Algoritme Genetika untuk Mengurangi Galat Prediksi Metode Item-based Collaborative Filtering

Abstract

Sistem rekomendasi adalah suatu teknik dan perangkat lunak yang dapat memberikan suatu anjuran yang bermanfaat bagi pengguna dalam proses pengambilan keputusan. Metode yang banyak digunakan dalam sistem rekomendasi adalah collaborative filtering. Pengembangan dari pendekatan untuk mengurangi kesalahan prediksi sudah menjadi sebuah topik penelitian yang aktif dalam sistem rekomendasi dengan collaborative filtering, karena akurasi dari prediksi memainkan peran yang sangat penting untuk preferensi kepada pengguna. Salah satu permasalahan yang terjadi pada collaborative filtering adalah jika persebaran rating secara keseluruhan jarang, yang menyebabkan sulit untuk mengidentifikasi neighborhood yang benar dan relevan untuk membuat prediksi. Terdapat  dua macam metode collaborative filtering yaitu user-based collaborative filtering dan item-based collaborative filtering. Metode item-based memberikan kualitas prediksi yang lebih baik daripada metode user-based.

Optimasi metode user-based collaborative filtering dengan algoritme genetika untuk memperbaiki nilai kemiripan user mampu mengurangi galat prediksi. Pada penelitian ini dikembangkan optimasi sistem rekomendasi dengan menerapkan algoritme genetika untuk memperbaiki nilai kemiripan item. Penelitian ini menggunakan dataset movielens dan book-crossing sebagai bahan evaluasi. Evaluasi dilakukan dengan variasi jumlah neighbors terhadap metode pengukur kemiripan yang digunakan, seperti: cosine similarity, pearson correlation dan adjusted cosine. Usulan pendekatan mampu mengurangi galat prediksi dari sistem rekomendasi secara signifikan. Galat prediksi terendah diperoleh metode adjusted-cosine berevolusi pada kedua dataset.