Sistem rekomendasi dengan algoritma collaborative filtering berbasis korelasi user dan evolutionary clustering

Abstract

Pengguna sudah tidak asing dengan aplikasi pemutaran film online. Seiring berjalannya waktu, aplikasi tersebut menambahkan film baru agar pengguna dapat menontonnya. Namun film yang semakin bertambah membuat pengguna semakin sulit dalam memilih film yang ingin ditonton. Maka dari itu, dibutuhkan sistem rekomendasi yang dapat membantu pengguna dalam memberikan rekomendasi film agar sesuai dengan minat dan ketertarikan pengguna. Sistem rekomendasi adalah alat perangkat lunak yang menyediakan saran dalam memilih item yang menarik bagi pengguna. Terdapat beberapa teknik dalam sistem rekomendasi, salah satunya adalah collaborative filtering. User-based collaborative filtering merupakan salah satu dari metode collaborative filtering dimana sistem mengandalkan penilaian dari pengguna lain yang memiliki tingkat kemiripan yang tinggi. Tujuan dari penelitian ini adalah melakukan analisis algoritma collaborative filtering based on user correlation and evolutionary clustering (CFEC) dan dibandingkan dengan algoritma user-based collaborative filtering dan K-nearest neighbor (CFKNN). Algoritma CFKNN mencari k pengguna dengan tingkat kemiripan yang paling tinggi. Kemudian akan dihitung prediksi rating pengguna dan menampilkan daftar rekomendasi film berdasarkan prediksi rating pengguna. Algoritma CFEC memiliki konsep dasar jaringan. Node pada jaringan merepresentasikan sebagai pengguna. Di dalam jaringan hubungan antar kelompok memiliki nilai negatif sedangkan hubungan di dalam kelompok memiliki nilai positif. Setelah terbentuk kelompok pengguna, akan dicari target pengguna berada di kelompok mana lalu dihitung tingkat kemiripannya. Lalu akan dihitung prediksi rating pengguna dan menampilkan daftar rekomendasi film berdasarkan prediksi rating pengguna. Pada penelitian ini, dibangun sebuah perangkat lunak yang dapat merekomendasikan film ke pengguna. Perangkat lunak mengimplementasikan algoritma CFEC dan algoritma CFKNN. Keluaran dari perangkat lunak ini adalah rekomendasi film dan prediksi rating pengguna yang kemudian hasilnya dipakai untuk melakukan analisis. Analisis dilakukan dengan pengujian eksperimental. Pengujian eksperimental dilakukan untuk melihat hasil perbandingan antara prediksi rating pada algoritma CFEC dan prediksi rating pada algoritma CFKNN dengan menghitung selisih perbandingan dari kedua algoritma dan menghitung nilai akurasi dengan menggunakan Mean Absolute Error (MAE). Pengujian eksperimental juga melihat perbandingan prediksi rating jika data pengguna ditambahkan. Hasil pengujian menunjukkan bahwa hasil prediksi rating dari algoritma CFEC tidak jauh berbeda dengan hasil prediksi rating dari algoritma CFKNN. Saat data pengguna ditambahkan, nilai prediksi rating berubah dari jumlah data sebelumnya. Perubahan nilai prediksi rating dipengaruhi oleh banyaknya jumlah pengguna dan film. Dari hasil perhitungan MAE untuk algoritma CFEC dan algoritma CFKNN didapatkan bahwa algoritma CFEC memiliki pemodelan yang lebih akurat dibandingkan dengan algoritma CFKNN.