PEMBUATAN MODUL REKOMENDASI PADA OPENCART MENGGUNAKAN METODE ITEM-BASED COLLABORATIVE FILTERING KIRANA NURYUNITA

PEMBUATAN MODUL REKOMENDASI PADA OPENCART MENGGUNAKAN METODE ITEM-BASED COLLABORATIVE FILTERING KIRANA NURYUNITA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012

PEMBUATAN MODUL REKOMENDASI PADA OPENCART MENGGUNAKAN METODE ITEM-BASED COLLABORATIVE FILTERING KIRANA NURYUNITA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR ABSTRACT 2012

ABSTRACT KIRANA NURYUNITA. Making Recommender Module in OpenCart Using Item-Based Collaborative Filtering Method. Under the supervision of YANI NURHADRYANI. This research aims to add a recommender module in OpenCart CMS. One of the method is item-based collaborative filtering that can reduce the execution time of calculation. This study uses adjusted cosine similarity to calculate the similarity between books, weighted sum method to calculate the books rate prediction, and mean absolute error to calculate recommendacy accuracy. In order to get the recommendation, user have to login and give ratings to the books. Then, adjusted cosine similarity calculates the similarity between books based on user s rate. Based on the similarities between books, weighted sum method calculates the books rate prediction. Before a book is recommended to the user, type of book from the prediction are first matched with the type of book rated by the user. This research uses 300 books and 30 users. The result shows that only 17 users can get recommendations. Evaluation is conducted by analyzing the execution time and recommendacy accuracy. It is found that the execution time is 1.60 seconds and the mean absolute error is 0.15. Keywords: adjusted cosine similarity, e-commerce, item-based collaborative filtering, mean absolute error, recommender system, weighted sum.

Judul Skripsi Nama NRP : Pembuatan Modul Rekomendasi pada OpenCart Menggunakan Metode Item- Based Collaborative Filtering : Kirana Nuryunita : G64080099 Menyetujui: Pembimbing Dr. Yani Nurhadryani, S.Si, M.T. NIP. 19740404 199802 2 001 Mengetahui: Ketua Departemen Ilmu Komputer Dr. Ir. Agus Buono, M.Si., M.Kom. NIP. 19660702 199302 1 001 Tanggal Lulus :

PRAKATA Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa-ta'ala atas segala rahmat dan hidayah-nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul Pembuatan Modul Rekomendasi pada OpenCart Menggunakan Metode Item-Based Collaborative Filtering. Penelitian ini dilaksanakan mulai Desember 2011 sampai dengan September 2012 dan bertempat di Departemen Ilmu Komputer Institut Pertanian Bogor. Penulis juga menyampaikan terima kasih kepada pihak-pihak yang telah membantu dalam penyelesaian tugas akhir ini, yaitu: 1 Ayahanda Wagiran Wahyu, Ibunda Wikanti Asriningrum, serta kakakku Sulistyo Unggul Wicaksono yang selalu memberikan kasih sayang, semangat, dan doa. 2 Ibu Yani Nurhadryani selaku dosen pembimbing yang telah memberikan arahan dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini. 3 Aditya Nur Johansyah, Jaka Ahmad Juliarta, dan Mbak Yudith sebagai teman satu bimbingan yang selalu memberikan masukan, saran, dan semangat kepada penulis. 4 Rekan-rekan di Departemen Ilmu Komputer IPB angkatan 45 atas segala kebersamaan, canda tawa, dan kenangan indah yang telah mengisi kehidupan penulis selama di kampus. 5 Teman-teman kosan Tri Regina lantai 1, Dannis, Fitta, Nensi, Rossy, Nindy, nilam, dan Yeli. 6 Semua pihak yang tidak dapat disebutkan satu persatu yang telah memberikan saran, masukan, dan kritik bagi penulis. Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi ini bermanfaat. Bogor, November 2012 Kirana Nuryunita

RIWAYAT HIDUP Penulis lahir di Jakarta, 11 Juni 1990 sebagai anak kedua dari dua bersaudara dari pasangan Wagiran Wahyu dan Wikanti Asriningrum. Penulis merupakan lulusan dari SMAN 14 Jakarta Timur (2004-2007), SMPN 49 Jakarta Timur (2001-2004), dan SDN Pekayon 05 Pagi (1995-2001). Saat ini penulis sedang menempuh studi S1 di Departemen Ilmu Komputer, Fakultas MIPA, Institut Pertanian Bogor, sejak tahun 2008 sampai dengan sekarang. Pada bulan Juli hingga Agustus 2011, penulis melaksanakan kegiatan Praktik Kerja Lapangan di PT. Pertamina. Selain kuliah, penulis juga pernah menjadi asisten praktikum Sistem Informasi pada tahun 2011-2012. Organisasi yang pernah diikuti penulis selama perkuliahan yakni Bendahara Divisi Internal BEM FMIPA IPB 2009-2010. Penulis dapat dihubungi melalui email di alamat kirana.nina@gmail.com.

DAFTAR ISI Halaman DAFTAR TABEL... vi DAFTAR GAMBAR... vi DAFTAR LAMPIRAN... vi PENDAHULUAN... 1 Latar Belakang... 1 Tujuan Penelitian... 1 Ruang Lingkup Penelitian... 1 TINJAUAN PUSTAKA... 2 E-commerce... 2 Sistem Rekomendasi... 2 Collaborative Filtering... 3 Item-Based Collaborative Filtering... 4 Mean Absolute Error (MAE)... 4 OpenCart... 5 METODE PENELITIAN... 5 Analisis Kebutuhan... 5 Perancangan Sistem... 5 Implementasi Item-Based Collaborative Filtering... 5 Pengujian Item-Based Collaborative Filtering... 6 HASIL DAN PEMBAHASAN... 6 Analisis Kebutuhan... 6 Perancangan Sistem... 9 Implementasi Item-Based Collaborative Filtering... 10 Pengujian Item-Based Collaborative Filtering... 13 SIMPULAN DAN SARAN... 14 Simpulan... 14 Saran... 15 DAFTAR PUSTAKA... 15 LAMPIRAN... 16 v

DAFTAR TABEL Halaman 1 Rekomendasi pada e-commerce buku di Indonesia beserta traffic rank.... 6 2 Lima peringkat CMS dengan Global traffic rank dan indonesia traffic rank tertinggi.... 7 3 Rate buku dari pengguna.... 8 4 Nilai kemiripan antar buku... 9 5 Prediksi rate buku.... 9 6 Perbandingan nilai kemiripan perhitungan sistem dan perhitungan manual.... 14 DAFTAR GAMBAR Halaman 1 Proses collaborative filtering.... 3 2 User-based collaborative filtering... 3 3 Item-Based Collaborative.... 4 4 Pencarian kemiripan antar produk.... 4 5 Metode penelitian waterfall (Green 1998).... 5 6 Tahapan analisis fungsi... 5 7 Kategori produk yang dijual secara online di Indonesia (Dsresearch 2011).... 6 8 simulasi rekomendasi.... 8 9 DFD konteks sistem rekomendasi.... 8 10 DFD level 1 sistem rekomendasi.... 9 11 Entity relationship diagram sistem rekomendasi.... 10 12 Perancangan antarmuka pengguna.... 10 13 Perancangan antarmuka admin... 10 14 Halaman home pengguna yang belum login dan pengguna yang telah login yang tidak terdapat rekomendasi.... 11 15 Halaman home pengguna yang telah login dan terdapat rekomendasi.... 11 16 Halaman modul recommended product pada admin.... 11 17 Waktu rata-rata eksekusi dari 30 pengguna.... 14 DAFTAR LAMPIRAN Halaman 1 Pengguna pemberi review buku... 17 2 Rata-rata rate pengguna... 19 3 Kemiripan antar buku dengan nilai similarity lebih besar dari 0.5... 20 4 Prediksi rate buku... 22 5 Rekomendasi buku pengguna... 25 6 Kemiripan antar buku total... 26 vi

1 Latar Belakang PENDAHULUAN Informasi dengan berbagai macam kriteria terdapat di internet, salah satunya adalah informasi tentang penjualan produk dan jasa secara online atau biasa disebut e-commerce. Faktor yang dapat mendorong penjualan dalam e-commerce salah satunya adalah menyangkut personalisasi dari pembeli di internet. Pembuatan profil dan personalisasi merupakan cara yang digunakan untuk mengenali pembeli sebagai pemakai individual. Sistem rekomendasi merupakan salah satu bentuk dari personalisasi website. Sistem Rekomendasi merupakan model penyelesaian masalah yang menerapkan teknik-teknik tertentu pada pembuatan rekomendasi untuk pemilihan suatu informasi, produk, dan jasa (Goldberg et al. 2001). Terdapat dua pendekatan dalam mengembangkan sebuah sistem rekomendasi, yaitu content-based dan collaborative filtering (Balabanovic & Shoham 1997). Pendekatan content-based menyediakan rekomendasi dengan cara membandingkan representasi konten yang terkandung dalam sebuah produk dengan representasi konten yang diinginkan pengguna dengan membangun user thematic profile. Pendekatan collaborative filtering bekerja dengan cara mempelajari masukan rate dari pengguna pada kumpulan produk, mengenali kesamaan berdasarkan masukan pengguna, dan menghasilkan rekomendasi baru (Candillier et al. 2007). Rekomendasi berdasarkan pendekatan collaborative filtering merupakan pendekatan yang paling banyak digunakan untuk membangun sebuah sistem rekomendasi (Burke 2002). Teknik collaborative filtering terbagi menjadi dua, yaitu user-based collaborative filtering dan item-based collaborative filtering (Karypis 2001). Pada user-based collaborative filtering, sistem mencari sejumlah pengguna yang memiliki korelasi tinggi, sedangkan pada item-based collaborative filtering, sistem mencari sejumlah produk yang memiliki korelasi tinggi. User-based collaborative filtering memerlukan data pengguna, di mana pengguna lama dapat mengubah pola perilaku mereka dan pengguna baru dapat memasuki sistem setiap saat. Banyaknya data pengguna membutuhkan proses yang cukup lama untuk menghasilkan rekomendasi. Item-based collaborative filtering memerlukan data koleksi produk yang relatif lebih sedikit dibandingkan data pengguna sehingga memungkinkan pengurangan perhitungan (Sarwar et al. 2001). Saat ini, sistem rekomendasi merupakan bagian dari beberapa situs e-commerce seperti amazon.com. Amazon.com menggunakan algoritme item-based collaborative filtering untuk sistem rekomendasi karena jumlah pengguna yang lebih banyak dibanding jumlah produk (Linden et al. 2003). Di Indonesia, beberapa situs e-commerce buku telah ada yang memberikan rekomendasi kepada pengguna. Rekomendasi yang diberikan kepada pengguna masih menggunakan query biasa untuk mencari kesamaan penulis, penerbit, atau kategori. Rekomendasi yang diberikan pada e- commerce buku di Indonesia bukan merupakan personalisasi dari pengguna. Pembuatan situs e-commerce buku salah satunya dapat dilakukan dengan menggunakan content management system (CMS). Salah satu CMS yang populer di masyarakat adalah OpenCart (Masalov 2007). OpenCart telah memiliki beberapa modul seperti account, affiliate, banner, bestsellers, carousel, category, featured, google talk, information, latest, slideshow, specials, store, dan welcome. OpenCart belum memiliki modul yang dapat menghasilkan rekomendasi untuk pengguna. Pada penelitian ini ditambahkan modul baru yaitu modul rekomendasi pada content management system (CMS) OpenCart. Modul rekomendasi dikembangkan menggunakan metode item-based collaborative filtering berdasarkan masukan rate dari pengguna. Tujuan Penelitian Penelitian ini bertujuan menambahkan modul sistem rekomendasi berbasis itembased collaborative filtering pada e-commerce buku di Indonesia menggunakan CMS OpenCart. Setelah pengimplementasian sistem rekomendasi, dilakukan analisis tingkat kesalahan hitung dari item-based collaborative filtering dan analisis waktu eksekusi dari item-based collaborative filtering. Ruang Lingkup Penelitian Ruang lingkup pada penelitian ini adalah: 1 Sistem rekomendasi yang dibuat hanya sistem rekomendasi pada e-commerce

2 buku menggunakan metode item-based collaborative filtering. 2 Sistem rekomendasi dibuat menggunakan CMS OpenCart. 3 Pada sistem ini data buku yang digunakan berjumlah 300 dan data responden yang mencoba sistem rekomendasi berjumlah 30. E-commerce TINJAUAN PUSTAKA E-commerce meliputi seluruh proses dari pengembangan, pemasaran, penjualan, pengiriman, pelayanan, dan pembayaran untuk berbagai produk dan jasa yang diperjualbelikan. Aspek-aspek yang memengaruhi kesuksesan e-commerce adalah (O Brien 2006): 1 Pengendalian akses dan keamanan Proses e-commerce harus membangun rasa percaya dan akses yang aman antara berbagai pihak dalam bertransaksi, melalui pengautentikasian pemakai, pengotorisasian akses, dan penerapan berbagai fitur keamanan. 2 Pembuatan profil dan personalisasi Proses pembuatan profil dijalankan untuk mengumpulkan data mengenai pembeli dan membangun profil dari berbagai karakteristik serta preferensi pembeli. 3 Manajemen pencarian Proses pencarian yang efisien dan efektif membantu pembeli untuk menemukan produk atau jasa tertentu yang diinginkan untuk dievaluasi atau dibeli oleh pembeli. 4 Manajemen isi Proses yang digunakan untuk mengembangkan, menghasilkan, mengirimkan, memperbarui, dan menyimpan data teks serta informasi multimedia pada situs e-commerce. 5 Manajemen katalog Proses untuk mengkonfigurasikan produk-produk pada situs dan membagi produk tersebut berdasarkan kategori. 6 Pembayaran Proses yang melibatkan proses belanja sampai verifikasi pembayaran. Metodemetode pembayaran yang mendukung juga harus dipertimbangkan. 7 Manajemen arus kerja Proses yang meliputi otomatisasi pembelian beserta manajemen dokumen dari pembelian dan pengiriman produk atau jasa. 8 Pemberitahuan kegiatan Proses yang merespons berbagai kegiatan dari pelayanan untuk pelanggan baru, proses pembayaran, proses pengiriman, dan newsgroup. 9 Kerjasama dan perdagangan Proses kesepakatan kerjasama yang terjadi antara pelanggan, pemasok, dan stakeholder dalam transaksi e-commerce. Dari aspek-aspek di atas, tujuh di antaranya merupakan aspek yang dilakukan secara online sedangkan dua lainnya merupakan aspek yang dilakukan secara offline. Aspek yang dilakukan secara online adalah pengendalian akses dan keamanan, pembuatan profil dan personalisasi, manajemen pencarian, manajemen isi, manajemen katalog, dan pemberitahuan kegiatan. Sistem Rekomendasi Sistem rekomendasi merupakan model penyelesaian masalah yang menerapkan teknik-teknik tertentu pada pembuatan rekomendasi untuk pemilihan suatu informasi, produk, dan jasa (Goldberg et al. 2001). Sistem rekomendasi digunakan untuk memprediksi apakah pengguna tertentu menyukai produk tertentu. Sistem rekomendasi memanfaatkan opini seseorang terhadap suatu barang dalam kategori tertentu, untuk membantu seseorang dalam memilih produk (McGinty & Smyth 2006). Tujuan utama dari sistem rekomendasi meliputi analisis data dari pengguna dan penggalian informasi yang berguna untuk prediksi yang lebih lanjut (Chen & McLeod 2006). Sistem rekomendasi dirancang untuk memungkinkan pengguna menemukan produk lebih cepat dan menghindari informasi yang berlebihan. Secara spesifik, sistem rekomendasi memiliki tiga proses utama, yaitu (i) latar belakang data, yaitu informasi yang dimiliki sistem sebelum rekomendasi dimulai; (ii) data masukan, yaitu informasi yang diberikan oleh pengguna untuk berinteraksi dengan sistem dalam menghasilkan rekomendasi; dan (iii) algoritme rekomendasi, yaitu kombinasi antara latar belakang data dan data masukan untuk menghasilkan suatu rekomendasi (Burke 2002). Terdapat dua pendekatan dalam mengembangkan sebuah sistem rekomendasi yaitu content-based dan collaborative filtering (Balabanovic & Shoham 1997). Pendekatan

3 content-based menyediakan rekomendasi dengan cara membandingkan representasi konten yang terkandung dalam sebuah produk dengan representasi konten yang diinginkan pengguna dengan membangun user thematic profile. Di sisi lain, pendekatan collaborative filtering bekerja dengan cara mempelajari masukan rate dari pengguna pada kumpulan produk, mengenali kesamaan berdasarkan masukan pengguna, dan menghasilkan rekomendasi baru (Candillier et al. 2007). Pendekatan lain yang berkembang saat ini selain content-based dan collaborative filtering adalah clustering dan hybrid recommender system. Pendekatan clustering bekerja dengan mengidentifikasi sekelompok pengguna yang memiliki preferensi yang sama. Setelah cluster terbentuk, prediksi bagi seseorang dapat dibuat dengan menghitung rata-rata rate dari pengguna lain di cluster tersebut. Teknik Clustering biasanya menghasilkan rekomendasi yang kurang personal dibanding metode lainnya, dan dalam beberapa kasus, cluster memiliki akurasi yang lebih buruk dibandingkan algoritme lainnya (Breese et al. 1998). Sedangkan pendekatan hybrid recommender system merupakan gabungan dua atau lebih pendekatan rekomendasi untuk menghasilkan kinerja yang lebih baik (Burke 2002). Rekomendasi berdasarkan pendekatan collaborative filtering adalah pendekatan yang paling banyak digunakan untuk membangun sebuah sistem rekomendasi (Burke 2002). Collaborative Filtering Pada Collaborative Filtering, rekomendasi yang dihasilkan berdasarkan pada korelasi yang didapat di antara pengguna yang telah memberikan rate atau bertransaksi dalam sistem. Pendekatan collaborative filtering bekerja dengan cara mempelajari kebiasaan para pencari informasi dan membangun profil pencari informasi, kemudian memberikan rekomendasi. Ide awal yang melandasi munculnya teknik collaborative filtering adalah perbandingan rasa suka atau tidak suka seseorang (Goldberg et al. 2001). Tujuan dari algoritme collaborative filtering adalah menganjurkan produk baru atau memprediksikan evaluasi produk kepada pengguna berdasarkan pada ketertarikan sebelumnya dari pengguna dan opini dari pengguna-pengguna lain yang mempunyai ketertarikan serupa. Pengguna aktif Prediksi Rekomendasi Algoritme CF Produk j yang diprediksi INPUT (table rate) Prediksi pada produk ke-j untuk pengguna ke-a Top-N rekomendasi Interface output Gambar 1 Proses collaborative filtering. Pada Gambar 1 dijelaskan bahwa ada dua hal utama yang dilakukan sistem rekomendasi collaborative filtering, yaitu (i) Prediksi yaitu melakukan prediksi dari opini yang telah diberikan oleh pengguna dan (ii) Rekomendasi yaitu memberikan rekomendasi berupa daftar produk. Hal yang perlu dicatat adalah produk yang direkomendasikan belum pernah dibeli, dilihat, atau diberi rate oleh pengguna tersebut. Teknik collaborative filtering terbagi menjadi dua yaitu user-based collaborative filtering dan item-based collaborative filtering (Sarwar et al. 2001). Gambar 2 menjelaskan pendekatan userbased collaborative filtering. Pada pendekatan user-based collaborative filtering sistem mencari sejumlah pengguna yang memiliki korelasi tinggi kepada pengguna. Setelah sejumlah pengguna yang memiliki korelasi tinggi didapat, sistem merekomendasikan produk yang dipilih sejumlah pengguna kepada pengguna. Gambar 2 User-based collaborative filtering. Sedangkan pada item-based collaborative filtering (Gambar 3) dijelaskan bahwa pengguna cenderung memilih produk (likely buy) yang sejenis atau yang

4 mempunyai korelasi tinggi (similar) dengan produk yang telah dipilihnya (Karypis 2001). (1) Gambar 3 Item-Based Collaborative. Item-Based Collaborative Filtering Metode item-based collaborative filtering memanfaatkan rating atau catatan transaksi dalam membuat rekomendasi. Pada metode ini korelasi yang dicari adalah produk yang belum pernah diberi rate oleh pengguna. Sejumlah produk yang berkorelasi tinggi dijadikan sebagai top-n rekomendasi. Pada Gambar 4 dijelaskan bahwa kemiripan antara dua produk dilakukan hanya pada pengguna yang telah menilai kedua produk. Salah satu metode yang paling umum untuk menentukan kemiripan antara dua produk adalah dengan menggunakan persamaan cosinus. Persamaan cosinus digunakan pada sistem rekomendasi Amazon.com (Linden et al. 2003). Kemiripan antar produk hanya dihitung pada produk yang kedua-duanya diberi rate Gambar 4 Pencarian kemiripan antar produk. Pada jurnal lain Sarwar et al. (2001), menyebutkan bahwa adjusted cosine similarity memiliki tingkat kesalahan terkecil bila dibandingkan dengan persamaan cosine. Persamaan adjusted cosine similarity merupakan pengembangan dari persamaan cosine. Berikut adalah persamaan adjusted cosine similarity: dengan: sim (i,j) adalah nilai kemiripan antara produk i dan produk j. u U adalah himpunan pengguna u yang memberikan rate pada produk i dan produk j. i adalah rating pengguna u pada produk i. adalah rating pengguna u pada produk j. adalah rata-rata rating pengguna u. Dalam menghitung nilai kemiripan, nilai yang dihasilkan oleh persamaan adjustedcosine similarity adalah berkisar antara +1.0 dengan -1.0. Informasi korelasi yang diketahui berdasarkan nilai kemiripan tersebut adalah (Marmanis & Babenko 2009): Nilai kemiripan 0: kedua produk tidak berkorelasi (independen). Nilai kemiripan mendekati +1.0: kedua produk berkorelasi tinggi. Nilai kemiripan mendekati -1.0: kedua produk saling bertolak belakang. Setelah mendapatkan sekumpulan produk yang sangat mirip, dilakukan proses prediksi yang memperkirakan nilai rate dari pengguna. Prediksi yang diperkirakan adalah produk yang belum pernah diberi rate oleh pengguna tersebut. Teknik yang digunakan untuk mendapatkan nilai prediksi adalah dengan persamaan weighted sum (Karypis 2001). Berikut adalah persamaan weighted sum: ( * ) (2) dengan: P(u,j) adalah prediksi untuk pengguna u pada produk j. i I adalah himpunan produk yang mirip dengan produk j. adalah rate pengguna u pada produk i. adalah nilai kemiripan antara produk i dan produk j. Mean Absolute Error (MAE) Mean absolute error (MAE) merupakan persamaan yang digunakan untuk mengukur akurasi sistem dengan membandingkan nilai yang diprediksi dengan nilai yang sebenarnya (Karypis 2001). Persamaan MAE digunakan untuk mengevaluasi kualitas dari sistem dan perhitungan yang paling sering digunakan

5 (Candillier et al. 2007). Berikut adalah persamaan MAE: MAE = (3) dengan: MAE adalah nilai rata-rata kesalahan hitung. N adalah jumlah produk yang dihitung. p i adalah nilai prediksi produk ke-i. q i adalah nilai rate sebenarnya produk kei. Semakin kecil nilai MAE yang dihasilkan, prediksi yang dihasilkan semakin baik. OpenCart Salah satu perangkat lunak yang bersifat open source adalah content management system (CMS). CMS memberikan kesempatan kepada pengembang untuk membuat sebuah website secara personal dan memulai bisnis toko online. Salah satu CMS yang populer di masyarakat adalah OpenCart (Masalov 2007). OpenCart telah memiliki struktur pengkodean yang baik untuk menciptakan toko online yang semua fungsinya dapat berjalan dengan baik dan tampilan layar yang cukup menarik. OpenCart merupakan sebuah sistem yang mudah disesuaikan secara personal dan berisi banyak fitur yang dibutuhkan untuk menjalankan sebuah e- commerce. Struktur OpenCart yang bersifat modular memungkinkan seseorang untuk membuat modul baru dan dapat dengan mudah diintegrasikan ke dalam sistem. Penampilan website juga mudah disesuaikan dan dapat diubah dengan mengganti beberapa stylesheets. METODE PENELITIAN Metode yang dilakukan pada penelitian ini terdiri dari beberapa tahap, yaitu analisis kebutuhan, perancangan sistem, implementasi item-based collaborative filtering, dan pengujian item-based collaborative filtering. Metode penelitian ditunjukkan pada Gambar 5. Analisis Kebutuhan Analisis meliputi analisis kebutuhan data dan analisis kebutuhan fungsi. Analisis kebutuhan data meliputi data pengguna, data buku, dan analisis CMS yang cukup populer di masyarakat Indonesia. CMS dicari berdasarkan Indonesia traffic rank tertinggi melalui situs alexa.com. Tahapan pada analisis fungsi terdiri atas pemberian rate oleh pengguna, perhitungan rata-rata rate pengguna, perhitungan nilai kemiripan produk menggunakan adjusted cosine similarity, perhitungan prediksi produk menggunakan weighted sum, dan pencocokan kategori produk prediksi dengan kategori produk yang diberi rate oleh pengguna. Tahapan pada analisis fungsi dapat dilihat pada Gambar 6. Analisis Kebutuhan Perancangan Sistem Gambar 5 Metode penelitian waterfall (Green dan DiCaterino 1998). Gambar 6 Tahapan analisis fungsi. Perancangan Sistem Implementasi item-based collaborative filtering Pengujian item-based collaborative filtering Rate pengguna Rata-rata rate pengguna Nilai kemiripan produk (adjusted cosine similarity) Prediksi rate produk (weighted sum) Pencocokan Kategori produk Perancangan sistem terdiri dari perancangan database dan perancangan antarmuka. Implementasi Item-Based Collaborative Filtering Pada tahap implementasi, adjusted cosine similarity dan weighted sum diterjemahkan ke dalam sistem dan ditambahkan pada modul untuk menghasilkan sebuah rekomendasi.

6 Pengujian Item-Based Collaborative Filtering Pengujian terhadap sistem dilakukan dengan menggunakan mean absolute error (MAE) untuk mengetahui nilai keakuratan dari rekomendasi yang dihasilkan. Pengujian juga dilakukan dengan menghitung waktu eksekusi yang dibutuhkan sistem untuk menghasilkan sebuah rekomendasi. Pengujian dilakukan pada lingkungan pengembangan perangkat keras Processor Intel Core 2 Duo 1.6 GHz, RAM 2GB, dan Hard drive 120 GB. HASIL DAN PEMBAHASAN Analisis Kebutuhan A Kebutuhan data Menurut hasil penelitian yang dilakukan Dsresearch (2011) dengan jumlah responden 224, kategori produk yang paling sering dibeli oleh masyarakat secara online adalah pakaian (Gambar 7). Pada Gambar 7 dapat juga dilihat bahwa produk buku menempati urutan nomor dua terbawah. Sistem rekomendasi yang dibuat diharapkan dapat menaikkan penjualan buku secara online. Menaiknya penjualan buku berarti minat baca masyarakat semakin tinggi sehingga masyarakat memiliki pengetahuan yang lebih luas dari membaca buku. Gambar 7 Kategori produk yang dijual secara online di Indonesia (Dsresearch 2011). Website e-commerce buku yang ada di Indonesia dianalisis terlebih dahulu ada atau tidaknya rekomendasi yang dihasilkan. Dari 20 website e-commerce yang dianalisis, 9 website e-commerce buku telah memberikan rekomendasi kepada pengguna (Tabel 1). Rekomendasi yang diberikan oleh website e- commerce yang telah ada berdasarkan query untuk mencari kecocokan antara kategori, penulis, maupun penerbit dari buku yang bersangkutan. Tabel 1 Rekomendasi pada e-commerce buku di Indonesia beserta traffic rank e-commerce buku Rekomendasi Indonesia traffic rank Kutukutubuku Ada 5596.com (Kategori) Bukukita.com Ada (Penulis, 731 penerbit, dan kategori) Bukabuku Ada 1333.com (Kategori) Gramedia Ada 778.com (Kategori) Belbuk.com Ada 1624 (Kategori) Bookoopedia Tidak ada 5.545.com Palasarionline Tidak ada 7.187.com Bukubagus Ada 25006.com (Kategori) Bukupengusa Tidak ada 66718 ha.com Inibuku.com Tidak ada 17661 Bearbookstore Tidak ada -.com Cordovabookstore Ada (Penerbit 35235.com dan kategori) Andipublisher Ada 4723.com (Kategori) Serambi.co.id Tidak ada 64223 Cibuku.com Tidak ada - Bukudedo Tidak ada -.com Surgabuku Ada -.com (Kategori) Lilinkecil Tidak ada -.com Biobses.com Tidak ada 21869 Bukuislam.com Tidak ada - *website e-commerce buku yang memiliki rekomendasi. Penelitian ini menggunakan data buku yang diambil dari website bukukita.com. Data buku diambil dari website bukukita.com karena memiliki traffic rank yang lebih tinggi dibanding situs e-commerce buku lainnya (Tabel 1). Data yang diambil memiliki atribut ISBN, judul buku, penulis, penerbit, harga, jumlah halaman, kategori, tahun terbit, sinopsis, rate buku, dan cover buku. Jumlah

7 data buku yang ada sebanyak 300 buku. Data buku diambil pada tanggal 20 juli 2012. Data buku yang ada dibagi menjadi beberapa kategori. Kategori buku mengikuti sebagian kategori yang terdapat pada website bukukita.com. Kategori buku terdiri atas: Agama dengan sub-kategori Islam, Kristen, dan Buddha. Agriculture dengan sub-kategori hewan peliharaan, perikanan, perkebunan, pertanian, peternakan, dan tanaman hias. Anak-anak dengan sub-kategori cerita anak, keterampilan anak, dan parenting. Arsitektur dan interior. Biografi. Bisnis dengan sub-kategori enterpreneurship, investasi, dan marketing. Buku sekolah dengan sub-kategori SD, SMP, SMA. Fiksi dengan sub-kategori komedi, komik, novel, dan sastra. Hobi dengan sub-kategori fotografi, handycraft, kecantikan, menulis, musik, olahraga, dan travel. Kamus. Kesehatan dengan sub-kategori diet, penyakit, dan tanaman obat. Komputer dengan sub-kategori database, jaringan, mobile, multimedia, pemrograman dan web. Non-fiksi dengan sub-kategori hukum dan sejarah dan budaya. Psikologi dan pengembangan diri dengan sub-kategori motivasi, pengembangan diri, dan psikologi. Jumlah responden yang memberi rate pada buku adalah 30 orang dengan masingmasing orang memberi rate minimal 5 buku. Nilai rate terdiri atas angka 1 sampai 5 yang berjenis bilangan bulat dengan angka 1 berarti sangat tidak bagus dan angka 5 berarti sangat bagus. Nilai rate yang terdiri atas angka 1 sampai 5 sudah terdapat pada OpenCart dan tidak dilakukan perubahan. Responden yang memberi rate adalah mahasiswa IPB yang mencoba menggunakan sistem rekomendasi yang dibuat. Data responden diambil pada tanggal 26 sampai 27 juli 2012. Analisis mengenai pemilihan CMS yang dipakai menggunakan situs alexa. Pemilihan Alexa sebagai tool analisis data website dikarenakan situs ini menyediakan layanan perangkingan secara otomatis untuk seluruh situs di dunia (Saidah 2012). Berdasarkan situs alexa yang diakses dengan query opensource shopping cart, lima global traffic rank tertinggi adalah magentocommerce, sitepoint, prestashop, rackspace hosting, dan OpenCart (Tabel 2). Dari lima peringkat berdasarkan global traffic rank tersebut, dicari peringkat berdasarkan Indonesia traffic rank. Situs yang memiliki Indonesia traffic rank tertinggi adalah OpenCart. OpenCart dipilih pada penelitian ini karena memiliki global traffic rank dan Indonesia traffic rank tertinggi di antara opensource shopping cart lainnya. Tabel 2 Lima peringkat CMS dengan Global traffic rank dan indonesia traffic rank tertinggi. CMS Global traffic rank Indonesia traffic rank Magento 861 2572 Sitepoint 1219 1794 Prestashop 1240 1728 Rackspace 1676 3038 hosting Opencart 1939 646 *CMS yang memiliki global traffic rank dan Indonesia traffic rank tertinggi. Berdasarkan aspek kesuksesan e- commerce menurut O Brien (2006), OpenCart telah memiliki tujuh aspek. Aspek yang telah dimiliki OpenCart adalah: Pengendalian akses dan keamanan, pada OpenCart terdapat verifikasi bagi pengguna yang login. Manajemen pencarian, OpenCart memiliki fungsi pencarian yang memudahkan pengguna dalam mencari suatu produk. Manajemen isi, OpenCart mudah untuk memperbaharui maupun menambah produk. Manajemen katalog, OpenCart mudah untuk membagi produk menjadi kategorikategori tertentu. Pembayaran, pada OpenCart terdapat alur proses belanja sampai verifikasi pembayaran. Pemberitahuan kegiatan, pada OpenCart terdapat notifikasi apabila pengguna melakukan suatu proses pada sistem. Pembuatan profil dan personalisasi, OpenCart menyimpan profil pengguna dan history pembelian bagi pengguna yang telah login ke dalam sistem. Pada aspek pembuatan profil dan personalisasi, OpenCart hanya memiliki aspek pembuatan profil. Salah satu cara untuk

8 menciptakan personalisasi adalah dengan adanya sistem rekomendasi. B Kebutuhan fungsi Gambar 8 menunjukkan simulasi rekomendasi yang terjadi pada sistem. Sistem memanfaatkan masukan rate dari pengguna untuk menghasilkan rekomendasi. pada gambar 8 pengguna A memberikan rate pada buku 1, pengguna B memberikan rate pada buku 1 dan 2, pengguna C memberikan rate pada buku 2 dan 3, dan pengguna D memberikan rate pada buku 1 dan 3. Berdasarkan masukan rate tersebut, dicari pasangan buku yang memiliki korelasi tinggi atau similar menggunakan adjusted cosine similarity. Pada gambar 8, buku yang memiliki korelasi tinggi adalah buku 2 dan buku 3. Pasangan buku yang memiliki korelasi tinggi dicari nilai prediksi rate menggunakan weighted sum. Kategori prediksi buku lalu dicocokkan dengan kategori buku yang telah diberi rate. Buku 1, 2, dan 3 memiliki kategori yang sama pada gambar 8. Pengguna yang memiliki rekomendasi adalah pengguna B dengan rekomendasi buku 3 dan pengguna D dengan rekomendasi buku 2. Gambar 8 simulasi rekomendasi. Pada DFD konteks (Gambar 9) dapat dilihat bahwa pengguna memberi rate pada suatu buku. Rate tersebut lalu diolah oleh sistem untuk mencari buku yang memiliki kemiripan dengan buku yang telah diberi rate sebelumnya. Apabila terdapat buku yang memiliki kemiripan, sistem memberikan rekomendasi buku pada pengguna. Gambar 9 DFD konteks sistem rekomendasi. Pada DFD level 1 (Gambar 10) menjelaskan alur rekomendasi. Pengguna yang memberikan rate pada produk disimpan dalam database. Atribut yang disimpan pada database adalah rate, customer_id, dan product_id. Kemudian sistem menghitung rata-rata rate pengguna dan disimpan dalam database dengan atribut average_rating dan customer_id. Setelah rata-rata rate dihitung, sistem menghitung kemiripan antar produk dan menyimpannya dalam database dengan atribut similarity, product_id, dan customer_id. Sistem lalu menghitung nilai prediksi rate produk dan menyimpannya dalam database dengan atribut prediction rate, product_id, dan customer_id. Sistem lalu mencocokkan kategori produk yang telah diberi rate oleh pengguna dengan kategori produk prediksi. Kategori yang memiliki kesamaan direkomendasikan kepada pengguna. Berdasarkan Gambar 10 maka dibuat simulasi dari proses rekomendasi. Proses pertama dan kedua dalam menghasilkan rekomendasi adalah mengumpulkan data pengguna yang telah memberi rate pada buku dan menghitung rata-rata rate dari pengguna. Pemberian rate dilakukan oleh pengguna yang telah login. Simulasi data pengguna yang telah memberi rate dapat dilihat pada Tabel 3, dimana U melambangkan pengguna, I melambangkan buku dan melambangkan nilai rata-rata rate pengguna. Proses ketiga adalah menghitung nilai kemiripan antar buku menggunakan adjusted cosine similarity. Simulasi nilai kemiripan antar buku dapat dilihat pada Tabel 4, dengan I melambangkan buku. Berdasarkan Tabel 3, terdapat empat pasang buku yang memiliki nilai kemiripan lebih besar dari 0.5 yaitu I 1 dengan I 5, I 3 dengan I 5, I 3 dengan I 6, dan I 5 dengan I 6. Tabel 3 Rate buku dari pengguna. Pengguna I 1 I 2 I 3 I 4 I 5 I 6 I 7 U 1 3 5 3 - - - 2 3.25 U 2 5 - - 2 5 5-4.25 U 3 1-2 - - - 2 1.67 U 4 - - - 4 5 5-4.67 U 5 4 2 3 3 3 - - 3.00 U 6 3 4 - - - 1 4 3.00 U 7 - - - - - 4 4 4.00 U 8-5 5 2-5 - 4.25 U 9 - - 5-5 - 4 4.67 U 10-4 - - 5-3 4.00 U 11 - - - 2 4-3 3.00 U 12 - - - 4 3-5 4.00

9 Tabel 4 Nilai kemiripan antar buku. buku1 Buku2 Nilai kemiripan I 1 I 2-0.62 I 1 I 3-0.31 I 1 I 4-0.60 I 1 I 5 0.60 I 1 I 6 0.35 I 1 I 7 0.08 I 2 I 3 0.07 I 2 I 4-0.60 I 2 I 5 0.00 I 2 I 6-0.54 I 2 I 7-0.31 I 3 I 4-1.00 I 3 I 5 1.00 I 3 I 6 1.00 I 3 I 7 0.26 I 4 I 5-0.69 I 4 I 6-0.99 I 4 I 7 0.00 I 5 I 6 1.00 I 5 I 7-0.80 I 6 I 7-1.00 *Pasangan buku yang memiliki nilai similarity lebih besar dari 0.5. Proses keempat adalah menghitung nilai prediksi rate buku menggunakan weighted sum. Pasangan buku yang dijadikan rekomendasi adalah pasangan buku yang nilai kemiripannya lebih besar dari 0.5. Pengguna yang diberikan prediksi rate buku hanya pengguna yang baru memberikan rate pada salah satu buku. Simulasi prediksi dapat Gambar 10 DFD level 1sistem rekomendasi. dilihat pada Tabel 5, dengan U melambangkan pengguna dan I melambangkan buku. Prediksi yang telah dihasilkan tidak langsung diberikan kepada pengguna. Proses kelima yaitu prediksi buku terlebih dahulu dicocokkan dengan kategori buku yang telah diberi rate oleh pengguna. Apabila kategori buku dari prediksi yang dihasilkan sama dengan kategori buku yang telah diberi rate oleh pengguna, buku prediksi tersebut direkomendasikan. Tabel 5 Prediksi rate buku. Pengguna Prediksi rate buku U 1 (I 5, 3)( I 6, 3) U 2 (I 3, 5) U 3 (I 5, 2)(I 6, 2) U 4 (I 1, 5)(I 3, 5) U 5 (I 6, 3) U 6 (I 3, 1)(I 5, 2) U 7 (I 3, 4)(I 5, 4) U 8 (I 5, 5) U 9 (I 1, 5)(I 6, 5) U 10 (I 1, 5)(I 3, 5)(I 6, 5) U 11 (I 1, 4)(I 3, 4)(I 6, 4) U 12 (I 1, 3)(I 3, 3)(I 6, 3) Perancangan Sistem A Perancangan database CMS OpenCart yang digunakan telah memiliki database agar sistem dapat berjalan dengan baik. Walaupun OpenCart telah memiliki database yang cukup lengkap, untuk

10 menambahkan modul rekomendasi diperlukan beberapa tambahan tabel. Pada pembahasan pemodelan proses rekomendasi diperlukan empat tabel untuk menyimpan data yang dibutuhkan dalam menghasilkan rekomendasi. Tabel yang dibutuhkan adalah tabel untuk menyimpan nilai rate dari pengguna, tabel untuk menyimpan nilai rata-rata rate dari pengguna, tabel untuk menyimpan nilai kemiripan antar buku, dan tabel untuk menyimpan prediksi buku. pengguna terdiri atas website logo di bagian kiri atas, akun manajer, fungsi search dan fungsi shopping cart di bagian kiri atas, menu di bagian tengah, kategori produk di bagian kanan bawah, dan konten buku di bagian kiri bawah (Gambar 12). Modul sistem rekomendasi diletakkan pada bagian konten pada halaman home pengguna. review -review_id : int +product_id : int +customer_id : int +pengguna : int +rate : int review_average +customer_id : int +average_rating : decimal similarity -sim_id : int +id_product1 : int +id_product2 : int +similarity : decimal prediction -prediction_id : int +customer_id : int +product_id : int +prediction_rate : int Gambar 11 Entity relationship diagram sistem rekomendasi. Tabel yang digunakan untuk menyimpan nilai rate dari pengguna telah ada pada OpenCart yaitu tabel review. Tabel ini memiliki kolom yang dibutuhkan yaitu kolom review_id bersifat auto increment sebagai primary key, customer_id, product_id, pengguna, dan rate. Tabel lainnya tidak terdapat pada OpenCart sehingga ditambahkan ke dalam database. Tabel review_average ditambahkan untuk menyimpan nilai rata-rata rate dari pengguna yang terdiri dari kolom customer_id dan average_rating. Tabel similarity ditambahkan untuk menyimpan nilai kemiripan antar buku yang terdiri dari kolom sim_id bersifat auto increment sebagai primary key, product1, product2, dan sim untuk menyimpan nilai kemiripan antar buku. Tabel prediction ditambahkan untuk menyimpan nilai prediksi buku yang terdiri atas kolom prediction_id bersifat auto increment sebagai primary key, customer_id, product_id, dan prediction untuk menyimpan nilai rate hasil prediksi. Entity relationship diagram antar tabel dapat dilihat pada Gambar 11. B Perancangan antarmuka Perancangan antarmuka yang digunakan mengikuti antarmuka yang telah ada pada OpenCart. Perancangan antarmuka untuk Gambar 12 Perancangan antarmuka pengguna. Perancangan antarmuka untuk admin terdiri dari header di bagian atas, menu di bagian tengah, dan konten di bagian bawah (Gambar 13). Modul sistem rekomendasi diakses oleh admin melalui menu extensions lalu menu modules. Modul yang digunakan pada sistem ini adalah modul account untuk menampilkan fungsi akun manajer, modul carousel untuk menampilkan penerbit yang ada pada sistem, modul category untuk mengatur letak kategori produk, modul latest untuk menampilkan buku terbaru, dan modul yang ditambahkan yaitu modul recommended untuk menampilkan rekomendasi buku. Gambar 13 Perancangan antarmuka admin. Implementasi Item-Based Collaborative Filtering Implementasi tampilan pada OpenCart tidak banyak diubah. Pada halaman home diberi penambahan modul baru yaitu recommended product. Pada pengguna yang belum login dan pengguna yang telah login tetapi tidak terdapat rekomendasi, modul recommended product menampilkan data buku berdasarkan best seller buku. Data best

11 seller didapat dari perhitungan pemesanan buku terbanyak yang dilakukan pada sistem. Halaman home bagi pengguna yang belum login dan pengguna yang telah login tetapi tidak memiliki rekomendasi dapat dilihat pada Gambar 14. Pada pengguna yang telah login dan memiliki rekomendasi buku, modul recommended product menampilkan data buku hasil rekomendasi. Halaman home bagi pengguna yang telah login dan memiliki rekomendasi buku dapat dilihat pada Gambar 15. Modul recommended Gambar 14 Halaman home pengguna yang belum login dan pengguna yang telah login yang tidak terdapat rekomendasi. Modul recommended Gambar 15 Halaman home pengguna yang telah login dan terdapat rekomendasi. Gambar 16 Halaman modul recommended product pada admin.

12 Pada sisi admin juga ditambahkan modul recommended product. Admin hanya dapat mengatur penempatan modul recommended product di halaman pengguna. Admin tidak dapat mengubah algoritme pada modul recommended product. Tampilan modul recommended product dapat dilihat pada Gambar 16. Implementasi algoritme pada penelitian ini dilakukan pada bagian model sistem menggunakan bahasa structured query language (SQL). Model sistem dipilih untuk memudahkan menggabungkan beberapa tabel yang ada yang diperlukan dalam menghasilkan rekomendasi. A Adjusted cosine similarity Adjusted cosine similarity digunakan untuk menghitung nilai kemiripan antar buku. Data yang diperlukan dalam perhitungan adjusted cosine similarity adalah data rate pengguna dan data rata-rata rate pengguna. Data rate untuk menghitung kemiripan diambil dari tabel review pada database. Data pada tabel review dapat dilihat pada Lampiran 1, sedangkan data rata-rata rate dari pengguna diambil dari tabel review_average pada database. Data pada tabel review_average dicari dengan menghitung rata-rata rate dari pengguna. Data pada tabel review_average dapat dilihat pada Lampiran 2. Rata-rata rate dihitung dengan menggunakan query sebagai berikut: SELECT customer_id, AVG (rating) AS average_rating FROM review GROUP BY (customer_id). Implementasi adjusted cosine similarity pada query adalah sebagai berikut: SELECT (SUM((item1.ratingitem1.average_rating)*(item2.ra tingitem2.average_rating))/(sqrt(su M(POW((item1.ratingitem1.average_rating ),2)))*SQRT(SUM(POW((item2.rati ng-item2.average_rating),2))))) AS similarity FROM (SELECT r.customer_id, r.product_id, r.rating, ra.average_rating FROM review r, review_average ra WHERE r.customer_id=ra.customer_id AND r.product_id = $prod ) AS item1, (SELECT r.customer_id, r.product_id, r.rating, ra.average_rating FROM review r, review_average ra WHERE r.customer_id=ra.customer_id AND r.product_id = $product ) AS item2 WHERE item1.customer_id= item2.customer_id). Pada query adjusted cosine similarity, $prod dan $product merupakan parameter masukan dari id buku yang telah diberi rate. Nilai kemiripan ini disimpan dalam tabel similarity pada database. Nilai kemiripan yang disimpan dalam database hanya yang memiliki nilai kemiripan lebih besar dari 0.5. Berdasarkan query adjusted cosine similarity terdapat 93 pasangan buku yang berkorelasi tinggi. Pasangan buku yang berkorelasi tinggi disimpan dalam tabel similarity pada database. Data tabel similarity dapat dilihat pada Lampiran 3. Data pada tabel similarity semuanya memiliki nilai kemiripan 1.0. Nilai kemiripan yang seragam disebabkan oleh pengguna memberi rate pada buku yang berbeda dengan nilai rate yang sama. Nilai kemiripan yang seragam juga disebabkan oleh sebuah buku hanya diberi rate oleh satu atau dua pengguna. B Weighted sum Weighted sum digunakan untuk menghitung nilai prediksi rate buku. Data yang diperlukan dalam perhitungan weighted sum adalah data rate pengguna dan data kemiripan antar buku yang berkorelasi tinggi. Data rate pengguna diambil dari tabel review dan data kemiripan antar buku diambil dari tabel similarity. Implementasi weighted sum pada query adalah sebagai berikut: SELECT (SUM(r.rating*s.sim)/SUM(ABS(s. sim))) AS prediction FROM (SELECT product1, product2, sim FROM similarity) s, (SELECT customer_id, product_id, rating FROM review WHERE customer_id = $customer ) r WHERE (s.product1 = $product1. "' AND s.product2 = r.product_id) XOR (s.product1 = r.product_id AND s.product2 = $product2)). Pada query wighted sum, $customer merupakan parameter masukan dari customer_id. $product1, dan $product2

13 merupakan masukan dari pasangan buku yang terdapat pada tabel similarity. Berdasarkan query weighted sum terdapat 297 nilai prediksi rate buku. Data tabel prediksi dapat dilihat pada Lampiran 4. Prediksi yang diberikan kepada pengguna adalah prediksi buku yang belum pernah diberi rate oleh pengguna dan kategorinya sama dengan kategori buku yang pernah diberi rate oleh pengguna yang bersangkutan. Pengguna yang memiliki rekomendasi hanya 17 pengguna. Hasil rekomendasi dari tiap pengguna dapat dilihat pada Lampiran 5. Pengguna yang memiliki rekomendasi buku adalah pengguna dengan customer_id 6, 7, 8, 10, 11, 15, 17, 18, 20, 23, 24, 25, 28, 30, 31, 32 dan 33. Beberapa pengguna tidak mendapatkan rekomendasi disebabkan oleh pengguna hanya memberi rate pada kategori tertentu saja atau rate yang diberikan seorang pengguna bertolak belakang dengan rate yang diberikan oleh pengguna lainnya. Pengujian Item-Based Collaborative Filtering A Pengujian keakuratan rekomendasi Pengujian dilakukan dengan menghitung Mean Absolute Error (MAE) dan waktu eksekusi yang dibutuhkan untuk menjalankan query adjusted cosine similarity dan query weighted sum. Pengujian yang pertama dilakukan adalah melakukan perhitungan MAE dengan membandingkan nilai rate prediksi dan nilai rate yang diberi oleh pengguna. Implementasinya pada query adalah sebagai berikut: SELECT SUM(ABS(p.predictionr.rating))/COUNT(*) FROM prediction p, review r WHERE p.customer_id = r.customer_id AND p.product_id = r.product_id). Berdasarkan perhitungan MAE, tingkat kesalahan hitung yang dihasilkan relatif kecil yaitu 0.145. Semakin kecil nilai MAE, semakin akurat rekomendasi yang dihasilkan. Keakuratan pemodelan metode itembased collaborative filtering pada sistem ini diukur dengan membandingkan perhitungan yang dilakukan secara manual dengan perhitungan yang dilakukan pada sistem. Data yang digunakan adalah data pada Tabel 3 sampai Tabel 5. Nilai kemiripan dan prediksi yang dihasilkan pada perhitungan manual dan perhitungan sistem menunjukkan hasil yang relatif sama. Perbedaan hasil terdapat pada enam perhitungan yaitu I 1 dengan I 3, I 1 dengan I 7, I 3 dengan I 7, I 4 dengan I 5, I 4 dengan I 6, dan I 5 dengan I 7. Selisih rata-rata dari perbandingan perhitungan manual dan perhitungan sistem adalah 0.0005. Selisih antara perhitungan manual dan perhitungan sistem tidak terlalu jauh Perbandingan nilai kemiripan antara perhitungan manual dan perhitungan sistem dapat dilihat pada Tabel 6. B Pengujian waktu eksekusi Pengujian yang dilakukan selanjutnya adalah menghitung waktu eksekusi untuk menjalankan query persamaan (1) dan persamaan (2). Penghitungan waktu eksekusi menggunakan aplikasi tambahan yang terdapat pada web browser yaitu page load time. Berdasarkan perhitungan page load time, waktu eksekusi rata-rata yang dibutuhkan adalah 60.7 detik. Tingginya waktu eksekusi ini disebabkan oleh proses pembuatan tabel yang cukup lama. Waktu eksekusi yang lama ini tidak mengganggu pengguna karena algoritme diletakkan pada bagian admin sistem. Pada bagian pengguna, waktu eksekusi rata-rata dari 30 pengguna adalah 1.57 detik. Waktu eksekusi pada bagian pengguna digunakan untuk membandingkan kategori dari buku yang telah diberi rate dan kategori dari prediksi buku. Waktu rata-rata eksekusi dari tiap pengguna dapat dilihat pada Gambar 17. Menurut Miller (1968) respon pengguna terhadap waktu eksekusi halaman dibagi menjadi tiga yaitu: (i) 0.1 detik yaitu pengguna merasa sistem bekerja sangat cepat, (ii) 1 detik yaitu batas pengguna tidak merasakan adanya gangguan, dan (iii) 10 detik yaitu batas memungkinkan pengguna untuk tetap fokus dan tidak meninggalkan halaman website. Waktu eksekusi untuk menghasilkan rekomendasi pada penelitian ini berada pada bagian ketiga yang masih memungkinkan pengguna untuk tetap fokus dan tidak meninggalkan halaman website.

14 Tabel 6 Perbandingan nilai kemiripan perhitungan sistem dan perhitungan manual. Buku1 Buku2 Nilai kemiripan (sistem) Nilai kemiripan (manual) Selisih= sistem-manual I 1 I 2-0.6198-0.6198 0.0000 I 1 I 3-0.3116-0.3123 0.0007 I 1 I 4-0.6000-0.6000 0.0000 I 1 I 5 0.6000 0.6000 0.0000 I 1 I 6 0.3511 0.3511 0.0000 I 1 I 7 0.0782 0.0775 0.0007 I 2 I 3 0.0735 0.0735 0.0000 I 2 I 4-0.6000-0.6000 0.0000 I 2 I 5 0.0000 0.0000 0.0000 I 2 I 6-0.5384-0.5384 0.0000 I 2 I 7-0.3122-0.3122 0.0000 I 3 I 4-1.0000-1.0000 0.0000 I 3 I 5 1.0000 1.0000 0.0000 I 3 I 6 1.0000 1.0000 0.0000 I 3 I 7 0.2598 0.2593 0.0005 I 4 I 5-0.6974-0.6976 0.0002 I 4 I 6-0.9956-0.9952 0.0004 I 4 I 7 0.0000 0.0000 0.0000 I 5 I 6 1.0000 1.0000 0.0000 I 5 I 7-0.8049-0.8058 0.0009 I 6 I 7-1.0000-1.0000 0.0000 Rata-rata selisih 0.0005 waktu eksekusi (s) 2 1.5 1 0.5 0 5 9 13 17 21 25 29 33 customer_id Gambar 17 Waktu rata-rata eksekusi dari 30 pengguna. Pengujian waktu eksekusi juga dilakukan apabila semua nilai kemiripan antar buku disimpan dalam tabel similarity pada database. Waktu eksekusi rata-rata yang dibutuhkan adalah 71.5 detik dengan total 209 pasang buku yang dicari nilai kemiripannya. Rentang nilai kemiripan dari 209 pasang buku yaitu dari nilai -1 sampai nilai +1. Data nilai kemiripan ini dapat dilihat pada Lampiran 6. Waktu eksekusi rata-rata lebih lama 10 detik bila dibandingkan dengan nilai kemiripan yang lebih besar dari 0.5 saja yang disimpan dalam database. Jumlah pasangan buku yang dihasilkan juga lebih banyak apabila semua data kemiripan antar buku disimpan dalam database. Oleh karena itu, data yang disimpan dalam database hanya yang memiliki nilai kemiripan lebih besar dari 0.5. Simpulan SIMPULAN DAN SARAN Metode item-based collaborative filtering telah berhasil diimplementasikan menggunakan CMS OpenCart. Pengguna yang belum login dan tidak memiliki rekomendasi akan diberikan rekomendasi berdasarkan buku best seller. Pengguna yang telah login dan memiliki rekomendasi diberikan rekomendasi berdasarkan masukan masukan rate. Dari 30 pengguna yang mencoba sistem, 17 pengguna memiliki rekomendasi. Keakuratan metode item-based collaborative filtering dihitung menggunakan persamaan mean absolute error (MAE). Tingkat kesalahan hitung metode item-based collaborative filtering pada sistem ini relatif kecil yaitu 0.15. Semakin kecil nilai MAE, semakin akurat rekomendasi yang dihasilkan. Waktu eksekusi untuk menghasilkan prediksi membutuhkan waktu yang relatif lama yaitu 61.00 detik. Waktu eksekusi yang lama disebabkan oleh pembuatan beberapa tabel. Waktu eksekusi yang lama tidak mengganggu pengguna karena proses perhitungan diletakkan pada sistem bagian admin. Waktu eksekusi untuk menampilkan

15 rekomendasi pada pengguna relatif cepat dengan rata-rata 1.60 detik. Saran Terdapat beberapa hal yang dapat ditambahkan atau diperbaiki untuk penelitian selanjutnya, antara lain: 1 Waktu eksekusi yang sedikit lebih tinggi pada penelitian ini sehingga harus dicari algoritme lain agar waktu eksekusi lebih rendah. 2 Membandingkan keakuratan dari metode lainnya yang telah berkembang saat ini seperti content-based filtering atau hybrid collaborative filtering. 3 Pengujian berupa kuesioner kepada responden tentang rekomendasi yang dihasilkan sistem. DAFTAR PUSTAKA Balabanovic M, Shoham Y. 1997. Fab: content-based collaborative recommendation. Communication of the ACM 40(3):66-72. Breese J S, Heckerman D, Kadie C. 1998. Empirical analysis of predictive algorithms for collaborative filtering. Proceedings of the 14 th Conference on Uncertainty in Artificial Intelligence; Madison 24-26 juli 1998. 43-52. Burke R. 2002. Hybrid Recommender Systems: Survey and Experiments. User Modelling and User-Adapted Interaction 12(4):331-370. Candillier L, Meyer F, Boullé M. 2007. Comparing State-of-the-Art Collaborative Filtering Systems. Proceedings of 5 th International Conference on Machine Learning and Data Mining in Pattern Recognition; Leipzig 18-20 juli 2007. 548-562. Chen A Y, McLeod D. 2006. Collaborative Filtering for Information Recommendation Systems. Encyclopedia of E-commerce, E- government, and Mobile Commerce. Pennsylvania: Idea Group Publishing pp 118-123. [DS] DailySocial. 2011. DS Research: How Indonesia s Youngsters Use E-Commerce. http://en.dailysocial.net/post/ds-research- how-indonesia%e2%80%99s-youngsters- use-e-commerce-free-download [15 Sep 2012]. Goldberg K, Roeder T, Gupta D, Perkins C. 2001. Eigenstate: a constant time collaborative filtering algorithms. Information Retrieval Journal 4:133-151. Green D, DiCaterino A. 1998. A Survey of System Development Process Models. [Technical Report No. CTG.MFA 003]. New York: State University New York. Karypis G. 2001. Evaluation of Item-Based Top-N Recommendation. 10th Conference of Information and Knowledge Management (CIKM); BuckHead 5-10 November. 247-254. Linden G, Smith B, York J. 2003. Amazon.com recommendations. IEEE Internet Computing 7(1):76-80. Marmanis, H., Babenko, D. 2009. Algorithms of the Intelligent Web. Greenwich: Manning Publ. Sound View Court 3B, CT 06830. Masalov K. 2007. Developing Country E- commerce portal. [Honours project report]. Cape Town: University of Cape Town. McGinty L, Smyth B. 2006. Adaptive selection : analysis of critiquing and preference based feed back in conversational recommender systems. International Journal of Electronic Commerce 2(2):35-57. Miller RB. 1968. Response time in mancomputer conversational transactions. Proceedings of the AFIPS Fall Joint Computer Conference; New Jersey 9-11 Desember 1968. 267-277. O Brien JA. 2006. Introduction to Information System. Ed ke 12. New York: McGraw Hill. Saidah HT. 2012. Kajian usability website e- commerce indonesia berdasarkan perspektif tipe pengguna browser dan evaluator [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Sarwar B, Karypis G, Konstan J A, Riedl J. 2001. Item-based collaborative filtering recommendation algorithms. Proceedings of the 10 th International World Wide Web Conference, 285-295.