Analisa Algoritma Cosine Similarity dengan Pearson Correlation pada Metode Item-based Collaborative Filtering dengan Menggunakan Dataset Movielens
Abstract
Sistem rekomendasi merupakan sistem yang bertujuan untuk memberikan prediksi sejumlah informasi yang menarik bagi penggunanya. Pada sistem rekomendasi terdapat dua metode rekomendasi yang sudah dikenal secara luas yaitu Content-based Filtering dan Collaborative Filtering. Item-based Collaborative Filtering adalah metode rekomendasi klasik yang menggunakan rating pengguna untuk menghasilkan item rekomendasi berdasarkan kemiripan antar item. Penelitian ini membahas tentang analisa algoritma Cosine Similarity dengan Pearson Correlation pada metode Item-based Collaborative Filtering. Metode rekomendasi Item-based Collaborative Filtering mampu memberikan rekomendasi yang lebih baik dari Content-based Filtering karena menggunakan rating sebagai sumber informasi sehingga item rekomendasi yang dihasilkan mempunyai variasi konten dan kemungkinan disukai oleh pengguna. Dengan sample data dari movielens 100k rating sebanyak 7 user dan 6 movie yang berbeda didapatkan 1 rekomendasi movie yang sama pada kategori movie yang paling mirip sedangkan pada movie yang paling tidak mirip kedua algoritma memberikan hasil yang berbeda dengan perbandingan nilai similarity dan komposisi rating yang cukup signifikan.
References
[2] F. Ricci, L. Rokach, B. Shapira, and P. B. Kantor, Recommender Systems Handbook, vol. 532. New York: Springer, 2009.
[3] G. Linden, B. Smith, and J. York, “Amazon.com Tecommendations: Item-to-Item Collaborative Filtering,”2003.
[4] B. M. Kim and B. M. Kim, “A new approach for combining content-based and collaborative filters,” no. May, 2014.
[5] R. Oktoria, W. Maharani, and Y. Firdaus, “Content-Based Recommender System Menggunakan Algoritma Apriori,” in Konferensi Nasional Sistem dan Informatika, 2010, pp. 124–129.
[6] P. S. Adi, “Sistem Rekomendasi Nilai Mata Kuliah menggunakan Metode Content-Based Filtering,” in Seminar Nasional Informatika, 2010, p. A.90-A.94.
[7] E. A. Laksana, “Collaborative Filtering dan Aplikasinya,”vol. 1, no. 1, pp. 36–40, 2014.
[8] B. Sarwar, G. Karypis, J. Konstan, and J. Reidl, “Item-BasedCollaborative Filtering Recommendation Algorithms,” Proctenth Int. Conf. World Wide Web - WWW ’01, 2001.
[9] R. Katarya and O. P. Verma, “An effective collaborativemovie recommender system with cuckoo search,” EgyptInformatics J., vol. 18, no. 2, pp. 105–112, Jul. 2017.
[10] R. A. Djamal, W. Maharani, and P. Kurniati, “Analisis DanImplementasi Metode Item-Based Clustering Hybrid PadaRecommender System,” in Konferensi Nasional Sistem danInformatika, 2010, pp. 216–222.
[11] R. Zhang, Q. Liu, J. Wei, and Huiyi-Ma, “CollaborativeFiltering for Recommender Systems,” in Advanced Cloudand Big Data Collaborative, 2014, pp. 301–308.
[12] T. Arsan, “Comparison Of Collaborative Filtering Algorithms With Various Similarity Measures For Movie Recommendation,” vol. 6, no. 3, pp. 1–20, 2016.
[13] I. Journal et al., “International Journal Of Engineering Sciences & Research Technology An Implementation Of Pearson Correlation Method For Predicting Items To User In E-Commerce,” vol. 5, no. 7, pp. 873–882, 2016.
[14] F. M. Harper and J. A. Konstan, “The MovieLens Datasets,” ACM Trans. Interact. Intell. Syst., vol. 5, no. 4, pp. 1–19, 2015.
[15] C. Hector, Practical Data Analysis. 2013. [16] Wiranto and E. Winarko, “Konsep Multicriteria Collaborative Filtering untuk Perbaikan Rekomendasi,” in Seminar Nasional Informatika, 2010, pp. D95–D101.
