id
BAB II
TINJAUAN PUSTAKA
2.1.DASAR TEORI
2.1.1 Collaborative Filtering
Collaborative filtering (CF) adalah teknik bagaimana membuat
prediksi otomatis atau rekomendasi tentang minat seorang user dengan
pengumpulan informasi cita rasa dari banyak user. Adapun yang mendasari
asumsi pendekatan CF adalah bahwa mereka yang menyetujui di masa lalu
cenderung setuju lagi di masa yang akan datang. Prinsip kerja dari CF adalah
memberikan prediksi atau rekomendasi item berdasarkan pada opini user-
user yang memunyai kemiripan (Sarwar, Karypis, Konstan, & Riedl, 2001).
Tujuan dari CF adalah merekomendasikan item baru atau
memprediksi evaluasi item kepada pengguna khusus berdasarkan pada
ketertarikan sebelumnya dari user tersebut dan opini user-user lain yang
mempunyai ketertarikan yang mirip. Di dalam CF terdapat m user 𝑈 = 𝑢1 ,
𝑢2 , … , 𝑢𝑚 dan daftar n item 𝐼 = {𝑖1 , 𝑖2 , … , 𝑖𝑛 }. Setiap user 𝑢m mempunyai
daftar item 𝐼𝑢n yang menggambarkan opini dari user tersebut. Opini
diberikan secara eksplisit oleh user berupa suatu rating score, biasanya
dalam skala kuantitatif tertentu, atau bisa juga secara implisit yang diperoleh
dari arsip transaksi, dengan melakukan analisis terhadap logs, navigation
history, atau dengan cara yang lain (Sarwar et al., 2001).
Ada dua hal utama yang dilakukan sistem rekomendasi dengan CF,
yaitu : 1. Prediksi, melakukan prediksi opini yang akan diberikan kepada
pengguna dalam skala bilangan yang sama, 2. Rekomendasi, memberikan
rekomendasi berupa daftar item dengan nilai prediksi tertinggi. Item-item
yang direkomendasikan belum pernah di rating sebelumya oleh user
tersebut (Saptono, 2010).
7
library.uns.ac.id digilib.uns.ac.id
(2.1)
Notasi ∙ adalah dot-product dari dua vektor, 𝑖 = [𝑖1 𝑖2 … 𝑖m ] dan 𝑗 = [𝑗1 𝑗2 …
𝑗𝑛 ].
8
library.uns.ac.id digilib.uns.ac.id
I1 I2 I3 I4 I5
U1 5(2,2,8,8) 5(2,2,8,8) 4(6,6,2,2) 4(6,6,2,2) 4(2,2,6,6)
U2 5(3,3,7,7) 5(3,3,7,7) 6(8,8,4,4) 6(8,8,4,4) 6(4,4,8,8)
U3 5(2,2,8,8) 5(2,2,8,8) 4(6,6,2,2) 4(6,6,2,2) 4(2,2,6,6)
U4 5(3,3,7,7) 5(3,3,7,7) 6(8,8,4,4) 6(8,8,4,4) 6(4,4,8,8)
U5 4 4 7 7 ?
9
library.uns.ac.id digilib.uns.ac.id
jauh nilai rating multi criteria antara i3 dan i4 dengan i5 meskipun nilai rating
keseluruhan sama persis. Sebagai contoh, nilai rating yang diberikan u1
untuk i5 adalah 4(2,2,6,6) dan nilai rating yang diberikan u1 untuk i4 adalah
4(6,6,2,2). Jadi meskipun nilai keseluruhannya sama, yaitu 4 namun nilai dari
keempat kriterianya saling bertolak belakang.
Berdasarkan pendekatan item based multi criteria collaborative
filtering, item i1 dan i2 justru dinilai memiliki kemiripan dengan i5.
Meskipun nilai keseluruhan tidak mirip, yaitu 4 dan 5, namun nilai dari
masing-masing kriterianya justru lebih mendekati. Sehingga nilai prediksi
u5 untuk item i5 ditetapkan 4, sama dengan nilai yang diberikan oleh item i1
dan i2. Dengan demikian, terlihat sangat jelas bahwa konsep multi criteria
collaborative filtering akan memberikan hasil rekomendasi yang lebih
relevan kepada pengguna dibanding dengan collaborative filtering klasik.
Persoalannya adalah bagaimana menemukan pendekatan yang tepat untuk
menghitung nilai rating keseluruhan(Wiranto & Winarko, 2015).
• Plot
Aspek ini menekankan pada bagaimana cerita dalam film mengalir.
Cerita dalam hal ini menyangkut pembuka, klimaks, dan berbagai twist
yang dihadirkan. Selain itu, cerita yang disampaikan harus menarik, jelas
arahnya, dan mengandung unsur permainan emosi.
10
library.uns.ac.id digilib.uns.ac.id
• Penokohan
Aspek ini menekankan pada keunikan para tokoh di dalam sebuah film.
Film yang baik adalah film dimana tokoh-tokoh di dalamnya memiliki ciri
khas (unik). Sehingga, penonton tidak merasa bahwa karakter A sama
dengan karakter B dan C. Keunikan tersebut dilihat dari gaya bicara, gerak
tubuh, pola pikir, dan sebagainya.
• Visual
Aspek ini menekankan bagaimana visual dalam film itu secara
keseluruhan. Visual ini mencakup efek yang digunakan untuk
memperindah tampilan, pemilihan lokasi, penataan kamera, pemilihan
kostum, dan sebagainya.
11
library.uns.ac.id digilib.uns.ac.id
program tersebut untuk mereka”. Apakah skala 1-3 atau 1-10 yang
digunakan. Tentu saja 1-10 karena skala ini menggambarkan
perbedaan paling lebar (Wimmer & Dominick, 2013).
12
library.uns.ac.id digilib.uns.ac.id
Keterangan :
d(i,j) = jarak Euclidean
xi = nilai titik 1
xj = nilai titik 2
p = dimensi data
13
library.uns.ac.id digilib.uns.ac.id
14
library.uns.ac.id digilib.uns.ac.id
Distance ini memiliki tingkat akurasi yang cukup tinggi ketika digunakan
untuk membangun sistem rekomendasi. (Fitriani, 2017)
Lalu penggunaan dasar metode item-based collaborative filtering pada
penelitian ini didasari pada penelitian perbandingan metode user-item based
dan item-based collaborative filtering pada studi kasus sistem rekomendasi
tempat wisata untuk wilayah Solo dan Yogyakarta. Yang hasilnya metode item
based collaborative filtering mampu memberikan kualitas rekomendasi yang
lebih baik dengan tingkat akurasi prediksi yang cukup tinggi dibandingkan
metode user-item based dilihat dari nilai NMAE yang cukup signifikan dan
banyaknya prediksi di luar range yang dihasilkan oleh metode user item based
collaborative filtering
15
library.uns.ac.id digilib.uns.ac.id
15
library.uns.ac.id digilib.uns.ac.id
16