Pengembangan Sistem Rekomendasi Tempat Pembuatan Kerajinan Tradisional Bali

Jurnal Ilmu Komputer VOL. XII No. 1

p-ISSN: 1979-5661

e-ISSN: 2622-321X

Pengembangan Sistem Rekomendasi Tempat Pembuatan Kerajinan Tradisional Bali

I Gusti Agung Gede Arya Kadyanan

Program Studi Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana

Jalan Kampus Bukit Jimbaran, Badung, Bali, Indonesia

[email protected]

Abstract

Bali adalah salah satu destinasi tempat tujuan para wisatawan yang sangat berkembang saat ini. Banyak wisatawan datang ke Bali untuk mencari kerajinan tradisional Bali. Dari hasil data kuisioner, 56.7 % dari responden sangat tertarik dan 40.3 % dari responden tersebut tertarik ingin tahu dimana pembuatan kerajinan tradisional Bali. Wisatawan hanya mengetahui pusat pembelian kerajinan tanpa tahu dimana tempat pembuatannya. Sistem Rekomendasi dapat mengenalkan tempat pembuatan kerajinan tradisional Bali dengan membangun aplikasi. Sistem rekomendasi adalah sistem yang memberikan rekomendasi kepada pengguna dalam menemukan tempat pembuatan kerajinan tradisional bali berdasarkan pengguna sebelumnya. Sistem rekomendasi ini dibangun dengan menggunakan metode ICHM (item-basedclusteringhybridmethod) dan algoritmaslopeone. Dimana sistem ini akan memberikan suatu rekomendasi tempat dan kerajinan berdasarkan rating item dan konten item. Pengujian menggunakan MAE (MeanAverange Eror) pada sistem mendapatkan nilai kurang dari 1,000. Semakin rendah nilai MAE maka nilai rekomendasi semakin akurat.

Keywords: Kerajinan Tradisional Bali, Slope One, ICHM, Rekomendasi

• 1.    Pendahuluan

Bali adalah salah satu destinasi tempat tujuan para wisatawan yang sangat berkembang saat ini, karena Bali memiliki beragam keunikan yang dimiliki oleh masyarakatnya sendiri seperti seni budaya, kerajinan tradisional, dan pariwisatanya. Berdasarkan hasil kuisioner dan pengamatan secara lisan banyak para wisatawan lokal maupun asing berkunjung ke Bali untuk mencari kerajinan tradisional Bali yang banyak diperjual belikan di pasar-pasar tradisional maupun pasar oleh-oleh Bali. Dari hasil data kuisioner, 56.7 % dari responden sangat tertarik dan 40.3 % dari responden tersebut tertarik ingin tahu dimana dan bagaimana cara pembuatan kerajinan tradisional Bali tersebut. Para wisatawan yang ingin melihat langsung cara pembuatan kerajinan tradisional tidak mengetahui dimana tempat pembuatan kerajinan tradisional Bali. Salah satu yang menjadi kendala adalah kurangnya informasi yang tersedia serta pemanfaatan teknologi yang belum optimal.

Sistem rekomendasi merupakan sistem yang digunakan membantu user dalam memilih atau membeli sebuah item. Metode rekomendasi sistem yang dapat digunakan adalah metode content-basedfiltering, berdasarkan beberapa penelitian metode tersebut memiliki beberapa keterbatasan yaitu saat user menginginkan suatu rekomendasi item yang memiliki jenis konten yang berbeda dengan item yang sebelumnya pernah dipilih user. Untuk menutupi kekurangan content-basedfiltering maka dibangun metode collaborativefiltering[1]. Dalam beberapa penelitian yang pernah dilakukan, collaborativefiltering dinyatakan berhasil dalam rekomendasi sistem namun masih memiliki kelemahan pada suatu item yang tidak pernah ter-rating oleh user, sehingga item tersebut akan tenggelam dalam sistem dan tidak dapat direkomendasikan pada sistem tersebut yang disebut cold-start problem[4]. Untuk itu, dikembangkan metode HybridCollaborativefiltering yang menggabungkan antara content-basefiltering dan

collaborativefiltering[4]. Metode sistem rekomendasi yang sering digunakan dan berhasil berjalan dengan baik yaitu metode hybridcollaborativefiltering untuk menghasilkan output rekomendasi yang lebih baik.

Metode HybridCollaborativefiltering memiliki tiga cara penggabungan yaitu dengan penggabungan secara sequensial, Linier, dan Item-basedClusteringHybridMethod[4] Item-basedClusteringMethod(ICHM) adalah salah satu metode penggabungan menggunakan pendekatan hybrid. Dimana metode Item-basedClusterMethod ini memiliki kelebihan yaitu dapat mengatasi masalah rekomendasi untuk item yang baru atau belum mendapatkan rating agar tidak tenggelam pada sistem yang disebut cold-start problem.

Kualitas dari sebuah kerajinan tradisional Bali dapat dilihat dari rating yang dimiliki oleh item tersebut. Beberapa penelitian telah menyebutkan bahwa jika rating sebuah item ada yang kosong akan dapat mengurangi akurasi dari hasil rekomendasi. Algoritmaslopeone adalah algoritma yang dapat digunakan untuk memprediksi rating yang kosong pada suatu item [1]. Pada algoritmaslopeone memerlukan dua buah inputan yaitu rating dari user sebelumnya dan item yang akan di prediksi.

Penelitian yang dilakukan yaitu menggabungkan kedua penelitian sebelumnya yaitu penerapan metode ICHM untuk mengatasi cold-start problem pada sistem rekomendasi[4] dan menerapkan AlgoritmaSlope One untuk memprediksi rating yang kosong[1]. Dimana pengembangan yang dilakukan yaitu sistem rekomendasi tempat pembuatan kerajinan tradisional Bali berbasis mobile untuk menentukan rekomendasi tempat pembuatan kerajinan tradsisional Bali menggunakan metode Item-basedClusteringHybrid dan AlgoritmaSlope One. Sistem rekomendasi yang dikembangkan ini dapat memberikan sebuah informasi rekomendasi yang dapat digunakan untuk menawarkan item kepada user hingga memberikan informasi yang dapat membantu user lain dalam memilih tempat pembuatan kerajinan tradisional Bali. Melihat latar belakang diatas dan permasalahan yang ada untuk mengetahui tempat pembuatan kerajinan tradisional Bali, maka dirancang suatu sistem rekomendasi yang dapat memberikan sistem rekomendasi kepada user dengan ketertarikan dari user lain.

• 2.    Metodologi Penelitian

Sistem rekomendasi tempat pembuatan kerajinan tradisional Bali, dikembangkan menggunakan beberapa desain rancangan, metode dan algoritma. Berikut adalah pembahasan metode, algoritma, perancangan sampai dengan hasil implementasi sistem rekomendasi.

Item-basedClusteringHybridMethod (ICHM) digunakan sebagai metode sistem rekomendasi pada penelitian ini. ICHM diharapkan mampu melakukan pendekatan solusi dengan menggabungkan konten dan rating item yang akan direkomendasikan. Membahas tentang data rating item, memungkinkan data tersebut terdapat nilai 0 yang menyebabkan akurasi rekomendasi menjadi menurun. AlgoritmaSlope One diharapkan dapat menjadi pendekatan solusi dari masalah tersebut. Sebelum data rating item diproses dengan metode ICHM, terlebih dahulu di proses dengan algoritmaSlope One untuk memprediksi nilai rating item yang selanjutnya akan diproses oleh metode ICHM. Nilai prediksi rekomendasi selanjutnya diproses menggunakan metode SimpleAdditiveWeighting (SAW) guna menampilkan rekomendasi item berdasarkan prioritas jarak dan rating.

Gambar 1. Bagan alir sistem rekomendasi tempat kerajinan tradisional Bali

• 2.1    Sistem Rekomendasi

Sistem rekomendasi merupakan suatu model aplikasi untuk menyediakan dan memberi sebuah rekomendasi pada suatu item dalam menentukan suatu keputusan yang di inginkan user. Sistem rekomendasi adalah suatu model aplikasi dan hasil dari observasi yang dapat memberikan suatu rekomendasi tempat atau item kepada useratas keadaan dan keinginan user[5].

• 2.2    AlgoritmaSlope One

AlgoritmaSlopeone bekerja untuk melihat perbedaan popularitas antar item berdasarkan selisih rating antar item tersebut. Diperlukan dua buah input pada algoritmaSlope One, yaitu rating dari pengguna dan item mana yang akan diprediksi. AlgoritmaSlope One dapat mengurangi overfittingdimana model mengalami randomerror atau noise, sehingga mengakibatkan hasil prediksi tidak bagus. AlgoritmaSlope One meningkatkan kinerja dan mengurangkan rating rata-rata dari dua buah item[7].

Gambar2.Basis Slope One Schema[8]

• 3.    Hasil dan Pembahasan

Pendekatan algoritma Slope One digunakan untuk mendapatkan nilai rata – rata selisih rating antar item, yaitu dijelaskan sebagai berikut.

^devI^l   ∑uεsj_i(x) _card(_sJ₁(X))...........................................(1)

Dimana, devj,_l Uj

Ui

X

Sj,ι(X)

: Rata-rata selisih rating item i terhadapitem j

: Rating item j

: Rating itemi

: Training set

: Kumpulan semua evaluasiu ∈^xyang mencakup item i dan j didalamnya (i, j ∈ S(u))

card(S_j,_l(X))

: Banyaknya elemen dalam Sj_l(X)

Setelah memperoleh rata – rata selisih rating antar item, maka dapat dilakukan perhitungan prediksi rating untuk item yang tidak ada rating, yang di tulis pada persamaan sebagai berikut.

Dimana,

nS1(..∖  _ ∑US(u)-{J}(devj'i+^ui)Cj'i

^{P (U)} j = v       Z

∑lεS(u)-{J}^cJ,l

(2)

P^si (U) j

Cj_il = card(Sj,_l(X))

: PrediksiSlope One untuk item j

: Banyaknya elemen dalam Sj_l(X)

• 2.3    Algoritma K-MeansClustering

AlgoritmaK-MeansClustering diperkenalkan oleh J.B. MacQueen pertama kali pada tahun 1976. K-MeansClustering adalah suatu algoritma analisis cluster yang bertujuan untuk mempartisi sejumlah n banyak data observasi ke dalam kelompok k dimanamasing – masing data observasi termasuk dalam cluster dengan nilai rata – rata terdekat. Langkah – langkah algoritmaK-MeansClustering, yaitu sebagai berikut [11] :

• 1.    Menentukan k sebagai jumlah cluster yang ingin di bentuk.

• 2.    Membangkitkan nilai acak untuk pusat cluster awal (centroid) sebanyak k.

• 3.    Menghitung jarak setiap data input terhadap masing – masingcentriud menggunakan persamaan EuclideanDistance hingga ditemukan jarak yang paling dekat dari setiap data dengan centroid. Berikut adalah persamaan EuclideanDistance.

D_e = √(Xl-s∂²+ (yl-t_l)2.......................................(3)

Dimana,

D_e i (χ,y) (s^{, t})

: EuclideanDistance.

: objek ke-i.

: Koordinat objek.

: Koordinat centroid.

• 4.    Melakukan cluster setiap data berdasarkan kedekatan dengan centroid (jarak terkecil).

• 5.    Memperbaharui nilai centroid dengan rata – rata cluster yang bersangkutan dengan persamaan berikut.

  Cl =

  
  

  ∑x∈C_lx ^l

  
  

  …………………………………………..(4)

  
  

Dimana,

x       : Suatu objek (data observasi).

C_t        : Cluster ke-i.

c_i       : Centroid baru dari cluster C_t.

m_l      : Jumlah objek (data) pada cluster ke-i.

• 6.    Melakukan perulangan dari langkah 2 hingga 5, sampai anggota setiap cluster tidak ada yang berubah.

  • 2.4    Item-BasedClusteringHybridMethod

Item-BasedClusteringHybridMethod (ICHM) merupakan salah satu metode berbasis hybrid yang menggabungkan pendekatan   Content-BasedFilteringdan   CollaborativeFiltering.

Keunggulan dari ICHM adalah dapat mengatasi permasalahan cold-start problem yaitu memprediksi dan merekomendasikan item yang belum pernah di-rating sama sekali. Berikut adalah tahap – tahap metode ICHM, sebagai berikut [4] :

• 1.    Implementasikan algoritmaclustering pada konten item. Kemudian hitung nilai peluang setiap item ke setiap cluster untuk membangun matriks group-rating. Algoritma yang digunakan adalah algoritmaK-MeansClustering, Namun pada langkah terakhir setelah pengelompokkan, dihitung keterkaitan atau peluang setiap item terhadap cluster, dengan persamaan berikut.

Pro(j, k) = 1- ^cs(^i,k)   ........................................(5)

^j              maxCS(ι,k)                                           ' '

Dimana,

Pro(j,k)        : Peluang item j untuk menjadi bagian dari cluster k

CS(j,k)        : Counter-similarity antara item j dan cluster k, dengan persamaan

EuclideanDistance.

maxCS(i, k)    : Nilai similarity terbesar sebuah item pada cluster k.

• 2.    Perhitungan similarity dilakukan pada matriks group-rating dan matriks item-rating, lalu hasilnya digabungkan untuk perhitungan prediksi.

• a.    Persamaan pearsoncorrelation-basedsimilarity merupakan persamaan berbasis korelasi digunakan untuk menghitung similarity item-rating, dengan persamaan sebagai berikut.

∑n-^^(Rui ^Ri)^^(RuJ Rj) sιm(ι,j) = ,         ’-     '^{j  j} =

………………………(6)

^CU=[(^Ru,l^-Rl) ²×√∑u=ι ^(Ru,j ^-Rj)²

Dimana,

sim(i,j)         : Nilai simlarity antara item i dan item j

m              : Jumlah total user yang me-rating item i dan item j

R₁ dan R_j       : Rating rata - rata pada item i dan item j

R_ut dan R_uj    : User u me-rating item i dan item j

• b.    Persamaan AdjustedCosineSimilarity digunakan untuk menghitung similaritygroup-rating, dengan persamaan sebagai berikut.

sim(k, I) = -∑^uu⅛^ru½J^u×^^

……………………..(7)

√∑U=ι(Ru,k-Ru)²×√∑U=ι(Ru,ι-Ru)²

Dimana,

sim(k, l')        : Nilai similarity antara item k dan item l

R_u               : Rata - rata nilai cluster u

R_u,_k dan R_u,_l    : Nilai cluster u dengan item k atau item l

• 3.    Menggabungkan nilai similarityrating-item dengan similaritygroup-rating dengan persamaan kombinasi linier.

sim(k, l') = sim(k, l)_ιtem × (1 - c) + sim(k, l)_group × c ...........................(8)

Dimana, sim(k, l) sim(k, l)_uem ^sim(^k, ^l)group c

: Similarity kombinasi linier antar dua obyek k dan l

: Similarity item-rating antar dua obyek k dan l

: Similaritygroup-rating antar dua obyek k dan l

: kombinasi koefisien

• 4.    Menghitung prediksi rating untuk suatu item dibagi menjadi dua berdasarkan kasus atau kondisi, yaitu non cold-start problem dan cold-start problem.

• a.    Non cold-start problem merupakan kondisi item yang sudah mendapatkan rating dari beberapa   user.   Kondisi ini menggunakan metode

weightedaverageofdeviation yang didapat dari rata – rata item yang telah dirating, dengan persamaan sebagai berikut.

Pu,k

^^^^^

= R_k +

∑t=₁(R_u,i-Ri)×sim(k,ι)

∑l=₁∖sim(k,i)∖

……………………………………..(9)

Dimana,

^Pu,k n

Rui    _

R_k dan R_i sim(k, i)

: Prediksi rating item k untuk user u.

: Jumlah rated item user u.

: Rating dari user u untuk item i.

: Rating rata – rata untuk item k dan item i.

: Similarityitem k dengan seluruh rated item activeuser.

• b.    Cold-start problem merupakan kondisi item baru masuk kedalam sistem dan belum mendapat rating sama sekali oleh user. Metode yang digunakan adalah weighted sum, dengan persamaan sebagai berikut.

  ∑l=₁R_ui×sim(_k,i)

  ∑l=₁∖sim(ki)∖

  
  

  ……..………………………………(10)

  
  

Dimana,

P_{u k}             : Prediksi rating item k untuk user u.

n              : Jumlah rated item user u.

R_u,_i              : Rating dari user u untuk item i.

sim(k, i)        : Nilai similarity antara item k dengan seluruh rateditem activeuser.

• 2.5    Metode SimpleAdditiveWeighting

Metode SimpleAdditiveWeighting (SAW) merupakan metode pembobotan kombinasi linier dengan proses sederhana yang banyak digunakan dalam kasus penyelesaian masalah MultipleAttributeDecision Making (MADM). Konsep dasar metode SAW yaitu penjumlahan terbobot dari nilai setiap alternatif dari semua atribut yang terlebih dahulu dilakukan normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua nilai alternatif yang ada. Tahap – tahap proses metode SAW sebagai berikut [12].

Menentukan bobot kriteria (C) dan alternatif (A) yang akan diproses menggunakan metode SAW.

Membuat matriks keputusan berdasarkan kriteria (C), dan melakukan normalisasi matriks keputusan (R) dengan persamaan sebagai berikut.

^rU =

{

^xi, i

_Max^} jika j atribut keuntungan (benefit)

V^xU

Min_v i^χt,j

……………………..(11)

^xU

jika j atribut biaya (cost j

Dimana,

^rU ^xU Max

Min

: Rating kinerja ternormalisasi alternatif A_i pada atribut C_j

: Nilai alternatif A_i pada atribut Cj

: Nilai tertinggi alternatif A_i di kriteria Cj

: Nilai tertinggi alternatif A_i di kriteria Cj

Kalkulasi nilai preferensi (V) yaitu penjumlahan dari hasil kali normalisasi matriks keputusan (R) dengan vektor bobot kriteria (W) sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik sebagai solusi.

V_i = ∑‰Wj×r_lj ................................................(12)

Dimana,

V_i       : Nilai preferensi setiap alternatif

n       : Jumlah kriteria (C)

j        : Kolom kriteria (C)

Wj      : Nilai bobot kriteria

r_ij      : Rating kinerja ternormalisasi alternatif A_i pada atribut Cj

• 2.6    Implementasi

Antarmuka dashboard berfungsi untuk pengguna mendapatkan informasi rekomendasi tempat dan produk kerajinan berdasarkan rating-item, konten item, dan jarak item. Item paling teratas merupakan item yang paling direkomendasikan oleh sistem rekomendasi tempat kerajinan tradisional Bali. Informasi item yang didapatkan oleh pengguna adalah gambar, nama, deskripsi dan rating item.

Gambar 3. Antarmuka dashboard platform mobile

• 4.    Kesimpulan

Hasil uji coba dihitung menggunakan persamaan MAE guna mengetahui nilai error dari item yang direkomendasikan. Rentang nilai MAE adalah mulai dari 0 sampai dengan 1 (kontinu). Rekomendasi menjadi tidak akurat jika nilai MAE adalah lebih besar atau sama dengan 1.

MAE =

MAE =

V’ N ^lPi Qi|

∑ⁱ=1 N

∣(3,18-4)+(3,00-4)+(3,37-5)+-+(2,86-5)∣

MAE =

50

∣(-0,27)+3,42+(-2,03)+∙∙∙+(1,88)∣

50

MAE = 0,45

Hasil dari perhitungan tersebut merupakan item tempat pembuatan kerajinan “Slamet Gamelan” dengan nilai MAE adalah 0,45. Berikut adalah grafik untuk semua nilai MAE item tempat kerajinan pada sistem rekomendasi.

Gambar 4. Grafik nilai MAE tempat kerajinan

Informasi rekomendasi tempat kerajinan paling akurat merupakan nilai MAE paling rendah adalah 0,31 yaitu Murtika Lukisan. Sedangkan rekomendasi yang memiliki nilai MAE paling tinggi adalah 0,66 yaitu Sumber Aneka Kreasi Bamboo. Nilai MAE yang akurat tidak lebih dari 1,00 atau semakin rendah nilai MAE maka keakuratan dari nilai prediksi tersebut memungkinkan sistem memberikan rekomendasi yang lebih baik dan berkualitas bagi user.

References

• [1]    B. Liu, Web Data Mining: Exploring, Hyperlinks, Contents, and Usage Data (Second Edition), 2nd penyunt., New York: Springer Heidelberg Dordrecht Londong New York, p. 137, 2011.

• [2]    D. Lemire dan A. Maclachlan, “Slope One Predictors for Online Rating-Based Collaborative Filtering,” SDM, 2005, pp. 1-5.

• [3]    E. A. Laksana, “Collaborative Filtering dan Aplikasinya,” Jurnal Ilmiah Teknologi Informasi Terapan, pp. 36-40, 2014.

• [4]    F. Masruri dan W. F. Mahmudy, “Personalisasi Web E-Commerce Menggunakan Recommender System dengan Metode Item-Based Collaborative Filtering,” Kursor, pp. 112, 2007.

• [5]    G. Adomavicius dan A. Tuzhilin, “Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions,” IEEE transactions on knowledge and data engineering, vol. 17, no. 6, pp. 734-749, June 2005.

• [6]    I. W. G. P. Darmaja, “Rancang Bangun Sistem Rekomendasi Warung Makanan Khas Bali Menggunakan Metode Collaborative Filtering Berbasis Mobile,” Ilmu Komputer, UNUD, Jimbaran, 2016

• [7]    L. McGinty dan S. B, “Adaptive selection: analysis of critizing and preference based feed back in conversation on recommender system,” International Journal Electronics Commerce, vol. 11, no. 2, pp. 35-57, 2006.

• [8]    N. P. E. Merliana, E. dan A. J. Santoso, “Analisa Penentuan Jumlah Cluster Terbaik Pada Metode K-Means Clustering,” Prosiding Seminar Nasional Multi Disiplin Ilmu & Call For Papers UNISBANK (SENDI_U), 2015, pp. 1-6.

• [9]    N. R. W, S. Defiyanti dan M. Jajuli, “Impelementasi Algoritma K-Means Dalam Pengklasteran Mahasiswa Pelamar Beasiswa,” Jurnal Ilmiah Teknologi Informasi Terapan, pp. 62-68, 2015.

• [10]  P. C. Fishburn, A Problem-based Selection of Multi-Attribute Decision Making Methods,

New Jersey: Blackwell Publishing, 1967.

• [11]  R. A. Djamal, W. Maharani dan P. A. Kurniati, “Analisis dan Implementasi Metode Item

Based Clustering Hybrid Pada Recommender System,” Konferensi Nasional Sistem dan Informatika, 13 November 2010, pp. 216-222.

• [12]  T. Connolly dan C. Begg, Database Systems: a Practical Approach to Design,

Implementation, and Management. 5th Edition., America: Pearson Education, 2010.

• [13]  Z. Zhengde dan L. Jianjun, “Based on Slope-one Hybrid Recommendation,” IEEE

Workshop on Advanced Research and Technology in Industry Application (WARTIA), pp. 203-205, 2014.

47