Jurnal Ilmiah

ILMU KOMPUTER

Universitas Udayana

Vol. X, No. 1, April 2017

ISSN 1979 - 5661


PERANCANGAN SISTEM REKOMENDASI DALAM INDUSTRI

KULINER DI BALI

I Gusti Agung Gede Arya Kadyanan

Jurusan Ilmu Komputer, Prodi Teknik Informatika, FMIPA Universitas Udayana

Email: gungde@unud.ac.id

ABSTRAK

Menjamurnya gerai makanan cepat saji menyebabkan semakin berkurangnya minat akan kuliner khas Bali. Tentu hal ini akan sangat berpengaruh dengan keunikan budaya khas bali terutama terkait kulinernya. Sebagai daerah tujuan wisata dunia, tentunya Bali harus mampu menampilkan keunikan budayanya sendiri. Melalui perkembangan ilmu pengetahuan dan teknologi telah diupayakan suatu solusi untuk mengatasi masalah tersebut. Sistem ini dapat membantu dalam mengenalkan kuliner khas Bali melalui aplikasi yang berjalan pada sistem operasi android. Dengan metode collaborative filtering dan algoritma slope one telah berhasil dirancang sistem rekomendasi untuk kuliner khas Bali.

Kata Kunci: collaborative filtering, Slope One, sistem rekomendasi, kuliner bali

ABSTRACT

The increasing number of fast food outlets cause the decreasing interest in Balinese culinary. Of course this will be very influential with the uniqueness of typical Balinese culture, especially related to culinary. As a international tourist destination, of course, Bali should be able to show the uniqueness of their own culture. Through the development of science and technology has been pursued a solution to solve the problem. This system can help to introducing the typical culinary Bali through applications running on the android operating system. With collaborative filtering method and slope one algorithm has been successfully designed a recommender system for Balinese traditional food.

Keywords: collaborative filtering, slope one, recommender system, Balinese culinary

  • 1    PENDAHULUAN

Bali merupakan salah satu tujuan wisata yang sangat berkembang, karena keunikan yang dimiliki oleh masyarakatnya, seni budaya, pariwisata, dan wisata kulinernya. Bali juga telah menunjukkan kepada dunia, betapa pentingnya untuk melestarian dan mewariskan nilai-nilai seni budaya leluhurnya dan kuliner khas Bali. Pelestarian dan pewarisan yang dilakukan

melalui festival makanan khas Bali dan pesta kesenian yang rutin dilakukan tiap tahunnya (Surya, 2014). Festival makanan khas Bali dan pesta kesenian merupakan upaya mendukung program pemerintah dalam pelestarian dan pengembangan nilai-nilai budaya Bali.

Perkembangan Ilmu Pengetahuan dan Teknologi perlu dimanfaatkan secara optimal untuk melestarikan kuliner khas Bali, baik melalui media cetak maupun media elektronik khususnya internet. Perancangan sistem rekomendasi untuk

sebuah rekomendasi warung kuliner khas Bali dapat mengggunakan konsep personalisasi yang telah diakui oleh para peneliti. Sistem personalisasi sukses dalam mendukung e-commerce yang dapat memutuskan pembelian suatu produk kepada konsumen. Sistem ini dikenal sebagai sistem rekomendasi (recommender system).

Penelitian ini menerapkan sistem rekomendasi berbasis mobile untuk warung makanan khas Bali menggunakan metode collaborative filtering dengan algoritma slope one. Sistem rekomendasi ini dapat memberi rekomendasi dalam bentuk personalized information system yang digunakan untuk menawarkan item atau tempat kepada user dan memberi informasi yang dapat membantu user dalam memilih item. Melihat dari latar belakang dan menimbang permasalahan untuk mengetahui warung khas Bali, maka dirancang suatu sistem rekomendasi yang menggunakan metode collaborative filtering dengan algoritma slope one dan dapat memberikan rekomendasi kepada user dengan ketertarikan dari user lainnya.

  • 2    TINJAUAN PUSTAKA

    • 2.1    Sistem Rekomendasi

Sistem rekomendasi merupakan model aplikasi dari hasil observasi terhadap keadaan dan keinginan pelanggan. Oleh karena itu sistem rekomendasi memerlukan model rekomendasi yang tepat agar yang direkomendasikan sesuai dengan keinginan pelanggan, serta mempermudah pelanggan mengambil keputusan yang tepat dalam menentukan produk yang akan digunakannya (McGinty dan Smyth., 2006).

Sistem rekomendasi pertama kali menggunakan metode nearest-neighbor, dimana metode ini dikenal juga dengan memory-based atau user-based karena user

mencari yang mirip dengan target dalam hal rating, lalu merekomendasikan ítem tersebut yang disukai user kepada user terdekat. Tetapi terdapat kelemahan yang ada pada memory-based adalah masalah skalabilitas seiring dengan makin banyaknya jumlah user dan ítem. Metode ítem-based muncul untuk menyelesaikan permasalahan pada userbased CF.

  • Gambar 1. menunjukan taksonomi recommender system.

Gambar 1. Taksonomi Recommender System (Masruri dan Mahmudy, 2007)

  • 2.2    Collaborative filtering

Collaborative filtering adalah teknik yang paling banyak digunakan pada sistem rekomendasi. Seperti namanya, collaborative filtering bekerja dengan cara menjumlahkan rating atau pilihan dari suatu produk, menemukan profil / pola user dengan melihat history rating yang diberikan user, dan menghasilkan suatu rekomendasi baru berdasarkan perbandingan antar pola user. Biasanya nilai rating dapat berupa binary (suka/tidak suka) atau voting (Xu dkk, 2010).

Item-based collaborative filtering merupakan metode rekomendasi yang

didasari atas adanya kesamaan antara pemberian rating terhadap suatu produk dengan produk yang dibeli. Dari tingkat


kesamaan produk, kemudian dibagi dengan parameter kebutuhan pelanggan untuk


memperoleh nilai kegunaan produk. Produk


yang memiliki nilai kegunaan tertinggilah


yang kemudian


dijadikan rekomendasi


(Purwanto, 2009).


Rated by


j m∖ xxj

aj^dby^ χχj


Similarity

Matching


°

E


Rated by


Rated by


XX J IX


Gambar 2. Item-based Collaborative Filtering (Daniar, 2011)


Pada gambar 2. menunjukkan metode ini diketahui nilai similaritas antar item dengan tingkat persebaran rating kecil dan nilai similaritas antar item cenderung lebih jarang berubah dibandingkan dengan nilai similaritas antar user.

Prinsip utama algoritma slope one adalah bekerja berdasarkan atas “perbedaan popularitas” antara item yang satu dengan yang lainnya dengan cara menghitung selisih rating antara 2 item. Prediksi yang dilakukan algoritma Slope One membutuhkan 2 input, yaitu rating dari user target dan item mana yang akan diprediksi. Slope one dapat mengurangi overfitting yang meningkatkan kinerja dan mengurangkan rating rata – rata dari dua buah item (Masruri dan Mahmudy 2007). Overfitting merupakan kondisi dimana suatu model tidak menggambarkan hubungan utama antara variable input dan output melainkan menggambarkan random error atau noise, kondisi ini akan mengakibatkan hasil prediksi yang buruk.

Sebuah rekomendasi item-based collaborative filtering menggunakan algoritma slope one smoothing dapat mengatasi permasalahan kualitas buruk dalam sistem rekomendasi. Kekurangan dari peringkat user adalah alasan utama yang menyebabkan rendahnya kualitas.


Pendekatan ini memprediksi peringkat itemdengan user tidak pernah dikerjakan oleh slope one schema dan kemudian menggunakan pearson pengukuran korelasi kesamaan untuk menemukan kemiripan item sehingga menghasilkan rekomendasi. Pendekatan slope one schema dapat meningkatkan akurasi dari sistem rekomendasi collaborative filtering (Zhang, 2009).

Slope one skema memperhitungkan informasi dari user lain yang dinilai item yang sama (seperti disesuaikan cosinusitembased) dan dari barang-barang lainnya dinilai oleh user yang sama (seperti rata – rata per user). Namun, skema juga mengandalkan titik data yang jatuh tidak dalam array user maupun dalam arrayitem (misalnya peringkat user A dari dua item dan user rating B dari item yang umum digunakan untuk memprediksi user B rating diketahui seperti Gambar. 3), tetapi tetap informasi penting untuk prediksi rating.


Gambar 3. Basis Slope One Schemes (Daniel dan Anna, 2005)


Pendekatan algoritma Slope One dapat dijelaskan sebagai berikut:

u ui

devH = Σ ----------

’         carcKs jΛx)>


Dimana,

dev},i = rata-rata selisih rating item i terhadap item j

Uj= rating item j

ui = rating item i


X = training set

sli(χ) = kumpulan semua evaluasi

U ∈ yang mencakup item i dan j di dalamnya (i, j ∈ 5(u))

card(.sj,i(xy) = banyaknya elemen dalam Sjj(X)

Apabila telah diketahui rata-rata selisih rating item i terhadap item j, maka dapat dilakukanperhitungan prediksi rating untuk item j yang dirumuskan dengan:

Gambar 4. Skema Metodologi Penelitian


P51Wj =


w.y^dev»+u<)ci∕


4    HASIL DAN PEMBAHASAN


^εSW~{j∣ J

Dimana,

Psl(V)1= prediksi Slope One untuk item j

Cj i =            = banyaknya elemen

dalam Sii(X)

  • 3    METODE PENELITIAN

    • 3.1    Data, Tempat dan Waktu

Penelitian ini dilakukan di Laboratorium Pemrograman Jurusan Ilmu Komputer, Prodi Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana. Waktu penelitian dari bulan Maret 2016 sampai dengan Juni 2017. Dengan melibatkan sebanyak 42 warung yang menjual kuliner khas Bali dan sebanyak 125 pengguna. Rating yang berhasil dicatatkan sebanyak 1019 rating. Skema penelitian dapat dilihat pada Gambar 4.

Perancangan sistem rekomendasi warung khas bali yang dikembangkan dalam aplikasi mobile nantinya diharapkan dapat membantu user dalam menentukan warung bali yang memiliki harga dan informasi terkait makanannya. Fitur yang diberikan pada aplikasi memberikan rekomendasi berdasarkan ketertarikan user lain dan rekomendasi berdasarkan rating.

Internet

Gambar 5. Gambaran Umum Sistem Rekomendasi Warung Khas Bali

CDM (Conceptual Data Model) yaitu model yang menjelaskan hubungan antar data dalam basis data yang mempunyai relasi antar objek – objek data.

Gambar 6. CDM (Conceptual Data Model) Sistem Rekomendasi

Diagram use case memberikan gambaran terkait fungsionalitas sistem dilihat dari sudut pandang user.

Gambar 7. Gambaran Umum Sistem Rekomendasi Warung Khas Bali

Gambar 8. merupakan rancangan tampilan ketika user membuat akun baru. Jika user ingin menggunakan aplikasi, maka user harus mendaftarkan diri pada aplikasi.

Gambar 9. Rancangan Antarmuka Page Warung

Gambar 10. merupakan rancangan antarmuka isi detail sebuah warung saat user memilih salah satu warung pada rancangan halaman awal. Pada page warung juga menampilkan daftar menu dan komentar yang ada warung tersebut. User dapat me-rating warung pada saat berada pada page warung.

Gambar 8. Rancangan Antarmuka Registrasi


Gambar 10. Rancangan Antarmuka Dialog Rating Warung


* Warung Bali U ∙

Image View Warung Bali

Gambar 11. Rancangan Antarmuka Page Warung Terating

5    PENUTUP

Dari hasil penelitian yang dilakukan dapat di ambil beberapa kesimpulan, antara lain :

  • 1    Telah berhasil dibuat perancangan untuk sistem rekomendasi kuliner khas Bali.

  • 2    Dalam perancangan sistem yang telah dibuat nantinya akan diterapkan dalam platform mobile divice.

  • 3    Sistem rekomendasi ini menerapkan metode collaborative filtering dengan algoritma Slope One.

  • 4    DAFTAR PUSTAKA

  • 1.  Arief, Assaf., Widyawan., dan

Hantono, B.S. November 2012. “Rancang      Bangun      Sistem

Rekomendasi   Pariwisata   Mobile

dengan Menggunakan Metode Collaborative Filtering dan Location Based Filtering”. JNTETI, Vol. 1, No. 3.

  • 2.  Asanov, Daniar. 2011.  "Algorithms

and Methods in Recommender

Systems." Berlin Institute of Technology, Berlin, Germany.

  • 3.    Kamila, V.Z. 2012. “Sistem Perekomendasi dengan Metode Itembased Collaborative Filtering pada Aplikasi Mobile Berbasis Android untuk Wisata Kuliner Kota Surakarta”. Universitas Sebelas Maret. Surakarta.

  • 4.    Khan, Mohd Ehmer. Juli 2011. Different Aproaches to White Box Testing Technique for Finding Errors. IJGEIA.vol. 5 no. 3.

  • 5.    Lemire, Daniel. and Maclachan, Annna. 2005. “Slope One for Online Rating Based Collaborative Filtering.”

  • 6.    Masruri, F. dan Mahmudy, W.F. 2007. “Personalisasi Web E-Commerce Menggunakan Recommender System dengan     Metode     Item-Based

Collaborative filtering”. Kursor 3, 1.

  • 7.    McGinty, L. dan B. Smyth., 2006. Adaptive selection:   analysis of

critiquing and preference based feed back in conversation on recommender system. International J Electron Commerce 11(2): 35-57.

  • 8.    Paessler, A. (n.d.). Webstress Manual. Germany.

  • 9.    Sanjoyo,                   Purwanto.

2009.“Pembangunan Perangkat Lunak Sistem Rekomendasi Bursa Elektronis Telepon Genggam”. Tesis, Insitut Teknologi Bandung. Bandung.

  • 10.    Surayin, I. A. 2007. “Masakan Bali”. Paramita. Surabaya.

  • 11.    Walpole, R.E. 1995. Pengantar Statistika. Edisi ketiga, Jakarta: PT. Gramedia Pustaka Utama.

  • 12.    Wiley, John. And Sons 2005. Systems Analysis and Design with UML(Second Edition). America.

  • 13.    Zhang, DeJia. 2009. An Item-Based Collaborative               Filtering

Recommendation  Algorithm Using

Slope One Scheme Smoothing. IEEE. p.215 – 217. Nanchang