SISTEM REKOMENDASI SERENDIPITY DENGAN METODE COLLABORATIVE FILTERING DAN K-MEANS CLUSTERING

WIDHI HARTANTO, Teguh Bharata Adji, S.T., M.T., M.Eng., Ph.D;Ir. Noor Akhmad Setiawan, S.T., M.T., Ph.D., IPM.

2020 | Tesis | MAGISTER TEKNOLOGI INFORMASI

Rekomendasi yang sesuai dengan karakter konsumen telah banyak membantu dalam menemukan produk yang sesuai selera konsumen. Akan tetapi rekomendasi seperti ini menjadi tidak menarik apabila dilakukan secara berulang-ulang. Konsumen mengharapkan rekomendasi yang memiliki kriteria serendipity, antara lain novelty, unexpectedness, dan relevance. Oleh karena itu penelitian untuk mengembangkan sistem rekomenasi serendipity mulai banyak dilakukan. Pengembangan sistem rekomendasi serendipity pada umumnya menggunakan algoritma collaborative filtering. Algoritma ini dipilih karena memiliki kompleksitas yang rendah dan kemudahan dalam melakukan interpretasi hasil. Algoritma collaborative filtering sering dikombinasikan dengan dengan algoritma kNN. Algoritma kNN merupakan algoritma yang menggunakan konsep jarak antar data untuk menghasilkan rekomendasi yang akurat dan memiliki tingkat kemiripan tinggi dengan data acuan. Akan tetapi, hal ini menjadikan algoritma kNN tidak sesuai untuk menghasilkan rekomendasi serendipity. Hierarchical clustering merupakan salah satu algoritma yang berdasarkan jarak antar data yang dapat menghasilkan rekomendasi serendipity. Akan tetapi algoritma ini memiliki keterbatasan karena hanya sesuai digunakan pada data yang memiliki hubungan hirarkis dan tidak sesuai untuk data yang berukuran besar. Oleh karena itu penelitian ini menggunakan algoritma pengklasteran k-Means untuk menghasilkan klaster dari data collaborative filtering. Klaster-klaster ini digunakan untuk menentukan rekomendasi serendipity dengan menggunakan jarak antar klaster. Rekomendasi yang dihasilkan diuji dengan menggunakan data groundtruth Movielens. Dari hasil variasi 13 jumlah klaster, diperoleh nilai MAE terendah yaitu 0,239 dari jumlah klaster 9.

Recommendation system has benefitted users in finding product that match their character. But this kind of recommendation become less interesting when repetitively given. Users are expecting the recommendations to have serendipity criteria, i.e. novelty, unexpectedness, and relevance. Therefore, many researchers began to engage in the research of serendipity recommendation that usually uses collaborative filtering algorithms. Collaborative filtering algorithm is used because of its low level of complexity and its explainable decision. Collaborative filtering is mostly combined with kNN algorithm to produce accurate recommendation. The kNN algorithm support in selecting the most similar item using distance-based concept. In order to produce serendiptuous recommendation, distance-based concept is applied using heirarchical clustering. However, heirarchical clustering cannot adapt with a large amount of data. Therefore, our proposed work uses K-Means Clustering algorithm to generate the clusters of items, which are obtained by collaborative filtering process. The process proceeds with finding a cluster that has potential serendipity among the generated clusters based on the distance between the clusters. This experiment using movielens serendipity dataset as an evaluation reference. The lowest value of MAE obtained from the proposed work with 13 variances of k is 0.239 at the k value of 9

Kata Kunci : Collaborative Filtering, serendipity, K-Means Clustering