Jurnal Tekno Insentif DOI : https://doi.
org/10.
36787/jti.
| Vol.
19 | No.
1 | Mei 2025 Halaman 1 - 14 Perbandingan User-Based dan Item-Based pada Sistem Rekomendasi Film Kombinasi Teknik Reduksi Dimensi dan Clustering RIZKI ASHURI PRATAMA.
YUNUS SAFIAoI.
MAULIDHAN ADY NUGRAHA.
ANIS
SATUS SOBIHAH.
NOOR IFADA
Program Studi Teknik Informatika.
Universitas Trunojoyo.
Madura.
Indonesia Email: noor.
ifada@trunojoyo.
ABSTRAK
Sistem rekomendasi mampu menghasilkan daftar film hasil personalisasi yang mungkin menarik bagi user dengan mempelajari kegiatan user dalam memberikan Sistem rekomendasi diklasifikasikan dalam tiga pendekatan: ContentBased Filtering.
Collaborative Filtering (CF), dan Hybrid Filtering.
Pendekatan CF lebih popular dibandingkan dua pendekatan lainnya.
CF memiliki dua model, yakni CF user-based (UB) dan CF item-based (IB).
Namun, pada CF terdapat permasalahan yaitu waktu komputasi yang lama karena dimensi data yang besar, kelangkaan data dan akurasinya.
Untuk mengatasinya terdapat dua tahap yang dapat dikombinasikan pada CF, yaitu reduksi dimensi menggunakan algoritma Singular Value Decomposition (SVD) dan clustering menggunakan algoritma KMeans (KM).
Tujuan dari penelitian ini adalah melakukan perbandingan hasil akurasi antara sistem rekomendasi film yang menggunakan metode SVD-KM-UB dan SVD-KM-IB pada dataset MovieLens.
Hasil yang didapatkan pada dataset MovieLens, metode SVD-KM-UB lebih unggul daripada metode SVD-KM-IB.
Metode SVD-KM-UB mengalami persentase kenaikan pada seluruh variasi ycNycuycy-ycA dengan peningkatan terbesar pada ycNycuycy-20, yaitu sebesar 5836,4%.
Kata kunci: sistem rekomendasi, collaborative filtering, k-means.
SVD
ABSTRACT
Recommendation systems can generate a list of personalized movies that might interest users by studying their rating activities.
Recommendation systems are classified into three approaches: Content-Based Filtering.
Collaborative Filtering (CF), and Hybrid Filtering.
CF is more popular than the other two approaches.
has two models, namely CF user-based (UB) and CF item-based (IB).
However, problems encountered in CF, i.
, long computation time due to large data dimensions, data scarcity and accuracy.
To overcome this, there are two stages that can be combined in CF, namely dimension reduction using the Singular Value Decomposition (SVD) algorithm and clustering using the K-Means (KM) algorithm.
The purpose of this research is to compare the performances between SVD-KMUB and SVD-KM-IB methods on movie recommendation systems.
Experiment results show that SVD-KM-UB is superior compared to SVD-KM-IB.
SVD-KM-UB
achieves significant percentage increase at any ycNycuycy-ycA where the biggest increase 4% at ycNycuycy-20.
Keywords: recommendation system, collaborative filtering, k-means.
SVD
Jurnal Tekno Insentif Ae 1
Pratama, dkk
PENDAHULUAN
Di era yang sudah kaya akan informasi ini, masyarakat tidak lagi kesulitan dalam mencari berbagai informasi.
Namun, banyaknya informasi di internet menjadikan sebuah tantangan bagi manusia untuk menemukan informasi yang sesuai dengan kebutuhan secara cepat (Dwicahya et al.
, 2.
Termasuk juga pada informasi mengenai film.
Film menjadi salah satu hiburan bagi masyarakat di saat waktu senggang.
Film memiliki jumlah penambahan yang drastis setiap tahunnya.
Banyaknya film terkadang membuat masyarakat bingung saat akan Namun, ada beberapa masyarakat yang sudah memiliki film favorit.
Tidak juga pada masyarakat biasa yang hanya menonton film tanpa memiliki film favorit.
Sistem rekomendasi adalah salah satu solusi untuk menyelesaikan permasalahan ini (Ifada.
Fitriantama, et al.
Sistem rekomendasi membantu user dalam memilih informasi yang dibutuhkan dari banyaknya informasi yang tersedia.
Sistem rekomendasi mampu menghasilkan satu set daftar film hasil personalisasi yang mungkin menarik bagi user dengan mempelajari kegiatan user dalam memberikan rating (Chen et al.
, 2.
Sistem ini dapat memprediksi rating user terhadap film yang kemudian digunakan untuk menghasilkan rekomendasi film (Ifada.
Rahman, et , 2.
Film tentunya sangat bervariasi mulai dari genre yang tiap user pasti memiliki Sistem rekomendasi film bertujuan untuk memberikan rekomendasi film yang diminati untuk user.
Sistem rekomendasi diklasifikasikan dalam tiga pendekatan yakni Content-Based Filtering.
Collaborative Filtering (CF), dan Hybrid Filtering .
Content-Based Filtering merekomendasikan film berdasarkan kesamaan konten film, namun pendekatan ini secara alami hanya relevan ketika adanya informasi film (Salloum & Rajamanthri, 2021.
Thakker et al.
, 2.
CF merekomendasikan film dengan menggunakan prinsip user yang memiliki persamaan menyukai terhadap film yang serupa dan film yang serupa disukai oleh user yang serupa (Chen et al.
, 2018.
Lops et al.
, 2.
Hybrid Filtering adalah pendekatan yang menghasilkan rekomendasi dengan mengkombinasikan Content-Based Filtering dan CF, tujuannya adalah untuk meningkatkan akurasi dan efisiensi proses rekomendasi (Salloum & Rajamanthri, 2021.
Thorat et al.
, 2.
Pendekatan CF merupakan pendekatan yang lebih popular dibandingkan pendekatan ContentBased Filtering dan Hybrid Filtering (Aggarwal, 2016.
Konstan & Riedl, 2012.
Thakker et al.
, 2.
CF memiliki dua model yakni, user-based (UB) dan item-based (IB) (Ifada et , 2.
UB memprediksi rating yang diberikan oleh user ke film berdasarkan rating yang diberikan oleh user serupa lainnya untuk film yang sama.
Sedangkan IB memprediksi rating yang diberikan user terhadap suatu film berdasarkan rating yang diberikan oleh user lain terhadap film yang serupa.
User atau film serupa lainnya disebut tetangga.
UB dan IB mengandalkan tetangga terdekat untuk memprediksi rating.
Perbedaan antara UB dan IB adalah jenis tetangganya.
Permasalahan yang umum terjadi pada CF diantaranya adalah kompleksitas atau waktu komputasi yang lama karena dimensi data yang besar, kelangkaan data dan akurasinya (Ifada.
Rahman, et al.
, 2.
Dalam mengatasi permasalahan tersebut terdapat penelitian yang menggunakan teknik penambangan data sebagai kombinasi dari pendekatan CF yang terdiri dari dua tahap yaitu reduksi dimensi dan clustering (Chen et al.
, 2.
Untuk tahap yang pertama yaitu reduksi dimensi menggunakan algoritma Singular Value Decomposition (SVD) (Son et al.
, 2.
SVD dapat membantu pada komputasi waktu yang lama karena kelebihannya dalam mengefisiensi waktu proses untuk data dengan skala besar Jurnal Tekno Insentif Ae 2 Perbandingan User-Based dan Item-Based pada Sistem Rekomendasi Film Kombinasi Teknik Reduksi Dimensi dan Clustering (Zarzour et al.
, 2.
Sedangkan pada tahap clustering akan menggunakan algoritma KMeans.
Algoritma K-Means merupakan algoritma clustering yang umum digunakan karena mudah diimplementasikan dengan melakukan pengelompokan data berdasarkan titik pusat cluster yang paling dekat dengan data.
K-Means dapat membantu mengelompokkan data dengan meminimalkan kesamaan data antar cluster dan memaksimalkan kesamaan data dalam satu cluster (Kuswandi et al.
, 2.
Tujuan dari penelitian ini adalah melakukan perbandingan hasil akurasi antara sistem rekomendasi film yang menggunakan pendekatan UB dan IB dengan kombinasi penerapan teknik reduksi dimensi dan teknik clustering.
METODE
Berikut merupakan metode yang akan dilakukan pada penelitian ini:
Pengumpulan Data Data yang akan digunakan pada penelitian ini merupakan data rating film yang didapatkan MovieLens GroupLens .
ttps://files.
org/datasets/movielens/ml-100k.
Jumlah data yang didapatkan adalah sebanyak 100.
000 rating dengan 1.
682 film yang diberikan rating oleh 943 user yang digunakan untuk membuat matriks rating ycI OO Eyuyuycuyoyo (Harper & Konstan, 2.
Rancangan Sistem Pada penelitian ini akan membandingkan dua metode.
Metode pertama merupakan kombinasi SVD .
K-Means .
dan UB yang disebut dengan SVD-KM-UB.
Metode kedua merupakan kombinasi SVD .
K-Means .
dan IB yang disebut dengan SVD-KM-IB.
Pada metode SVD-KM-UB algoritma K-Means .
akan menggunakan matriks ycO yang dihasilkan algoritma SVD .
untuk melakukan clustering user, sedangkan pada metode SVD-KM-IB algoritma K-Means .
akan menggunakan matriks ycO ycN yang dihasilkan algoritma K-Means .
untuk melakukan clustering item.
Gambar 1 merupakan kerangka kerja metode yang digunakan pada penelitian ini, yaitu metode SVD-KM-UB dan SVD-KM-IB dengan ya terbaik untuk K-Means dan ya .
etangga terdeka.
terbaik untuk pendekatan CF.
Pada penelitian ini menggunakan input berupa data matriks rating dari MovieLens, selanjutnya akan dilakukan process pada masing-masing metode dan menghasilkan output prediksi ranking rekomendasi ycNycuycy-ycA film untuk masing-masing metode.
Reduksi dimensi Reduksi dimensi merupakan sebuah tahapan untuk menghasilkan variabel acak yang telah Algoritma SVD merupakan salah satu algoritma yang ada pada reduksi SVD adalah algoritma aljabar linier yang digunakan untuk menguraikan suatu matriks menjadi tiga matriks baru, yaitu matriks orthogonal ycO, matriks diagonal ycI, dan matriks transpose orthogonal ycO seperti pada Persamaan .
(Qasem and Mohammadzadeh 2.
Algoritma SVD dapat dilihat pada Gambar 2.
ycN yaycoyycu = ycOycoyycoUI y ycIycoyycuUI y ycOycuyycu Dimana:
ycOycoyyco :
Matriks ya dengan nilai yco > ycu Matriks ycO dengan ukuran ycoycuyco Pratama, dkk ycIycoyycu ycN ycOycuyycu Matiks diagonal dengan ukuran ycuycuycu dengan elemen matriks positif atau nol Matriks orthogonal dengan ukuran ycuycuycu dimana hasil dari transpose matriks ycO Gambar 1.
Kerangka kerja metode Algoritma SVD Input: Matriks rating R Tahap:
Melakukan transpose pada matriks yaycN Membentuk matriks yaycN y ya Menghitung nilai eigen dari yaycN y ya Menghitung nilai singular value: ycIycu = yaycu Membuat matriks diagonal dari nilai (S) untuk membentuk matriks S ycI1 U 0 yc= U U U 0 U ycIycu Menghitung vector eigen menggunakan nilai eigen yang sudah didapat untuk membentuk matriks Melakukan transpose pada matriks ycO untuk mendapatkan nilai right eigen vector ycO ycN Output: Matriks ycO.
Matriks ycI dan Matriks ycO ycN Gambar 2.
Algoritma SVD Clustering Clustering merupakan proses pengelompokan user/item ke dalam cluster berdasarkan suatu kemiripan yang dimiliki (Ifada et al.
, 2.
Algoritma K-Means merupakan salah satu algoritma clustering untuk mengelompokkan sejumlah ycA data menjadi ya kelompok dengan Jurnal Tekno Insentif Ae 4 Perbandingan User-Based dan Item-Based pada Sistem Rekomendasi Film Kombinasi Teknik Reduksi Dimensi dan Clustering meminimalkan jumlah jarak kuadrat antara setiap titik dengan pusat kelompok terdekatnya .
(Frynti & Sieranoja, 2.
Angka ya didefinisikan secara apriori atau berdasarkan dugaan awal secara random .
Setiap kelompok digambarkan dengan pusat kelompok pada ruang fitur (Kyroly et al.
, 2.
Perhitungan jarak antara objek dengan centroid dapat dilakukan dengan rumus Euclidien Distance menggunakan Persamaan .
cn,y.
= ycu1ycn Oe ycu1yc ycu2ycn Oe ycu2yc U ycuycoycn Oe ycuycoyc Dimana:
cn, y.
ycuyco ycn : Jarak data ycn ke pusat cluster yc : Data ke-ycn pada atribut yco ycuycoyc : Pusat centroid yc pada atribut yco Dalam memperbarui setiap centroid dilakukan dengan menggunakan Persamaan .
ycO = 1 ycu ycAycn yco=0 ycoyc Dimana:
ycO : Centroid dari rata-rata cluster ycn untuk variabel yc ycAycn ycUycoyc : Jumlah data yang menjadi anggota cluster : Nilai yco yang ada di cluster untuk variabel yc yc : Indeks variabel Algoritma untuk K-Means dapat dilihat pada Gambar 3.
Algoritma K-Means Input: Jumlah cluster dan matriks ycO untuk SVD-KM-UB dan matriks ycO ycN untuk SVDKM-IB Tahap:
Menginisialisasi titik centroid secara acak Menghitung jarak setiap film ke setiap titik centroid dengan menggunakan Persamaan .
, menetapkan setiap film ke centroid terdekatnya Memperbarui setiap centroid dengan mengambil rata-rata poin film ditugaskan ke cluster terbaik menggunakan Persamaan .
Mengulangi langkah 2 dan 3 sampai konvergen Output: ya cluster Gambar 3.
Algoritma K-Means Collaborative Filtering (CF) dengan User-Based (UB) Collaborative dengan UB menghitung prediksi rating berdasarkan kemiripan user.
Kemiripan antar user dapat dihitung menggunakan fungsi Pearson Similarity karena memiliki hasil yang terbaik untuk menghitung kemiripan rating user (Ifada et al.
, 2.
Persamaan .
merupakan fungsi Pearson Similarity untuk menghitung kemiripan antar user yc dan yc:
Pratama, dkk ycIycnyco ycO.
c, y.
= OcycoyaycOyayc .
cycyco OeyuNyc )UI.
cycyco OeyuNyc ) OcycoyaycOyayc .
cycyco OeyuNyc )2 UI OcycoyaycOyayc .
cycyco OeyuNyc )2 .
Dimana:
ycycyco ycycyco yuNC yc yuNC yc : Rating dari user yc terhadap film yco : Rating dari user yc terhadap film yco : Rata-rata rating user yc : Rata-rata rating user yc Untuk menghitung prediksi rating user yc terhadap film ycn berdasarkan user-based dapat menggunakan Persamaan .
OcycOOycIyc .
ycycycn UISim ycO.
c,y.
ycCycycn = yuNyc Oc ycOOycIyc .
|Sim ycO.
c,y.
| .
Dimana:
ycIyc .
: ycNycuycy-ya tetangga terdekat user yc mengenai item ycn Daftar rekomendasi ycNycuycy-ycA untuk target user yc, ycNycuycyyc .
cA) dibuat berdasarkan pengurutan besar ke kecil dari daftar prediksi rating (Ifada et al.
, 2.
Berikut merupakan Persamaan .
untuk penentuan ycNycuycy-ycA:
Toycyyc .
cA) Oi ycA argmax ycnOOyaCyc ycC ycyc Dimana:
yaCyc ycCycyc : Daftar film yang belum diberikan rating oleh target user yc : Prediksi rating user yc memberikan rating ke film yc Collaborative Filtering (CF) dengan Item-Based CF merekomendasikan item dengan menggunakan prinsip user yang memiliki persamaan menyukai terhadap item yang serupa dan item yang serupa disukai oleh user yang serupa (Chen et al.
, 2.
Pada pendekatan CF memori dibagi menjadi 2 model yakni.
UB dan IB.
UB akan menghitung kemiripan user dengan minat user target, kemudian merekomendasikan film favorit user pada user lain yang memiliki minat serupa.
Sedangkan IB akan merekomendasikan user ke film yang mirip dengan yang disukai sebelumnya (Ifada et al.
IB memprediksi rating yang diberikan user terhadap suatu film berdasarkan rating yang diberikan oleh user lain terhadap film yang serupa.
Dalam penelitian ini kemiripan antar film dihitung menggunakan fungsi Adjusted Cosine Similarity, karena terbaik dalam menghitung kemiripan film (Ifada et al.
, 2.
Persamaan .
untuk menghitung similaritas dengan Adjusted Cosine Similarity:
Jurnal Tekno Insentif Ae 6 Perbandingan User-Based dan Item-Based pada Sistem Rekomendasi Film Kombinasi Teknik Reduksi Dimensi dan Clustering OcycOOycO OycO .
cycycn OeyuNyc )UI ycycyc OeyuNyc Sim ya.
cn, y.
= yc OcycOOycO OycO .
cycycn OeyuNyc )2 OcycOOycO OycO ycycyc OeyuNyc Dimana:
ycycyc : Rating dari user yc terhadap film yc ycycycn yuNC yc : Rating dari user yc terhadap film ycn : Rata-rata rating dari user yc Menghitung prediksi rating dari user untuk produk dengan Persamaan .
ycCycyc = OcycnOO RatedItems .
cn,y.
Oycyc,ycn OcycnOO Ratealitems .
cn,y.
| .
Dimana:
ycCycyc : Prediksi rating user u memberikan rating ke film yc ycycnyco.
cn, y.
ycyc,ycn : Kemiripan user ycn dengan user yc : Rating user yc terhadap film ycn Evaluasi Prediksi Ranking Rekomendasi ycyeayec-ycA Metode evaluasi digunakan untuk menguji hasil dari penelitian.
Pada penelitian ini metode evaluasi yang akan digunakan adalah yco-Fold Cross Validation dengan nilai yco = 5 yang membagi data menjadi data training sebesar 80% dan data test sebesar 20%.
Gambar 4 menunjukkan skema atau gambaran kerja 5-Fold Cross Validation dalam melakukan pembagian data menjadi data training sebesar 80% dan data test sebesar 20%.
Gambar 4.
Skema 5-Fold Cross Validation Performa dari sistem rekomendasi dalam menentukan ycNycuycy-ycA atau pemberian ranking dapat dievaluasi menggunakan Precision.
Recall.
F1-Score.
Average Precision (AP).
Mean Average Precision (MAP).
Discounted Cumulative Gain (DCG), dan Normalized Discounted Cumulative Gain (NDCG) (Sivanaiah et al.
, 2.
Pada sistem temu kembali informasi.
Discounted Cumulative Gain (DCG) merupakan teknik lain yang digunakan untuk mengukur kualitas dari ranking rekomendasi ycNycuycy-ycA.
DCG
merupakan jumlah bobot dari tingkat relevansi film yang diberi ranking.
Normalized Discounted Cumulative Gain (NDCG) adalah normalisasi dari DCG.
NDCG digunakan sebagai ukuran relevansi hasil yang dihasilkan oleh model yang dibangun (Sivanaiah et al.
, 2.
Persamaan .
untuk menentukan nilai DCG.
Persamaan .
untuk menentukan nilai IDCG, sedangkan Persamaan .
untuk menentukan nilai NDCG:
Pratama, dkk yayaya( Test yc , yayc , ycA): = OcycA ycu=1 og .
y yiA.
OO Test yc ) IDCG .
cA): = OcycA ycu=1 og .
ycAyayaya.
atest , ycA) Oi yayaya( Test ,I , ) yayayaya.
cA) .
Dimana:
yayaya Test yc , yaCyc , ycA
ycNyceycycyc
yaCyc
: Nilai DCG setiap target user yc
: Posisi ycA teratas : film yang ada di data test untuk target user yc
: Kumpulan film yang diprediksi untuk target user yc
: Data user yang terdapat pada data test
HASIL DAN PEMBAHASAN
Penelitian ini membuat perbandingan akurasi antara SVD-KM-UB dan SVD-KM-IB pada data MovieLens.
Hasil Eksperimen Pada penelitian ini melakukan uji skenario untuk mendapatkan ya terbaik dan ya terbaik pada masing-masing metode SVD-KM-UB dan SVD-KM-IB.
Uji Skenario pada SVD-KM-UB Pada SVD-KM-UB terdapat tahapan mencari ya terbaik untuk K-Means dan ya terbaik untuk pendekatan CF berdasarkan ycNycuycy-20:
C Skenario ya.
Skenario ya digunakan untuk menemukan nilai ya terbaik untuk SVD-KM-UB.
Nilai ya merupakan banyaknya cluster yang akan dibentuk pada teknik KM berdasarkan Persaman .
dan Persamaan .
Pada penelitian ini menggunakan skenario ya = .
,3,4, .
,18,19,.
dan ya terbaik didapat dengan membandingkan rata-rata setiap nilai NDCG pada 5-fold.
Berdasarkan Gambar 5.
Nilai ya terbaik untuk SVD-KM-UB adalah 16, yaitu sebesar 0,972.
Semakin besar nilai ya belum tentu menghasilkan nilai NDCG yang semakin besar.
Skenario K SVD-KM-UB
NDCG
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Gambar 5.
Skenario yc SVD-KM-UB Jurnal Tekno Insentif Ae 8 Perbandingan User-Based dan Item-Based pada Sistem Rekomendasi Film Kombinasi Teknik Reduksi Dimensi dan Clustering C Skenario ya.
Skenario ya digunakan untuk menemukan jumlah neighbour terbaik untuk SVDKM-UB.
Nilai F merupakan banyaknya ycNycuycy-ya tetangga terdekat yang digunakan untuk menghitung prediksi pada Persamaan .
Penelitian ini menggunakan skenario ya = .
,4,6, .
,16,18,.
dan ya terbaik didapat dengan membandingkan rata-rata setiap NDCG pada 5-fold.
Berdasarkan Gambar 6, nilai ya terbaik untuk metode SVD-KM-UB adalah 20, yaitu sebesar 0,925.
Semakin besar nilai F maka semakin besar pula nilai NDCG yang Skenario F SVD-KM-UB
NDCG
Gambar 6.
Skenario yc SVD-KM-UB Uji Skenario pada SVD-KM-IB Pada CF IB terdapat tahapan mencari ya terbaik ya terbaik untuk pendekatan CF berdasarkan ycNycuycy-20:
C Skenario ya.
Skenario ya digunakan untuk menemukan nilai ya terbaik untuk SVD-KM-IB.
Nilai ya merupakan banyaknya cluster yang akan dibentuk pada teknik KM berdasarkan Persaman .
dan Persamaan .
Pada penelitian ini menggunakan skenario ya = .
,3,4, .
,18,19,.
dan ya terbaik didapat dengan membandingkan rata-rata setiap nilai NDCG pada 5-fold.
Berdasarkan Gambar 7.
Nilai ya terbaik untuk SVD-KM-IB adalah 17, yaitu sebesar 3,168.
Semakin besar nilai ya belum tentu menghasilkan nilai NDCG yang semakin besar.
Skenario K SVD-KM-IB
NDCG
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Gambar 7.
Skenario yc SVD-KM-IB C Skenario ya .
Skenario ya digunakan untuk menemukan jumlah neighbour terbaik untuk SVDKM-IB.
Nilai F merupakan banyaknya ycNycuycy-ya tetangga terdekat yang digunakan untuk Pratama, dkk menghitung prediksi pada Persamaan .
Penelitian ini menggunakan skenario ya = .
,4,6, .
,16,18,.
dan ya terbaik didapat dengan membandingkan rata-rata setiap NDCG pada 5-fold.
Berdasarkan Gambar 8, nilai ya terbaik untuk metode SVD-KM-IB adalah 20, yaitu sebesar 0,797.
Semakin besar nilai F maka semakin besar pula nilai NDCG yang Skenario F SVD-KM-IB
NDCG
Gambar 8.
Skenario F untuk SVD-KM-IB Perbandingan Metode SVD-KM-UB dan SVD-KM-IB Berdasarkan hasil eksperimen pada SVD-KM-UB dan SVD-KM-IB maka didapatkan model untuk metode SVD-KM-UB dan metode SVD-KM-IB.
Model SVD-KM-UB menggunakan nilai ya = 16 dan ya = 20.
Model SVD-KM-IB menggunakan nilai ya = 17 dan ya = 20.
Selanjutnya dilakukan perbandingan antara kedua metode menggunakan modelnya masing-masing.
C Perbandingan nilai NDCG variasi ycNycuycy-ycA SVD-KM-UB dan SVD-KM-IB.
Model yang dihasilkan pada masing-masing metode diuji dengan matriks NDCG berdasarkan ycNycuycy-1 hingga ycNycuycy-20.
Gambar 9 menunjukan bahwa metode SVD-KM-UB secara keseluruhan ycNycuycy-ycA selalu unggul dibandingkan metode SVD-KM-IB.
NDCG
Perbandingan NDCG Top-20 SVD-KM-UB
dan SVD-KM-IB
9 10 11 12 13 14 15 16 17 18 19 20
Judul Sumbu
SVD-KM-UB
SVD-KM-IB
Gambar 9.
Perbandingan NDCG ycyeayec-ycA SVD-KM-UB dan SVD-KM-IB C Persentase kenaikan nilai NDCG variasi ycNycuycy-ycA SVD-KM-UB terhadap SVD-KM-IB.
Model yang dihasilkan diuji menggunakan metric NDCG berdasarkan ycNycuycy-1 hingga ycNycuycy-20.
Tabel Jurnal Tekno Insentif Ae 10 Perbandingan User-Based dan Item-Based pada Sistem Rekomendasi Film Kombinasi Teknik Reduksi Dimensi dan Clustering 1 menunjukkan persentase kenaikan nilai NDCG ycNycuycy-1 hingga ycNycuycy-20 SVD-KM-UB terhadap SVD-KM-IB.
Tabel 1.
Persentase kenaikan NDCG ycyeayec-ycA SVD-KM-UB dan SVD-KM-IB
ycyeayec-ycA
@10
@11
@12
@13
@14
@15
@16
@16
@17
@18
@19
@20
NDCG
SVD-KM-UB
SVD-KM-IB
1,888
0,071
1,883
0,063
1,940
0,057
1,916
0,053
1,899
0,050
1,894
0,048
1,888
0,046
1,881
0,044
1,882
0,042
1,886
0,041
1,896
0,039
1,879
0,038
1,874
0,037
1,867
0,036
1,864
0,035
1,854
0,034
1,857
0,033
1,847
0,032
1,836
0,032
1,839
0,031
1,888
0,071
Persentase Kenaikan 2577,223% 2879,096% 3279,883% 3488,147% 3704,880% 3885,220% 4019,528% 4185,278% 4340,845% 4532,697% 4717,799% 4836,304% 4989,938% 5125,933% 5261,228% 5376,455% 5512,683% 5606,104% 5693,915% 5836,415% 2577,223% C Perbandingan hasil rekomendasi film metode SVD-KM-UB dan SVD-KM-IB.
Sistem rekomendasi film yang dibangun dengan metode SVD-KM-UB dan SVD-KM-IB akan menampilkan hasil rekomendasi film berdasarkan target user dan ycNycuycy-ycA film.
Gambar 10 merupakan contoh hasil rekomendasi film untuk target user 1 dengan ycNycuycy-20 dari masingmasing metode dan menunjukkan hasil yang berbeda.
Dapat dilihat film dengan judul AuDeconstructing Harry .
Ay dalam SVD-KM-UB berada pada peringkat 9, sedangkan pada SVD-KM-IB berada pada peringkat 11.
Hal yang sama terjadi pada film berjudul AuRaiders of the Lost ArkAy pada SVD-KM-UB berada pada peringkat 19, sedangkan pada SVDKM-IB berada pada peringkat 18.
Pratama, dkk Gambar 10.
Graphic User Interface (GUI) Perbandingan Hasil Rekomendasi Film Metode SVD-KM-UB dan SVD-KM-IB
KESIMPULAN
Setelah dilakukan skenario eksperimen dan penelitian maka dapat disimpulkan bahwa model pada metode SVD-KM-UB menggunakan nilai ya = 16 untuk K-Means dan ya = 20 untuk pendekatan CF.
Sedangkan model untuk metode SVD-KM-IB adalah ya = 17 dan ya = 20.
Pada perbandingan nilai NDCG variasi ycNycuycy-ycA untuk model metode SVD-KM-UB dan SVD-KM-IB dengan menggunakan dataset MovieLens, diketahui bahwa metode SVD-KM-UB secara keseluruhan ycNycuycy-ycA selalu unggul dibandingkan metode SVD-KM-IB dengan persentase kenaikan terbesar terdapat pada ycNycuycy-20, yaitu sebesar 5836,4%.
Kesimpulannya, sistem rekomendasi film yang menggunakan metode SVD-KM-UB lebih unggul dibandingkan metode SVD-KM-IB pada dataset MovieLens.
UCAPAN TERIMA KASIH