SISTEM REKOMENDASI URUTAN DENGAN METODE GABUNGAN FISM, BM25, dan MARKOV CHAIN

Rio Swarawan Putra, Teguh Bharata Adji, S.T., M.T., M.Eng., Ph.D; Ir. Noor Akhmad Setiawan, S.T., M.T., Ph.D., IPM.

2025 | Tesis | S2 Teknologi Informasi

Penelitian ini mengusulkan model sistem rekomendasi gabungan berbasis urutan untuk mengatasi berbagai keterbatasan yang ditemui pada pendekatan konvensional. Metode seperti TF-IDF cenderung memberikan bobot tinggi pada istilah yang sering muncul tanpa mempertimbangkan panjang dokumen, sedangkan SVD kurang efektif ketika menghadapi data dengan tingkat sparsity yang tinggi. Selain itu, sebagian besar metode gabungan yang telah ada belum memanfaatkan urutan waktu interaksi pengguna secara optimal dalam proses rekomendasi.

Model yang dikembangkan dalam penelitian ini mengintegrasikan tiga komponen utama, yaitu BM25 untuk pendekatan Content-Based Filtering yang mampu melakukan normalisasi panjang dokumen secara lebih adaptif, FISM sebagai metode Collaborative Filtering yang efektif pada data dengan tingkat sparsity tinggi, serta Markov Chain yang berperan dalam menangkap pola interaksi yang terjadi secara berurutan. Ketiga komponen tersebut digabungkan melalui mekanisme pembobotan skor dalam menghasilkan rekomendasi top-N.

Eksperimen dilakukan menggunakan data ulasan dari platform e-commerce Amazon pada lima kategori produk. Hasil pengujian menunjukkan bahwa sistem rekomendasi gabungan mampu memberikan performa terbaik, dengan nilai Recall mencapai 0,75 dan NDCG sebesar 0,84, sehingga terbukti lebih akurat dibandingkan penggunaan metode tunggal.

This study proposes a sequence-based hybrid recommendation model to address various limitations of conventional approaches. Traditional methods such as Term Frequency–Inverse Document Frequency (TF-IDF) tend to emphasize high-frequency terms without considering document length normalization, while Singular Value Decomposition (SVD) is less effective when applied to highly sparse data. In addition, most existing hybrid methods have not optimally incorporated the temporal order of user interactions when generating sequential recommendations.

The proposed model integrates three primary components: Best Matching 25 (BM25) for Content-Based Filtering with more adaptive document length normalization, the Factored Item Similarity Model (FISM) for Collaborative Filtering on sparse datasets by emphasizing item-to-item relationships, and Markov Chain for capturing sequential interaction patterns. These three components are combined through a weighted scoring mechanism to produce top-N recommendations.

Experiments were conducted using Amazon e-commerce review data across five product categories. The evaluation results show that the hybrid recommendation model achieves the best performance with a recall score of 0.75 and an NDCG score of 0.84, demonstrating higher accuracy compared to each individual method.

Kata Kunci : Sistem Rekomendasi, Markov Chain, Best Match 25, Factored Item-Similarity Model