi akan mempengaruhi hasil dari rekomendasi

tersebut.

4.

Saran

Hal-hal berikut dapat dijadikan masukkan untuk pengembangan lebih

lanjut di kemudian hari:

1. Teknik-teknik lain dari metode collaborative filtering seperti

teknik model-based dan hybrid perlu dicoba untuk digunakan.

Penggunaan teknik lain mungkin akan menghasilkan performansi

yang lebih baik untuk metode collaborative filtering.

2. Penggunakan rating dengan skala dilakukan sehingga bukan hanya

tergantung pada nilai suka atau tidak suka saja, tetapi skala suka dan

tidak suka pun dapat lebih bervariasi sehingga menghasilkan nilai

yang lebih baik.

2. Penggunaan teknik hybrid yang menggabungkan collaborative

filtering dan tag-based contextual collaborative layak untuk

dilakukan untuk mendapatkan hasil yang lebih baik.

3. Dapat ditemukan dan digunakan teknik-teknik lain untuk

mengukur akurasi sistem rekomendasi, agar nilai nilai akurasi

akurat

61