UPI Cibiru
UPI Cibiru
UPI
022-7801840 Mon - Fri 07:00 - 16:00 Jl. Raya Cibiru KM 15 Bandung 40393
022-2013163 Mon - Fri 07:00 - 16:00 Jl. Dr. Setiabudhi No. 229 Bandung 40154
Universitas Pendidikan Indonesia
Kampus Cibiru
Certified
ISO 9001:2015
Pionir #1
Prodi RPL Jenjang S-1 di PTN se-Indonesia

Pengenalan “Recommender Systems”

Recommender Sytems adalah sebuah perangkat lunak dan teknik menyediakan saran suatu item produk yang berguna untuk pengguna.


Fungsi dari Recommender System

  • Mengatasi overwhelming/informasi berlebih
  • Memprediksi item yang paling sesuai dengan pengguna
  • Menyediakan sajian pendukung keputusan dalam memilih produk yang baik
  • Menampung pola pengguna dalam memilih item
  • Memberikan item pilihan alternative untuk pengguna
  • Menghasilkan item produk yang relevan dengan interaksi yang beragam

Keuntungan menggunakan Recommender System

1. Menambah angka penjualan produk jenis tertentu

Menjual tanpa jenis rekomendasi, melihat kecenderungan pengguna

2. Menjual jenis item produk yang beragam

Memungkinkan pengguna produk yang unik tapi sesuai dengan preferensinya

3. Menambah kepuasan pelalanggan

Membuat pengguna lebih tertarik dan relevan terhadap item produk yang ditemukanya

4. Menambah kesetiaan pelanggan

Penyediaan informasi yang interaktif membuat pelanggan lebih setia pada system yang dibuat

5. Lebih memahami apa yang user inginkan

Sistem dapat membantu pengguna awam, memberikan rekomendasi, mendukung keputusan dsb.

Sedangkan menurut Hertlocker, keuntungan menggunakan Recommender System diantaranya :

1. Menemukan item-item yang bagus

Merank item-item produk yang paling bagus

2. Menemukan semua produk yang bagus

Merekomendasikan semua item yang dapat memenuhi beberapa kebutuhan pengguna

3. Anotasi dalam konteks

Memberikan keterangan pada item-item produk

4. Merekomendasikan secara berurutan

Melist item-tem produk secara terurut, seperti di rekomendasikan semuanya

5. Merekomendasikan bundle

Merekomendasikan berupa paketan suatu item secara group

6. Just browsing

Menjadi bahan penelusuran tanpa berniat membeli

7. Mencari system rekomendasi yang kredibel

Menguji system rekomendasi

8. Meningkatkan learning profile system rekomendasi

Mengetahui pola profil pengguna

9. Express self

Tanpa memperhatikan rekomendasi, sistem memberikan ruang buat pengguna untuk memberi masukan terhadap item-item produk

10. Membantu orang lain

Mengevaluasi rank, memberikan opini sehingga membantu orang lain dalam menemukan item produk yang relevan

11. Mempengaruhi orang lain

Dalam RSs ada yang memang tujuan utamanya untuk mempengaruhi pengguna dalam memilih item produk tertentu


Sumber Data and Knowledge

1. Items

Dilihat dari utilitas, contohnya item positif tepat untuk direkomendasikan, begitu pun item sebaliknya

2. Users

Dilihat dari pola pengguna, tujuan, serta kararteristik pengguna itu sendiri

3. Transactions

Penggunaan data log transaksi yang tersimpan selama berinteraksi dengan system rekomendasi, seperti koleksi” data transaksi item pilihan, data rating, dsb.


Teknik Dalam Merekomendasikan

1. Content-based

Merekomendasikan item yang typical (contentnya) nya yang representasinya sama dengan item yang relevan dengan pengguna, kesamaan item dihitung berdasarkan pada fitur yang berhubungan dengan item.

2. Collaborative filtering

Merekomendasikan item yang seleranya mirip dengan pengguna menyukai item tersebut di masa lalu, mengacu pada korelasi antar pengguna.

3. Demographic

Merekomendasikan item berdasarkan demografi profil pengguna.

4. Knowledge-based

Merekomendasikan item berdasarkan specific domain knowledge tentang kebutuhan pengguna dan preferensi sehingga bemanfaat untuk pengguna.

5. Community-based

Merekomendasikan item berdasarkan preferensi temen pengguna, mengadopsi epigram “Tell me who your friends are, and I will tell you who you are”

6. Hybrid recommender systems

Merekomendasikan item berdasarkan gabungan dari beberapa metode, hal ini didasarkan pada kombinasi, sebuah sistem hybrid menggabungkan metode A dan B dengan tujuan menggunakan keuntungan dari A untuk memperbaiki kelemahan dari metode B.


Implementasi dari Recommender System

Aplikasi dan implementasi dari system rekomendasi itu sendiri adalah berupa

– Entertainment, Content, E-Commerce, Services.


Evaluasi Recommender System

Adapun untuk experiment evaluasi dengan melakukan koleksi data baik dengan kualitatif maupun kuantitatif.


System Recommender dalam beberapa multidisiplin

Recommender system like Information Retirieval, mempunyai kebanyakan masalah pada Filtering dan Perankingan.


Topik dan Tantangan

1. Skabilitas algoritma dengan dataset yang besar dan real-world datasets.

Menentukan bagaimana menanamkan teknik rekomendasi inti dalam sistem operasional yang nyata dan bagaimana menghadapi set besar dan dinamis dari data yang dihasilkan oleh interaksi dari pengguna dengan (peringkat, preferensi, ulasan, dll) item.

2. Proactive recommender systems

Recommender system dapat memberikan informasi lebih sekalipun tidak diminta.

3. Pelayanan privasi dalam recommender systems

Karakteristik recommender systemsyang mengkoleksi preferensi data pengguna membuat selanjutnya harus memikirkan bagaimana melindungi data tersebut agar tidak dimanfaatkan oleh semacam malicious users.

4. Memberikan keragaman produk pada pengguna

5. Mengintegrasikan pemantauan jangka panjang dan jangka pendek pada pembangunan recommender system.

Recommender system dibagi menjadi 2 kelas, jangka pendek dan jangka panjang dengan menggabungkan semua data transaksi, dengan begitu akan lebih terfokus dalam implementasinya.

6. Pemodelan pengguna umum dan spesifik dapat di handle dengan system dan domain aplikasi

Pemodelan dapat dilakukan secara generic tapi tidak bisa menghandle perbedaan, guna menjadi lebih umum digunakalah teknik hybrid.

7. Pendistribusian recommender systems yang beroperasi di jaringan terbuka

Model komputasi dari sebagian terbesar dari RSs menganut arsitektur client-server biasa, hal ini menjadi tantangan bagaimana agar komputasi menjadi lebih effisien.

8. Recommender dapat mengoptimalkan urutan rekomendasi

Meningkatkan kualitas rekomendasi yang diberikan oleh system berdasarkan pendekatan yang lebih sederhana: satu kali permintaan / tanggapan.

9. Recommenders di desain dapat beroperasi pada mobile devices and usage contexts

Komputasi mobile yang muncul sebagai platform alami yang paling untuk komputasi personal.

Sumber :

Recommender Systems Handbook

Francesco Ricci · Lior Rokach · Bracha Shapira ·Paul B. Kantor

About the author

Leave a Reply