MAKALAH

SYSTEM RECOMMENDER MOVIE

Oleh :
Agung Sulistyo (14.01.53.0037)
Indra Dwi Hariyanto (14.01.53.0049)
Tidy Yuniardy Siregar (14.01.53.0003)

FAKULTAS TEKNOLOGI INFORMASI

UNIVERSITAS STIKUBANK (UNISBANK)
SEMARANG
2018
 BAB I
PENDAHULUAN

1.1 LATAR BELAKANG

Peningkatan jumlah dokumen ilmiah yang ada menimbulkan kebutuhan

akan suatu sistem yang dapat memberikan rekomendasi dokumen ilmiah
yang baik. Recommendation system merupakan model aplikasi yang
dibangun dari hasil pengamatan terhadap keadaan dan keinginan
pengguna. Sistem ini memanfaatkan opini pengguna terhadap suatu item
dalam domain atau kategori tertentu. Karena itu sistem ini memerlukan
model rekomendasi yang tepat agar apa yang direkomendasikan sesuai
dengan keinginan pengguna, serta mempermudah pengguna mengambil
keputusan yang tepat (McGinty dan Smyth, 2006).

Recommendation system atau disebut pula recommender system mulai

diperhatikan sejak kemunculan penelitian tentang collaborative filtering
pada pertengahan 90‟an (Goldberg, dkk., 1992), (Resnick, dkk., 1994).
Selama dekade terakhir ini, recommendation system telah banyak
diterapkan dengan berbagai pendekatan baru, baik oleh dunia industri
maupun akademis. Pada dunia industri, recommendation system sangat
diperlukan terutama pada e-commerce web sites. Ini ditunjukkan dengan
penggunaan recommendation system pada sebagian besar e-commerce
web sites yang dimiliki oleh industri. Selain membantu pengguna dalam
mencari item yang diinginkan, recommendation system juga dapat
meningkatkan penjualan, ketertarikan maupun loyalitas pengguna
terhadap suatu item dan juga perusahaan (Godfrey, 2007). Amazone.com
merupakan contoh industri yang menerapkan sistem rekomendasi dalam
e-commerce web sites mereka (Linden, dkk., 2003). Penerapan
recommendation system berbasis collaborative filtering juga diterapkan
pada jejaring sosial seperti Facebook, MySpace, dan LinkedIn (Ricci,
dkk., 2011)
 Berbagai metode pendekatan telah diterapkan dan dikembangkan dalam
implementasi recommendation system. Berdasarkan object filtering,
metode tersebut dapat dikelompokkan ke dalam 3 jenis umum, yaitu
metode collaborative filtering, content-based filtering, dan hybrid
filtering (Hsieh, dkk., 2004). Metode yang banyak digunakan adalah
collaborative filtering dan content-based filtering. Masing-masing
metode tersebut memiliki sejumlah kelebihan. Umpan balik yang
digunakan pada metode collaborative filtering mengakibatkan sistem
dapat memprediksi keinginan pengguna. Sedangkan metode content-
based filtering menggunakan konten dari item sehingga dapat
memberikan rekomendasi tanpa adanya umpan balik dari pengguna.

1.2 RUMUSAN MASALAH

Berdasarkan uraian pada latar belakang dapat dirumuskan
permasalahannya yaitu bagaimana menganalisis dan mengklasifikasi
rating film berdasarkan data – data rekomendasi yang sudah ada
sebelumnya.
 BAB II
TINJAUAN PUSTAKA

2.1 KAJIAN DEDUKTIF

2.1.1 Information Rerieval
Information Retrieval (IR) sering sekali dikaitkan dengan pencarian
data, merupakan teknologi yang mencakup crawling, processing dan
indexing konten, serta querying untuk konten. Crawling adalah
tindakan mengakses web server dan file system untuk mendapatkan
informasi. Dengan mengikuti link yang ada, pengguna dapat
melintasi hirarki konten web berdasarkan sebuah URL (Uniform
Resource Locator). Pada tahapan processing memungkinkan
pengguna untuk melakukan penambahan, menghapus, dan mengubah
informasi menjadi sebuah dokumen, seperti menambah informasi
meta baru untuk laguange processing atau menggali informasi tentang
bahasa yang tertulis pada dokumen tersebut. Indexing sendiri
merupakan proses untuk memeriksa konten yang telah diperiksa pada
tahap processing dan membuat sebuah struktur data yang dicari,
disebut dengan index, dimana index berisi tentang referensi konten.
Querying adalah tahapan untuk melakukan request informasi. IR
memperbolehkan pengguna untuk menulis query dalam bentuk
keyword yang menggambarkan informasi yang dibutuhkan oleh
pengguna. Disini pengguna dapat berinteraksi dengan query interface,
lalu sebuah query-processor akan menggunakan index untuk mencari
referensi informasi berdasarkan keyword dan kemudian menampilkan
referensi yang ada. Tujuannya adalah untuk menganalisa dan
mengidentifikasi tujuan dari penggunaan query dan memberikan hasil
yang paling relevan.
Penyaringan informasi pada sistem IR dilakukan dengan memberikan
akses bagi pengguna untuk menentukan informasi apa yang
dibutuhkan dengan menulis secara manual keyword yang
 menggambarkan informasi yang ingin dicari. IR cukup sukses untuk
mendukung pengguna yang tahu bagaimana menjelaskan dengan
tepat apa yang mereka cari dengan cara yang kompatibel dengan
mendeskripsi konten yang diciptakan selama indexing (Mortensen,
Magnus. 2007).
2.1.2 Information Filtering

Information Filtering (IF) berfokus pada penyaringan informasi

berdasarkan profil dari user. Profil user dapat dibentuk dengan
membiarkan pengguna menentukan dan menggabungkan minat
secara eksplisit, atau dengan membiarkan sistem implisit memonitor
prilaku pengguna. Keuntungan IF adalah kemampuannya beradaptasi
dengan minat jangka panjang dari pengguna. Sistem ini dibangun atas
gagasan untuk memiliki sistem yang mampu memberikan panduan
kepada pengguna untuk memilih sesuatu informasi yang bersifat
personal atau sesuai dengan selera pengguna. Sistem yang
merealisasikan ide ini disebut dengan recommender system
Mortensen, Magnus. 2007).

2.2 KAJIAN INDUKTIF

2.2.1 Recommender System
Recommender System merupakan sebuah aplikasi information
filtering untuk mencari dan memberikan rekomendasi item berupa
informasi, produk, atau layanan kepada user berdasarkan prediksi
yang bersifat personal (Sarwar, Badrul. 2001). Pengembangan
recommender system oleh berbagai online vendor merupakan
langkah untuk menarik lebih banyak perhatian pengguna dan
meningkatkan kepuasan pengguna terhadap hasil pencarian informasi
secara online. Pada e-commerce misalnya, dimana sistem
rekomendasi digunakan secara luas untuk menyarankan produk
kepada pelanggan dan untuk menyediakan pelanggan dengan
informasi sehingga membantu pelanggan memutuskan pilihan
produk yang akan dibeli (Mortensen, Magnus. 2007). Hal ini menjadi
sangat penting bagi keberhasilan industri di bidang teknologi
informasi dan e-commerce saat ini yang secara bertahap
mendatangkan keuntungan dari segi popularitas di berbagai aplikasi,
misalnya proyek Netflix, Google news, dan Amazon.
Sistem rekomendasi dibangun dengan tujuan membantu user untuk
memilih item-item yang disukainya dari sekian banyak item yang
tersedia. Teknik pencari item yang akan direkomendasikan dapat
dilakukan berdasarkan kemiripan, bisa berupa kemiripan suatu item
dengan item lainnya, berdasarkan konten atau kemiripan selera suatu
user dengan user lain berdasarkan rating yang diberikan pada item.
 BAB III
METODE PENELITIAN

3.1 OBJEK PENELITIAN

Objek dari Sistem recommender movie adalah film – film yang sudah
terbit

3.2 METODE PENGUMPULAN DATA

Dalam pengumpulan data yang akan digunakan dalam sistem

rekomendasi dapat dilakukan dengan dua cara (Sanjung, Ariyani. 2011)
yaitu secara eksplisit dan implisit :
1. Secara eksplisit dapat dilakukan misalnya dengan meminta user
untuk merating sebuah item dari range tertentu, memberikan
ranking berdasarkan dari item yang disukai dan yang tidak disukai
oleh user, ataupun dengan meminta user untuk melakukan list
terhadap item-item yang disukai.
2. Implisit dilakukan dengan mengamati pola kecenderungan user
(behavior user) melalui observasi social network atau dengan
mengamati item-item yang sering dilihat atau didengar oleh user.
Dengan kata lain, jika secara eksplisit user memberikan penilaian
preferensi terhadap item secara langsung, sedangkan implisit tidak
secara langsung.

3.3 JENIS DATA

Berdasarkan pendekatan yang digunakan untuk menghasilkan

rekomendasi, recommender system dapat diklasifikasikan dalam tiga
kelompok utama (Leimstoll, U., Stormer, H. 2007) adalah sebagai berikut
:
1. Content Based Recommender System.
Metode content based membuat rekomendasi dengan menganalisa
 deskripsi setiap item untuk mengidentifikasi item mana yang
mempunyai hubungan ketertarikan khusus dari seorang user.
Deskripsi ketertarikan user diperoleh dari profil user yang
didasarkan atas penilaian menarik atau tidaknya suatu item yang
ada pada recommender system ini (Pazzani, Michael J. & Billsus,
Daniel. 2007). Pada data item film misalnya, deskripsi konten bisa
berupa genre, aktor yang berpartisipasi, sutradara, dan sebagainya.
2. Collaborative Filtering Recommender System.
Pendekatan collaborative filtering merekomendasikan item kepada
user berdasarkan korelasi antara rating user yang berbeda terhadap
item atau transaksi user di dalam sistem. Sementara user merating
item, sistem akan menggunakan data rating user tertentu untuk
melakukan perhitungan prediksi dan memberikan rekomendasi item
yang belum pernah dirating oleh user tersebut.

3. Hybrid Recommender System.

Secara umum pendekatan hybrid recommendations adalah dengan
menggabungkan lebih dari satu metode yang ada pada
recommender system, kombinasi yang ada pada teknik ini misalnya
dengan menggabungkan metode content based dengan
collaborative filtering (Leimstoll, U., Stormer, H. 2007).

3.4 ALUR PENELITIAN

Berikut adalah tahapan – tahapan dalam penelitian

Identifikasi Penerapan Penerapan Pengujian

jenis metode metode tingkat
movie algoritma algoritma akurasi
Gambar 3.1 Proses Collaborative Filtering (Sarwar, Badrul. 2001).

Berikut penjelasan dari proses diatas :

Dalam skenario CF terdapat daftar pengguna m user U = {u1,

u2,…, um} dan daftar item I = {p1, p2,…, pn}. Setiap ui user
mengekspresikan pendapatnya tentang daftar item miliknya. Kumpulan set
dari pendapat itu disebut dengan rating dari user ui dan dilambangkan
dengan Iui. Setelah sistem ini menentukan ketetanggaan terdekat, maka
sistem akan merepresentasikan item yang mungkin disukai user dalam dua
bentuk, yaitu:
1. Prediksi, merupakan nilai numerik dimana Pa,j adalah nilai prediksi
rating item j yang mungkin disukai oleh active user (Ua). Nilai
prediksi ini digunakan dengan skala yang sama dengan nilai yang
disediakan (misalnya, dari skala 1 sampai 5).

2. Rekomendasi adalah daftar N item yang mungkin akan disukai oleh

user Ua. Daftar yang direkomendasikan biasanya terdiri dari item
yang belum pernah dibeli atau dirating oleh active user. Output dari
algoritma CF ini juga dikenal sebagai Top-N Recommendation.
Gambar 3.1 menunjukkan diagram skema dari proses collaborative
filtering. Algoritma CF merepresentasikan seluruh m x n user-item sebagai
matriks rating dimana setiap entri merupakan nilai rating dari user untuk
setiap item. Active user (Ua) pada skema ini merupakan user yang akan
dicari item yang mungkin disukainya dengan menggunakan algoritma CF
(Sarwar, Badrul. 2001).
 BAB IV
HASIL DAN PEMBAHASAN

4.1 IMPLEMENTASI
Install package – package yang dibutuhkan sesuai yang ada program

install.packages("recommenderlab")
Jalankan juga library nya
library(datasets)
# Load required library
library(recommenderlab) # package being evaluated
library(ggplot2) # For plots
# Load the data we are going to work with
data(MovieLense)
MovieLense
# 943 x 1664 rating matrix of class ‘realRatingMatrix’ with
99392 ratings.

Gambar 1 (R Console)
Script Program untuk menampilkan Grafik Raw Ratings (Gambar 3)
 # Visualizing a sample of this
image(sample(MovieLense, 500), main = "Raw ratings")

Gambar 2 (R Console)

Gambar 3 (R Graphics)

Script Program untuk menampilkan Grafik Histogram of Ratings

(Gambar 4)
# Visualizing ratings
qplot(getRatings(MovieLense), binwidth = 1,
main = "Histogram of ratings", xlab = "Rating")
 Gambar 4 (R Graphics)
summary(getRatings(MovieLense)) # Skewed to the right

Script Program untuk menampilkan Grafik Movies Rated on Average (Gambar

5)
# How many movies did people rate on average
qplot(rowCounts(MovieLense), binwidth = 10,
main = "Movies Rated on average",
xlab = "# of users",
ylab = "# of movies rated")

Gambar 5 (R Graphics)
 # Seems people get tired of rating movies at a logarithmic
pace. But most rate some.
recommenderRegistry$get_entries(dataType =
"realRatingMatrix")
# We have a few options
# Let’s check some algorithms against each other
scheme <- evaluationScheme(MovieLense, method = "split",
train = .9,
k = 1, given = 10, goodRating = 4)
scheme
algorithms <- list(
"random items" = list(name="RANDOM",
param=list(normalize = "Z-score")),
"popular items" = list(name="POPULAR",
param=list(normalize = "Z-score")),
"user-based CF" = list(name="UBCF", param=list(normalize
= "Z-score",
method="Cosine",
nn=50, minRating=3))
)

Script Program untuk menampilkan Grafik Algoritma Prediksi (Gambar

6)
# run algorithms, predict next n movies
results <- evaluate(scheme, algorithms, n=c(1, 3, 5, 10, 15, 20))
plot(results, annotate = 1:4, legend="topleft")
 Gambar 6 (R Graphics)

Script Program untuk menampilkan grafik berdasarkan Recall Precision

(Gambar 7)
# See precision / recall
plot(results, "prec/rec", annotate=3)

Gambar 7 (R Graphics)
Gambar 8 (R Console)
Gambar 9 (R Console)
Gambar 10 (R Console)
 BAB V
KESIMPULAN DAN REKOMENDASI

5.1 KESIMPULAN
 Penelitian untuk mengetahui rating film menggunakan System
Recommender cukup efektif dalam mengumpulkan beberapa data
rekomendasi
 Dari penelitian / pembahasan ini tentang menganalisis data rekomendasi
film bahwa kita dapat mengetahui kualitas film – film yang ada melalui
sistem recommender ini karena dalam sistem ini rating film ditampilkan
dalam berbagai grafik seperti Grafik Raw Ratings (Gambar 3), Grafik
Histogram of Ratings (Gambar 4), Grafik Movies Rated on Average
(Gambar 5), Grafik Algoritma Prediksi (Gambar 6), dan grafik
berdasarkan Recall Precision (Gambar 7).

5.2 REKOMENDASI
 Untuk perusahaan / instansi / komunitas yang sedang mencari data – data
atau informasi mengenai film – film yang akan ditonton , bisa
menggunakan metode System Recommender Movie, karena cukup efektif
untuk mengetahui kualitas dan rating sebuah film.
 Untuk penelitian lanjutan dan pembahasan lanjutan dengan metode System
Recommender Movie ini diharapkan untuk terus melakukan pembaruan
sistem dan pembaruan data – data yang akan di kerjakan dalam metode
System Recommender Movie ini, karena teknologi dalam pembuatan
sebuah film akan terus berkembang dan ini akan mempengaruhi penilaian
masayarakat terhadap film yang ditonton, dan ini juga akan mempengaruhi
data dalam sebuah penelitian.