Perbandingan Performa Beberapa Metode Rekomendasi Lokasi
SARAH FATRIA MUMTAZ, Mhd. Reza M.I Pulungan, M.Sc., Dr.-Ing., Prof.
2023 | Skripsi | S1 ILMU KOMPUTERRekomendasi lokasi adalah salah satu fitur dalam Jaringan Geososial untuk memberikan rekomendasi-rekomendasi lokasi kepada penggunanya. Rekomendasi lokasi menjadi penting karena keingintahuan pengguna akan lokasi baru untuk dikunjungi sama besarnya dengan sikap konservatif pengguna untuk mengunjungi lokasi yang sudah pernah dikunjungi. Rekomendasi lokasi terus mengalami perkembangan dan juga bermunculan metode baru. Banyaknya metode yang tersedia memberi banyak pilihan saat membangun suatu rekomendasi lokasi. Berkaitan dengan hal tersebut, diperlukan suatu perbandingan untuk menentukan metode rekomendasi lokasi yang paling tepat. Penelitian ini membandingkan akurasi dan rata-rata lama waktu yang dibutuhkan untuk memberikan rekomendasi lokasi kepada seorang pengguna dari metode yang memanfaatkan teknik sekuensial saja; metode yang memanfaatkan gabungan teknik sekuensial, sosial, dan geografi; dan juga metode yang memanfaatkan gabungan teknik sekuensial dan sosial. Selain itu, ketiga metode tersebut sama-sama memanfaatkan rantai Markov aditif, namun dalam salah satu penelitian, rantai Markov aditif tersebut dimodelkan menjadi gravity model. Perbandingan akurasi dilakukan dengan mambandingkan nilai precision, recall, dan F1-score. Hasil penelitian ini menunjukkan bahwa metode yang hanya memanfaatkan teknik sekuensial menghasilkan nilai precision, recall, dan F1-score terbaik dan run-time tersingkat di kedua dataset ketika jumlah lokasi yang direkomendasikan adalah di bawah 10. Metode yang memanfaatkan gabungan teknik sekuensial, sosial, dan geografi menempati peringkat kedua untuk nilai precision, recall, dan F1-score namun memiliki run-time terlama di dataset Gowalla. Kemudian, untuk metode yang memanfaatkan teknik sekuensial dan sosial memiliki nilai precision, recall, dan F1-score terrendah dan run-time tertinggi.
Location recommendation is one of the features in the Geosocial Network to provide location recommendations to its users. Location recommendation is important because the user's curiosity about visiting new locations is as great as the user's conservative attitude towards visiting visited locations. Location recommendations continue to develop and new methods emerge. As many methods being available, that provides many choices when building a recommendation system. In this regard, a comparison is needed to determine the most appropriate location recommendation method. This study compares the accuracy and average length of run-time needed to provide a location recommendation to a user from a method that only utilizes sequential techniques; a method that utilizes a combination of sequential, social, and geographic techniques; and also a method that utilizes a combination of sequential and social techniques. In addition, the three methods utilize additive Markov chains, but in one of the studies, the additive Markov chain was modeled into a gravity model. Accuracy comparisons are made by comparing the values of precision, recall, and F1-score. The results of this study indicate that the method that only utilizes sequential techniques produces the best precision, recall, and F1-score values and the shortest run-time in both datasets when the number of recommended locations is below 10. The method that utilizes a combination of sequential, social, and geography ranks second for precision, recall, and F1-score but has the longest run-time in the Gowalla dataset. Then, the method that utilizes sequential and social techniques has the worst precision, recall, and F1-score and the longest run-time.
Kata Kunci : perbandingan metode, rekomendasi lokasi, rantai Markov aditif, gravity model, teknik sekuensial, teknik sosial, teknik geografi
