Perbandingan Metode MSD dan Cosine Similarity pada Sistem Rekomendasi Item-Based Collaborative Filtering
Abstract
Perkembangan teknologi membantu manusia dalam mencari hal-hal yang diinginkan dengan cepat dan mudah. Contoh konkret yang banyak diterapkan saat ini adalah sistem rekomendasi. Sistem rekomendasi dapat membantu pengguna dalam menemukan item yang diinginkan tanpa perlu melihat seluruh item yang terdapat di dalam sebuah situs web atau platform lainnya. Collaborative Filtering adalah salah satu teknik yang memanfaatkan rating pengguna sebagai acuan untuk merekomendasikan item. Item-Based Collaborative Filtering merupakan teknik untuk menilai kemiripan suatu item dengan item yang lain. Mean Squared Difference (MSD) dan Cosine Similarity bisa dijadikan ukuran untuk menentukan tingkat kemiripan antar item. Berdasarkan hasil penelitian yang dilakukan dengan menggunakan dataset review produk Amazon tahun 2018 pada kategori video games, ditemukan bahwa metode MSD memiliki keunggulan dibandingkan dengan Cosine Similarity dengan selisih sebesar 0,42074604 detik untuk waktu fitting dan 0,05530257 detik untuk waktu uji.
References
Badriyah, T., Restuningtyas, I., & Setyorini, F. (2017). Sistem Rekomendasi Collaborative Filtering Berbasis User Algoritma Adjusted Cosine Similarity. Prosiding Seminar Nasional Sisfotek, 10(1), 38–45.
Ferio, G., Intan, R., & Rostianingsih, S. (2019). Sistem Rekomendasi Mata Kuliah Pilihan Menggunakan Metode User Based Collaborative Filtering Berbasis Algoritma Adjusted Cosine Similarity. Jurnal Infra, 7(1), 1–7.
Hertina, H., Nurwahid, M., Haswir, H., Sayuti, H., Darwis, A., Rahman, M., ... & Hamzah, M. L. (2021). Data mining applied about polygamy using sentiment analysis on Twitters in Indonesian perception. Bulletin of Electrical Engineering and Informatics, 10(4), 2231-2236.
Hug, N. (2020). Surprise: A Python library for recommender systems. Journal of Open Source Software, 5(52), 2174. https://doi.org/10.21105/joss.02174
Jaja, Y. V. L., Susanto, B., & Sasongko, L. R. (2020). Penerapan Metode Item-Based Collaborative Filtering Untuk Sistem Rekomendasi Data MovieLens. D’CartesiaN, 9(2), 78–83.
Jugovac, M., Jannach, D., & Lerche, L. (2017). Efficient optimization of multiple recommendation quality factors according to individual user tendencies. Expert Systems with Applications, 81, 321–331. https://doi.org/10.1016/j.eswa.2017.03.055
Mardi, Y. (2017). Data Mining : Klasifikasi Menggunakan Algoritma C4.5. Edik Informatika, 2(2), 213–219. https://doi.org/10.22202/ei.2016.v2i2.1465
Ni, J., Li, J., & McAuley, J. (2020). Justifying recommendations using distantly-labeled reviews and fine-grained aspects. EMNLP-IJCNLP 2019 - 2019 Conference on Empirical Methods in Natural Language Processing and 9th International Joint Conference on Natural Language Processing, Proceedings of the Conference, 188–197. https://doi.org/10.18653/v1/d19-1018
Prasetyo, B., Haryanto, H., Astuti, S., Astuti, E. Z., & Rahayu, Y. (2019). Implementasi Metode Item-Based Collaborative Filtering dalam Pemberian Rekomendasi Calon Pembeli Aksesoris Smartphone. Eksplora Informatika, 9(1), 17–27. https://doi.org/10.30864/eksplora.v9i1.244
Rizki, M., Umam, M. I. H., & Hamzah, M. L. (2020). Aplikasi Data Mining Dengan Metode CHAID Dalam Menentukan Status Kredit. SITEKIN: Jurnal Sains, Teknologi dan Industri, 18(1), 29-33.
Shahbazi, Z., Hazra, D., Park, S., & Byun, Y. C. (2020). Toward improving the prediction accuracy of product recommendation system using extreme gradient boosting and encoding approaches. Symmetry, 12(9). https://doi.org/10.3390/SYM12091566
Wang, W., & Lu, Y. (2018). Analysis of the Mean Absolute Error (MAE) and the Root Mean Square Error (RMSE) in Assessing Rounding Model. IOP Conference Series: Materials Science and Engineering, 324(1), 0–10. https://doi.org/10.1088/1757-899X/324/1/012049
Zanuardi, A., & Suprayitno, H. (2018). Analisa Karakteristik Kecelakaan Lalu Lintas di Jalan Ahmad Yani Surabaya melalui Pendekatan Knowledge Discovery in Database. Jurnal Manejemen Aset Infrastruktur & Fasilitas, 2(1), 45–55. https://doi.org/10.12962/j26151847.v2i1.3767
