Pembangunan perangkat lunak sistem rekomendasi dengan algoritma Memory-Based Collaborative Filtering : studi kasus alat musik gitar dan aksesoris gitar

Abstract

Di zaman teknologi sekarang ini banyak hal dilakukan dengan memanfaatkan teknologi, tidak terkecuali pada prediksi yang dilakukan untuk menentukan minat dari seseorang. Prediksi dari minat seseorang ini menghasilkan sebuah data yang dapat dimanfaatkan contohnya dalam hal pemasaran suatu produk. Banyak perusahaan besar di dunia seperti Amazon, Ebay, Youtube yang sudah mengimplementasikan sebuah sistem prediksi atau lebih dikenal dengan sistem rekomendasi. Dalam pengimplementasian sistem rekomendasi dapat dilakukan dengan pendekatan Memorybased Collaborative Filtering. Metode Memory-based Collaborative Filtering bekerja dengan mengumpulkan informasi mengenai aktivitas yang dilakukan pengguna yang nantinya informasi tersebut akan disimpan dan digunakan sebagai penentu nilai kesamaan antar pengguna tersebut dengan pengguna lainya atau yang biasa disebut similaritas. Nilai similaritas tersebutlah yang nantinya akan diproses sebagai acuan dalam pemberian rekomendasi. Pada pengimplementasian Metode Memory-based Collaborative Filtering terdapat beberapa tantangan yaitu cold-start dan juga scalability. Tantangan-tantangan tersebut memiliki pengaruh cukup besar dalam pemrosesan rekomendasi yang dilakukan. Pada skripsi ini, telah dibangun perangkat lunak untuk sistem rekomendasi alat musik gitar dan aksesoris gitar yang mengimplementasikan metode Memory-based Collaborative Filtering. Sistem rekomendasi yang dibangun berjumlah dua sistem, yaitu sistem pertama yang dibangun tanpa menangani masalah scalability dan sistem kedua yang menangani masalah scalability. Untuk masalah cold-start kedua sistem pada skripsi ini sudah dibangun dengan menangani masalah tersebut. Eksperimen pada skripsi ini dilakukan menggunakan beberapa data yang didapatkan dari website https://www.kaggle.com. Eksperimen yang dilakukan pada skripsi ini bertujuan untuk mengetahui keakuratan dari sistem rekomendasi yang dibuat dan juga pengaruh penambahan pengguna bagi proses pemberian sistem rekomendasi. Hasil eksperimen yang didapatkan dari eksperimen yang dilakukan pada skripsi ini menunjukan bahwa Algoritma Memory-based Collaborative Filtering dapat memberikan rekomendasi berdasarkan aktivitas pengguna dan penanganan kekurangan dari Algoritma Memory-based Collaborative Filtering menunjukan hasil yang dapat menangani tantangan-tantangan tersebut.