Algoritme Genetika untuk Mengurangi Galat Prediksi Metode Item-Based Collaborative Filtering

I WAYAN JEPRIANA, Drs. Retantyo Wardoyo, M.Sc, Ph.D

2018 | Tesis | S2 Ilmu Komputer

Sistem rekomendasi adalah suatu teknik dan perangkat lunak yang dapat memberikan suatu anjuran yang bermanfaat bagi pengguna dalam proses pengambilan keputusan. Metode yang banyak digunakan dalam sistem rekomendasi adalah collaborative filtering. Pengembangan dari pendekatan untuk mengurangi kesalahan prediksi sudah menjadi sebuah topik penelitian yang aktif dalam sistem rekomendasi dengan collaborative filtering. Akurasi dari prediksi memainkan peran yang sangat penting dalam pemberian rekomendasi kepada pengguna. Salah satu permasalahan yang terjadi pada collaborative filtering adalah jika hanya sedikit pengguna yang telah memberikan rating untuk item, yang menyebabkan sulit untuk mengidentifikasi neighborhood yang benar dan relevan untuk membuat prediksi. Terdapat dua macam metode collaborative filtering yaitu user-based collaborative filtering dan item-based collaborative filtering. Metode item-based memberikan kualitas prediksi yang lebih baik daripada metode user-based. Optimasi metode user-based collaborative filtering dengan algoritme genetika untuk memperbaiki nilai kemiripan user mampu mengurangi galat prediksi. Pada penelitian ini dikembangkan optimasi sistem rekomendasi dengan menerapkan algoritme genetika untuk memperbaiki nilai kemiripan item. Untuk pengujian, penelitian ini menggunakan dataset movielens dan book-crossing. Evaluasi dilakukan dengan variasi jumlah neighbors terhadap metode pengukur kemiripan yang digunakan, seperti: cosine similarity, pearson correlation dan adjusted cosine. Hasil menunjukan peningkatan kualitas prediksi sebesar 1,5% diperoleh evolusi pearson correlation untuk dataset movielens, dan peningkatan 5,1% oleh cosine similarity pada dataset book-crossing. Galat prediksi terendah diperoleh evolusi metode adjusted-cosine pada kedua dataset.

Recommender system is a technique and software that can provide a suggestion or recommendation that is expected to benefit the user where it helps in the decision-making process. A widely used method in recommender systems is collaborative filtering. The development of an approach for reducing the prediction error has been an active research field in collaborative filtering recommender systems. The accuracy of the predictions plays a very important role to provide recommendations to users. One of the problems with collaborative filtering methods is that only a few users have rated the items, which makes it difficult to identify the correct and relevant neighborhoods to make predictions. There are two types of collaborative filtering methods: user-based collaborative filtering and item-based collaborative filtering. The item-based method provides better prediction quality than the user-based method. The optimization of user-based collaborative filtering method with genetic algorithm approach for refining similarity values can reduce prediction error. In this research, optimization of recommender system is developed by applying genetic algorithm for refining the similarity values between item. For testing, this research uses movielens and book-crossing datasets. Evaluation was done by variation number of neighbors to the similarity measuring method used, such as cosine similarity, pearson correlation and adjusted cosine. The results showed a 1.5% prediction quality improvement obtained by evolution of pearson correlation for the movielens dataset, and a 5.1% improvement by evolution of cosine similarity on the book-crossing dataset. The lowest prediction error obtained by evolution of adjusted-cosine method on both datasets.

Kata Kunci : optimasi,sistem rekomendasi,item-based collaborative filtering,algoritme genetika