Sistem Rekomendasi Point Of Interest (Poi) Menggunakan K-Means Clustering Dan User-Based Collaborative Filtering

SULIS SETIOWATI, Teguh Bharata Aji, S.T., M.T., M.Eng., Ph.D.; Dr.Eng Igi Ardiyanto, S.T.,M.Eng

2018 | Tesis | S2 Teknik Elektro

Sistem rekomendasi POI melibatkan volume data yang besar, sehingga muncul masalah skalabilitas yang tidak hanya menghasilkan peningkatan waktu pemrosesan namun juga menyebabkan berkurangnya akurasi. Selain akurasi, tipe data yang digunakan juga mempengaruhi hasil rekomendasi. Dalam sistem rekomendasi, terdapat beberapa jenis rating yaitu implisit (biner) dan eksplisit (skalar). Rating biner akan menghasilkan akurasi yang rendah ketika tidak ditangani dengan yang tepat. Beberapa penelitian terkait rating biner masih memperoleh akurasi yang rendah. Berbagai teknik telah dikembangkan dalam sistem rekomendasi lokasi untuk menangani permasalahan tersebut. Collaborative filtering adalah teknik yang memiliki akurasi yang tinggi dalam sistem rekomendasi lokasi, khususnya user-based dengan cosine similarity mampu menangani dataset dengan rating biner. Dalam penelitian ini, dikembangkan pendekatan user-based collaborative filtering yang dikombinasi dengan K-means clustering yang telah dioptimasi untuk meningkatkan akurasi sistem rekomendasi POI. Penentuan nilai K pada K-Means dioptimasi menggunakan metode Davies-Bouldin Index (DBI). Pendekatan pengukuran DBI yaitu memaksimalkan jarak intercluster serta meminimalkan jarak intracluster. Kemudian dataset di-cluster berdasarkan latitude dan longitude. Hasil clustering dari dataset Gowalla dan Foursquare yang di dapatkan, dibangun sistem rekomendasi menggunakan user-based collaborative filtering. Similaritas pengguna di hitung menggunakan cosine similarity. Penelitian ini dikembangkan menggunakan bahasa pemrograman Python dan beberapa software pendukung lainnya. Dari hasil eksperimen menunjukkan bahwa optimasi nilai K menggunakan metode Davies-Bouldin Index (DBI), menghasilkan clustering yang lebih baik dengan nilai K yang bervariasi dan dapat memaksimalkan hasil clustering. Metode K-means+UBCF menghasilkan presisi 0.086 untuk dataset Gowalla 1 dan 0.041 untuk dataset Foursquare untuk N=20. Kualitas rekomendasi dapat dilihat dari nilai f-measure sebesar 0.72 pada dataset Gowalla 1 dan 0.036 pada dataset Foursquare untuk N=20. Kemudian hasil penelitian dibandingkan dengan DBSCAN+UBCF, dan metode yang diusulkan mempunyai akurasi lebih baik yaitu meningkat 1% untuk nilai presisi. Hal ini membuktikan bahwa K-Means +UBCF dapat menangani dataset dengan implicit feedback dan meningkatkan presisi sistem.

The POI recommendation system involves large volumes of data, resulting in scalability issues that not only result in increased processing time but also result in reduced accuracy. In addition to accuracy, the type of data used also greatly affects the results of the recommendations. In the recommendation system, there are several types of rating namely implicit (binary) and explicit (scalar). Binary ratings will result in lower accuracy when it is not handled with the right approach. Some studies related to binary ratings still obtain low accuracy, which affects the results of recommendations. Various techniques have been developed in the site recommendation system to address the problem. Collaborative filtering is a technique that has high accuracy in location recommendation systems, especially user-based with similarity cosine capable of handling datasets with binary ratings. In this research, we developed a user-based collaborative filtering approach combined with optimized K-means clustering to improve the accuracy of the POI recommendation system. The dataset used is the dataset with implicit feedback, i.e. Gowalla and Foursquare. Determination of K value in K-Means were optimized using Davies-Bouldin Index (DBI) method. DBI measurement approach is to maximize the distance of inter cluster and minimize the distance of intra cluster. Then the dataset in the cluster was based on latitude and longitude. With the clustering results obtained, a recommendation system was built using user-based collaborative filtering. Similarity of users was calculated using cosine similarity. This research was developed using Python programming language and some other supporting software. From the experimental results showed that the optimization of the K value using the Davies-Bouldin Index (DBI) method, resulting in better clustering with many variation value of K. The K-means + UBCF method produces precision 0.086 for Gowalla 1 and 0.041 datasets for Foursquare datasets with N=20. Recommendation quality was represented with f-measure value 0.072 for Gowalla 1 dataset and 0.036 for Foursquare with N=20. Then the results were compared to DBSCAN + UBCF, and the proposed method had better accuracy of 1% increase in precision value. This proves that K-Means + UBCF can handle datasets with implicit feedback and improve system precision.

Kata Kunci : Sistem Rekomendasi POI, K-means, Metode Davies-Bouldin Index, Collaborative Filtering