Membuat Sistem Rekomendasi Menggunakan Item-based Collaborative Filtering

Pada kesempatan kali ini, saya akan sedikit berbagi tentang bagaimana cara membuat sistem rekomendasi atau recommender system menggunakan metode collaborative filtering. Sebelumnya saya sudah menulis tentang apa itu rekomendasi sistem, metode apa saja yang digunakan, dan lain sebagainya di postingan ini.

Oke, kali ini saya hanya akan membahas perancangan sistem rekomendasi yang menggunakan metode item based collaborative filtering. Apa itu? Mari kita simak. 🙂

Metode Collaborative Filtering

Collaborative filtering, atau yang biasa disebut dengan crowd-wisdom adalah salah satu metode rekomendasi yang menggunakan data rating dari seorang pengguna, dan pengguna lain untuk menghasilkan rekomendasi. Collaborative filtering menganggap bahwa selera pengguna terhadap suatu item atau barang akan cenderung sama dari waktu ke waktu. Ditambah lagi, pengguna yang menyukai suatu item biasanya juga akan menyukai item lain yang disukai oleh pengguna lain yang juga menyukai item yang sama dengan pengguna tersebut.

Contoh gampangnya seperti ini, misalnya kalian menyukai film Lord of The Ring, kemudian menggunakan sistem rekomendasi, kalian ingin mengetahui film-film lainnya yang mirip atau mempunyai genre yang sama dengan Lord of The Ring. Dalam pemrosesan, sistem kemudian menemukan bahwa orang-orang yang menyukai Lord of The Ring biasanya juga suka film-film The Hobbit, Game of Thrones, dan Seven Kingdoms. Dari hasil tersebut, maka sistem memutuskan bahwa ketiga film itulah yang akan direkomendasikan kepada kalian.

Item-based collaborative filtering

Metode collaborative filtering sendiri dibagi lagi menjadi dua, yaitu user based dan item based. Bedanya, jika user based menghitung kesamaan di antara pengguna sebagai parameter untuk menghasilkan rekomendasi. Maka item based akan menghitung kesamaan di antara item, dilihat dari rating yang diberikan pengguna untuk item tersebut.

Untuk membuat sistem rekomendasi menggunakan metode item based collaborative filtering, ada dua langkah yang harus dilakukan, yaitu seperti berikut.

Menghitung Similarity

Pertama-tama, kita harus menghitung similarity antara satu item dengan item lainnya. Rumus yang biasa dipakai adalah cosine similarity measure, yang menghitung kemiripan antara dua item dari sudut kosinus yang terbuat diantara kedua item tersebut. Sehingga apabila nilai cosinus-nya adalah 1, maka item tersebut benar-benar identik. Sedangkan jika nilainya 0, maka kedua item tersebut sama sekali tidak mempunyai kemiripan.

Rumus cosine similarity measure

Rumus cosine similarity measure

Jika kemiripan sudah dihitung, maka kita akan mengurutkan item-item berdasarkan similarity mereka, item-item yang mempunyai similarity besar akan berada pada urutan atas, dan sebaliknya.

Menghitung prediksi rating

Setelah itu, langkah kedua yang harus dilakukan adalah menghitung prediksi rating dari item-item tersebut. Perhitungan rating dilakukan dengan cara membandingkan rating yang pernah diberikan pengguna pada suatu item dengan kemiripan antara item tersebut dengan item lainnya. Metode yang dipakai adalah menggunakan metode weighted sum.

Rumus Weighted Sum

Rumus Weighted Sum

Jika prediksi rating sudah dihitung, maka rekomendasi item pun dapat dihasilkan. 😀

Inilah sedikit yang bisa saya sampaikan. Untuk implementasinya menggunakan PHP, tunggu postingan berikutnya. 🙂





Download aplikasi kami di Google Play Store


Tutorial Menarik Lainnya :

8 Comments

  1. abhiseka poetra August 16, 2013
  2. wahid wicaksono November 9, 2013
  3. Fathul Azis February 24, 2014
  4. jam May 31, 2014
  5. Andrian Aprilianto February 23, 2015
  6. Andrian Aprilianto February 23, 2015
    • Ahmad Harmain March 31, 2016
  7. hamid June 23, 2016

Leave a Reply

Do NOT follow this link or you will be banned from the site!