Kelompok 4

Sistem Rekomendasi/Rekomendasi Data

a) Definisi sistem rekomendasi

Sistem rekomendasi adalah suatu sistem yang dirancang untuk memprediksi suatu
item yang sesuai dengan minat user, yang mana item tersebut akan
direkomendasikan pada user (Sanjung, 2011). Prediksi informasi minat pengguna
dapat diperoleh berdasarkan pola aksi perilaku pengguna atau sering dikatakan
sebagai profil pengguna. Salah satu cara yang dilakukan untuk membentuk suatu
profil pengguna adalah, misanya ketika pengguna melakukan transaksi peminjaman
maka data peminjaman ini akan disimpan sebagai profil pengguna. Berdasarkan
profil pengguna yang telah terbentuk akan diketahui minat buku yang disukai oleh
pengguna. Pada sistem rekomendasi, terdapat beberapa item yang akan disaring
untuk direkomendasikan kepada pengguna berdasarkan profil pengguna, skala
rating, dan lain-lain sehingga menghasilkan beberapa item yang direkomendasikan
kepada pengguna.

b) Contoh sistem rekomendasi

Sistem rekomendasi digunakan di berbagai area dan paling umum dikenal sebagai
generator playlist untuk layanan video dan musik seperti Netflix , YouTube dan
Spotify , rekomendasi produk untuk layanan seperti Amazon , atau rekomendasi
konten untuk platform media sosial seperti Facebook dan Twitter , dan pemberi
rekomendasi konten web terbuka seperti Outbrain. Sistem ini dapat beroperasi
menggunakan satu input, seperti musik, atau beberapa input di dalam dan di seluruh
platform seperti berita, buku, dan kueri penelusuran. Ada juga sistem pemberi
rekomendasi populer untuk topik tertentu seperti restoran dan kencan online .
Sistem pemberi rekomendasi juga telah dikembangkan untuk mengeksplorasi
artikel penelitian dan para ahli, kolaborator, dan layanan keuangan.

c) Dua kelas sistem rekomendasi berdasarkan teknologi yang digunakan Schafer

membagi algoritma collaborative filtering, yaitu :
i. 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).
ii. Item Base Collaborative Filtering
Item based collaborative filtering merupakan metode rekomendasi yang
didasari atas adanya kesamaan antara pemberian rating terhadap suatu produk
dengan produk yang dibeli. Dari tingkat kesamaan produk, kemudian dibagi
dengan parameter kebutuhan pelanggan untuk 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 filtering 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.

d) Model untuk sistem rekomendasi

Dalam sistem rekomendasi terdapat tiga bentuk metode/model yang digunakan
dalam pembangkitan rekomendasi, yaitu :
i. Content Based Recommender System.
Model ini 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 dan Billsus, 2007).
ii. 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 (Leben, 2010).
iii. 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 dan Stormer, 2007).

e) Content based recommendation

Content based recommendation atau rekomendasi berdasarkan konten, merupakan
rekomendasi dengan data yang disediakan pengguna, baik secara eksplisit
(memberi peringkat) atau secara implisit (mengklik link). Berdasarkan data
tersebut, profil pengguna dibuat, yang kemudian digunakan untuk memberikan
saran kepada pengguna. Saat pengguna memberikan lebih banyak masukan atau
mengambil tindakan atas rekomendasi, mesin menjadi lebih dan lebih akurat.

f) Collaborative filtering
Collaborative filtering merupakan proses penyaringan atau pengevaluasian item
menggunakan opini orang lain (Schafer dkk, 2007). Pada prosesnya metode
Collaborative filtering melakukan penyaringan data berdasarkan tingkah laku
karakteristik pengguna sehingga dapat memberikan informasi yang baru kepada
pengguna lainnya karna system memberikan informasi berdasarkan pola satu
kelompok pengguna yang hampir sama.

g) Dimensionality reduction
Dimensionality reduction atau reduksi dimensi adalah transformasi data dari ruang
berdimensi tinggi menjadi ruang berdimensi rendah sehingga representasi
berdimensi rendah mempertahankan beberapa properti bermakna dari data asli,
 idealnya dekat dengan dimensi intrinsiknya. Bekerja di ruang berdimensi tinggi
bisa jadi tidak diinginkan karena berbagai alasan; data mentah sering kali jarang
sebagai akibat dari kutukan dimensionalitas, dan menganalisis data biasanya tidak
dapat dikerjakan secara komputasi. Pengurangan dimensi biasa terjadi di bidang
yang berhubungan dengan sejumlah besar pengamatan dan / atau sejumlah besar
variabel, seperti pemrosesan sinyal, pengenalan suara, neuroinformatika, dan
bioinformatika.

h) Contoh tantangan