Rencana Tugas Akhir

A. TOPIK
Sistem Perekomendasi untuk Membantu Pemilihan Jenis Mobil yang Tepat Bagi Calon Pembeli pada ’Perusahaan Mobil’* Indonesia dengan Pendekatan Item-Based Collaborative Filtering.

*belum dapat ditentukan (ada yang tertarik bekerjasama?)

B. PENDAHULUAN
a. Latar Belakang
Manusia selalu ingin kepraktisan dalam hal apapun. Termasuk saat ingin membeli sesuatu. Salah satunya Mobil. Mempunyai mobil pribadi bukan hanya kebutuhan, menaikkan gengsi atau sekedar alat transport keluarga yang praktis dan efisien. Namun juga setiap mobil menunjukkan karakter pemiliknya. Karena itu saat masuk ke Dealer penjualan Mobil (baik baru ataupun second), calon pembeli tidak bisa memilih tanpa bekal informasi apapun.
Alternatif lain adalah kita bisa mencari informasi dulu. Melalui teman, orang yang mengetahui otomotif atau dapat juga dengan membeli majalah otomotif. Lebih efisien dan efektif lagi dengan mengakses internet. Bahkan mayoritas majalah otomotif mempunyai versi online yang dapat dinikmati secara gratis. Di website majalah-majalah otomotif ini, sebagian besar telah memiliki Sistem Pendukung Keputusan sederhana yang membantu user untuk memilih mobil yang sesuai dengan spesifikasi kebutuhan dan keinginannya. Salah satu sistem yang paling sederhana memiliki 3 input kategori; type, merk, dan tahun keluaran. Ada juga yang bisa lebih banyak memasukkan katagori (teknologi mesin, kekuatan mesin, interior mobil, dll) sehingga bisa lebih menyaring pilihan agar langsung menuju ke mobil pilihan terbaik user. Dari sisi user cukup terbantu, tapi aplikasi berbasis content (apa yang melekat pada produk) ini sering kali membuat user kewalahan menginputkan banyak kategori. Sedangkan jika tidak diisi, pilihan yang membingungkan malah semakin banyak. Kelemahan lain adalah ketika telah memasukkan semua kategori, hasilnya malah di luar dugaan tidak memuaskan user.
Karena permasalahan diatas, maka perlu dibangun sebuah sistem dengan konsep baru. Salah satu solusi adalah dengan membangun recommender system dengan pendekatan collaborative filtering (CF). Recommender System dengan pendekatan CF akan bekerja dengan cara menghimpun feedback pengguna dalam bentuk rating bagi item-item dalam suatu domain yang diberikan dan memanfaatkan kemiripan dan perbedaan antar profil dari beberapa pengguna dalam menentukan bagaimana merekomendasi suatu item (courtesy: wir.staff.uns.ac.id). Dengan adanya sistem perekomendasi ini, calon pembeli diharapkan dapat lebih praktis, efektif dan efisien dalam memilih mobil favoritnya dan dengan hasil yang memuaskan.
Sistem perekomendasi pemilihan mobil yang dibuat menggunakan teknik Collaborative Filtering (CF) dengan alasan bahwa CF merupakan teknik yang telah sukses dan paling banyak digunakan dalam pengembangan sistem perekomendasi sampai saat ini (Konstan et al., 1997). Sebagai contoh, Hill et al. (1995) mengaplikasikan collaborative filtering pada sistem perekomendasi musik dan film berbasis web. Selain itu, riset GroupLens (1997) mengembangkan collaborative filtering pada berita online dan film online.
Sarwar et al. (2001) membagi CF dalam 2 kategori, yaitu metode Memory-based (user-based) dan metode Model-based (item-based). Memory-based (user-based) menggunakan seluruh basis data user-item untuk menentukan prediksi atau rekomendasi. Sistem ini menggunakan statistik untuk menentukan himpunan user yang disebut neighborhood. Setiap ketetanggaan dari user terbentuk, sistem menggunakan algoritma berbeda dalam mengkombinasikan pilihan ketetanggaan untuk menentukan prediksi atau rekomendasi. Algoritma ini dikenal sebagai algoritma nearest neighborhood.
Disamping kesuksesan tersebut, CF mempunyai 2 keterbatasan utama. Yang pertama adalah dihubungkan dengan sparsity dan yang kedua dihubungkan dengan scalability. Pada sistem perekomendasi berbasis CF, jumlah history-based model dari setiap user dan item sangat terbatas sehingga tidak bisa dengan teliti menghitung ketetanggaan dan identifikasi item yang akan direkomendasikan menjadi lemah. Namun, algoritma nearest neighborhood memerlukan perhitungan yang tumbuh secara linear dengan banyaknya user dan item. Dengan berjuta-juta user dan item, sistem perekomendasi yang berbasis CF akan mengalami permasalahan scalability yang serius.
Untuk mengatasi permasalahan tersebut adalah dengan membangun model rekomendasi yang didasarkan pada item. Dalam pendekatan ini, history-based model dianalisis untuk mengidentifikasi relasi antar item. Karena pendekatan ini menggunakan model pre-computed maka perekomendasian suatu item lebih cepat. Pendekatan semacam ini biasa disebut metode item-based collaborative filtering. Pada waktu yang sama kualitas hasil dari item-based lebih baik dibanding dengan user-based (Sarwar et al., 2001).
Dari paparan di atas maka dipilih metode item-based collaborative filtering dalam pembuatan sistem perkomendasi pemilihan mobil dalam tugas akhir ini.
b. Rumusan Masalah
Berdasarkan latar belakang, maka beberapa masalah utama yang ingin diselesaikan dalam penelitian ini, antara lain:
a. Bagaimana membangun sistem perekomendasi paling efektif untuk pencarian mobil.
b. Bagaimana keefektifan collaborative filtering pada implementasi sistem perekomendasi untuk membantu pemilihan jenis mobil.
c. Batasan Masalah
Berikut batasan-batasan dalam penelitian:
a. Sistem rekomendasi ini akan embeded pada website perusahaan
b. Satu sistem diperuntukkan untuk satu perusahaan, baik produsen, persewaan, atau penjualan mobil bekas
d. Tujuan
Berdasarkan masalah yang telah dirumuskan, tujuan penelitian ini antara lain:
a. Membangun sistem perekomendasi yang efektif untuk pencarian mobil.
b. Mengukur keefektifan collaborative filtering pada implementasi sistem perekomendasi untuk membantu pemilihan jenis mobil.
e. Manfaat
Diadakannya penelitian ini untuk membantu pemilihan jenis mobil yang tepat bagi calon pembeli. Sedangkan dari sisi penjual/distributor, aplikasi sistem ini akan membantu menawarkan produk dengan lebih efisien dan tepat sasaran. Penjual juga lebih mudah dalam menganalisis gambaran umum penjualan dari profile-profile para pembelinya. Misalnya, rata-rata calon pembeli yang berprofesi sebagai pegawai yang berumur setengah baya lebih menyukai mobil jenis sedan, dan sebagainya (memudahkan data mining untuk perusahaan jika diperlukan).
Penelitian ini juga bermanfaat untuk lebih memperkenalkan kepada masyarakat umum penggunaan pendekatan collaborative filtering dalam bidang ekonomi.
C. TINJAUAN PUSTAKA
Pada studi literatur yang telah dilakukan, penelitian sejenis telah banyak dilakukan, baik pada user-based, item-based maupun tag-based.
a. “Tag-Based Contextual Collaborative Filtering” [2008], oleh Reyn Nakamoto, Shinsuke Nakajima, Jun Miyazaki, Shunsuke Uemura (Database Laboratory, Graduate School of Information Science, Nara Institute of Science and Technology, Japan)
Jurnal ini menggambarkan sebuah model pendekatan collaborative filtering (CF) yang baru berdasarkan pelabelan ketersediaan informasi dari ”popular online social tagging systems”. Pada model ini, 2 bagian dari CF tradisional telah diubah: perhitungan kemiripan user (user similarity) dan perhitungan prediksi nilai (score prediction). Dalam model baru ini keefektifan berdasar konteksnya yang mana diumpamakan seorang pengguna menyukai sebuah sumber data (resource). Berdasar konteks yang diberikan, rekomendasi yang lebih efektif dapat dihasilkan. Selain itu score prediction yang digunakan dengan cara yang berbeda dari CF tradisional. Implementasi dari model baru ini tidak hanya dapat dipakai pada film atau music tapi juga domain yang lebih besar, bahkan keseluruhan intenet. Model baru ini memiliki potensi besar pada situs internet seperti website tagging site ’del.icio.us’, karena ini adalah domain besar dari internet itu sendiri. Domain yang lebih besar lainnya akan menjadi cocok untuk suatu system yang mirip. Film, misalnya, cover beberapa genre dan secara konsekuen, tidak termasuk konteks dari mengapa seorang pengguna menyukai sebuah resource tidak terlalu efektif. Daripada itu, dengan kekuatan dari tags (label) dan collaborative filtering, dapat menghasilkan rekomendasi personal yang relevan dan hanya rekomendasi dengan konteks yang mereka sukai saat itu.

b. “Analisis Semantic Similarity Pada Item Based Recommender System” [2008], oleh Warih Maharani dan Yanuar Firdaus A. W. (Departemen Teknik Informatika, IT Telkom Bandung)
Penelitian yang dipaparkan pada jurnal ini mengenai analisis kemiripan semantic pada system rekomendasi berbasis item. Berdasarkan analisis pengujian yang dilakukan, diperoleh kesimpulan bahwa algoritma similarity berpengaruh terhadap prediksi. Kualitas prediksi algoritma semantic enhanced item similarity lebih rendah jika dibandingkan dengan algoritma item item similarity, hal ini disebabkan oleh adanya string dari dataset yang tidak terdapat dalam kamus/ WordNet. Selain itu semakin besar ukuran training set dan jumlah neighborhood, nilai MAE (Mean Absolute Error/ nilai eror mutlak rata-rata) semakin kecil. Sehingga kualitas prediksi menjadi lebih baik.
c. “Sistem Perekomendasi Pemilihan Jurusan Perguruan Tinggi Dengan Metode Item-Based Collaborative Filtering” [2008], skripsi, oleh Bayu Widayat (Jurusan Matematika, FMIPA UNS)
Penelitian ini mengenai pembangunan sistem perekomendasi pemilihan jurusan menggunakan metode item-based Collaborative Filtering berbasis web. Pada penelitian ini tidak ada perbedaan antara rata-rata NMAE cosine similarity dengan rata-rata NMAE correlation similarity dengan hasil rekomendasi menggunakan algoritma cosine similarity mempunyai NMAE sebesar 0.0785 dan hasil rekomendasi menggunakan algoritma correlation similarity mempunyai NMAE sebesar 0.0903. Berdasarkan frekuensi kesesuaian rekomendasi, algoritma cosine similarity lebih direkomendasikan sebagai algoritma perhitungan similarity dalam sistem perekomendasi pemilihan jurusan perguruan tinggi.

Kira-kira inilah yang tertuang di tugas Mata Kuliah Metodologi Penelitian semester kemarin. Mungkin bisa berubah, mungkin juga tidak,,  Ada yang tertarik bekerja sama? Sekedar teman sharing pun kunanti.

    • fendi
    • March 27th, 2011

    aku juga mau bikin ne. tapi kira2 susah g ya masukin rumus algoritma ke coding webnya? ribet kayaknya?

      • aworldviewer
      • April 19th, 2011

      Gag ribet sebenarnya,, tergantung obyeknya,, setelah itu maw saya ubah recomend webpage, la itu yg susah.. kalo logika sederhananya cm ambil titik tengah,, pakai rumus cossin bisa. Tapi akirnya saya gag jd kok kak. jadinya malah jaringan syaraf tiruan,, tapi belum fix jg,, ditolak dosen mulu..

  1. wokey mbak

  2. wah SPK lagi…

    pakek matrix aja bisankan ya mbak.. ?🙂
    (maap sok tau)

    • Ferry
    • December 4th, 2012

    wah baru baca nih,rencana saya juga mau bikin tugas akhir tentang ini,ada saran pakai metode apa nih?baru kepikiran pake algoritma genetika nih🙂

  1. No trackbacks yet.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: