Sistem rekomendasi untuk data implisit dengan distribusi normal Multivariat

Abstract

Sistem rekomendasi adalah suatu sistem yang menyediakan rekomendasi kepada pengguna untuk mendapatkan produk yang diinginkannya. Sistem rekomendasi berguna untuk meningkatkan pengalaman pengguna dalam mencari produk atau sesuatu yang menarik atau yang sesuai dengan minat dan kesukaan masing-masing pengguna. Sistem rekomendasi ini bertujuan agar dapat meningkatkan penjualan produk dan meningkatnya pengalaman pengguna dalam mencari produk yang sesuai dengan minatnya. Pada penelitian ini akan digunakan metode collaborative filtering yang memberi rekomendasi film yang berasal dari interaksi pengguna lainnya dengan film-film yang mirip berdasarkan interaksinya dengan film. Data yang bisa didapatkan dari interaksi pengguna dengan produk atau aplikasi dapat diklasifikasikan menjadi 2, yaitu eksplisit dan implisit. Data implisit merupakan data yang tidak diinput secara langsung atau sadar oleh pengguna seperti melihat produk, klik item produk, histori pembelian, dan lain-lain. Pada penelitian ini data implisit yang digunakan berasal dari MovieLens. Data implisit ini merupakan data interaksi pengguna dengan film. Interaksi ini berasal dari rating yang diberikan pengguna pada film-film. Apabila pengguna memberikan rating dengan suatu film, maka nilai interaksinya 1. Jika tidak, maka akan diberi nilai interaksi 0. Maka nantinya data yang dipakai akan berbentuk sebuah matriks interaksi yang dimana kolomnya merupakan movieId dan barisnya merupakan userId. Interaksi antara pengguna-pengguna dengan item memiliki nilai interaksi yang berdistribusi normal multivariat. Nantinya dengan menerapkan probabilitas sebaran distribusi normal multivariat pada interaksi pengguna dan item, pada penelitian ini akan memprediksi interaksi yang bernilai 0 atau pengguna yang tidak memberikan rating film, sehingga film tersebut yang tidak diberi rating akan diprediksi nilainya dengan distribusi normal multivariat. Hasil dari prediksi yang dilakukan akan dievaluasi dengan menggunakan metrik evaluasi precision@k dan nDCG@k. Precision@k merupakan metrik evaluasi yang digunakan untuk mengukur seberapa tepat sebuah sistem rekomendasi dalam memprediksi item yang akan diinteraksi oleh pengguna. Sedangkan nDCG@k mirip seperti precision@k, tetapi nDCG@k melihat urutan hasil prediksi pada list rekomendasi yang dihasikan dari prediksi . Pada pemodelan yang dibuat pada penelitian ini, pemodelan dibuat dengan pembagian data train dan data test menggunakan train test split dan KFold. Pada percobaan, digunakan nilai rasio penghilangan interaksi untuk data test sebesar 0,3, 0,5, dan 0,7. Rasio penghilangan interaksi mengubah beberapa interaksi yang nilainya 1 menjadi 0 pada setiap pengguna yang dijadikan data test sebanyak rasio tersebut. Nilai precision@k dan nCDG@k dengan menggunakan ketiga rasio tersebut didapat berkisar nilai 0,3 hingga 0,5. Dari hasil evaluasi yang didapat, hasil prediksi kurang baik karena nilai precision@k dan nDCG@k berkisar dibawah 0,5, namun dengan hasil yang kurang baik tersebut masih bisa digunakan untuk rekomendasi kepada pengguna karena pengguna akan terbuka untuk mengeksplorasi berbagai pilihan film, meskipun rekomendasinya tidak selalu sangat presisi.