perpustakaan.uns.ac.id digilib.uns.ac/Sistem...perpustakaan.uns.ac.id digilib.uns.ac.id commit to user i SISTEM PEREKOMENDASI DENGAN METODE ITEM-BASED COLLABORATIVE FILTERING PADA

perpustakaan.uns.ac.id digilib.uns.ac.id

commit to user

SISTEM PEREKOMENDASI DENGAN METODE ITEM-BASED

COLLABORATIVE FILTERING PADA APLIKASI MOBILE

BERBASIS ANDROID UNTUK WISATA KULINER KOTA SURAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu

Jurusan Informatika

Disusun Oleh :

VINA ZAHROTUN KAMILA

M0507049

JURUSAN INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SEBELAS MARET

SURAKARTA

2012


commit to user

i

SISTEM PEREKOMENDASI DENGAN METODE ITEM-BASED

COLLABORATIVE FILTERING PADA APLIKASI MOBILE

BERBASIS ANDROID UNTUK WISATA KULINER KOTA SURAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu

Jurusan Informatika

Disusun Oleh :

VINA ZAHROTUN KAMILA

M0507049

JURUSAN INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SEBELAS MARET

SURAKARTA

2012


commit to user

ii


commit to user

iii

MOTTO

Serendipity could be planned.

(Vina Zahrotun Kamila)


commit to user

iv

PERSEMBAHAN

Bapak Ibuku

Guru-guruku


commit to user

v

KATA PENGANTAR

Puji syukur kepada Allah SWT atas segala limpahan rahmat dan karunia-Nya,

sehingga penulis dapat menyelesaikan penulisan skripsi. Sholawat dan salam

senantiasa penulis haturkan kepada Rosululloh SAW sebagai pembimbing seluruh

umat manusia.

Skripsi ini tidak akan selesai tanpa adanya bantuan dari banyak pihak, karena

itu penulis menyampaikan terima kasih kepada :

1. Bapak Ir. Ari Handono Ramelan, M.Sc., Ph.D. selaku Dekan FMIPA UNS.

2. Ibu Umi Salamah, M.Kom. selaku Ketua Jurusan Informatika FMIPA UNS.

3. Ibu Dewi Wisnu Wardhani, M.S. selaku Sekretaris Jurusan Informatika FMIPA

UNS.

4. Bapak Ristu Saptono, M.T. selaku pembimbing I.

5. Ibu Rini Anggrainingsih, M.T. selaku pembimbing II.

6. Bapak Y.S. Palgunadi, M.Cs. selaku Pembimbing Akademik.

7. Bapak Meiyanto Eko Sulistyo, M.Eng. dan Abdul Aziz, M.Cs. selaku penguji.

8. Bapak Ibu Dosen Jurusan Informatika FMIPA UNS.

9. Seluruh keluargaku di rumah dan teman-teman seperjuangan di kampus,

khususnya Sayekti Hadi Ati yang berkenan berbagi data wisata kuliner Kota

Surakarta yang telah susah payah dikumpulkannya.

10. Semua pihak yang tidak dapat penulis sebutkan satu persatu.

Semoga Allah SWT membalas jerih payah dan pengorbanan yang telah

diberikan dengan balasan yang lebih baik

Semoga skripsi ini dapat memberikan manfaat bagi pembaca umumnya dan

mahasiswa Informatika pada khususnya.

Surakarta , Juli 2012

Vina Zahrotun Kamila


commit to user

vi

ABSTRACT

Culinary tourism in Surakarta is well known for its uniqueness and various.

There are many places with various foods, so it is important to look for a

recommender tool that ease people to find good culinary places which they may like.

One of most popular method that used on recommender system is

collaborative filtering. Collaborative filtering is method that using known

preferences of a group of users to predict the unknown preference of a new user.

There are 2 basic method in collaborative filtering: user-based and item-based.

Item-based methods provide recommendations by specifying the items that are

similar to other items that are loved by someone. In this method, the relationship

between the items tend to be static, so it requires fewer calculations. Moreover,

item-based calculations performed offline, so users are not bothered by the system

than the system displays the result of the recommendation.

This research aims to establish a recommender system with item-based

collaborative filtering is applied in mobile technology. The main process

(recommendation) in this recommender system for culinary places in Surakarta built

using the item-based CF with 5 items nearest neighbors (neighborhood items),

because from the analysis of random testing of MAE with the discharge rate of 5%,

15%, 10% and 20% with a variation the neighborhood (1, 2, 3, 4, 5 largest

neighborhood items and all of neigborhood items), indicating that the method of

item-based collaborative filtering with 5 neighborhood can produce quality

predictions with good accuracy.

Keywords: Android, collaborative filtering, item-based, recommender system


commit to user

vii

ABSTRAK

Wisata kuliner di Kota Surakarta dikenal khas dan beragam. Karena

banyaknya tempat dengan beragam masakan, maka dibutuhkan suatu perangkat

perekomendasi untuk memudahkan calon pengunjung untuk menemukan tempat

kuliner yang tepat dan mungkin disukai.

Collaborative filtering (CF) merupakan teknik dalam sistem perekomendasi

yang menggunakan preferensi diketahui dari sekelompok user untuk memprediksi

preferensi yang tidak diketahui dari user baru. Salah satu metode dalam CF adalah

item-based. Metode item-based memberikan rekomendasi dengan menentukan

item yang mirip dengan item lain yang disukai oleh seseorang. Pada metode ini,

hubungan antara item-item cenderung statis, sehingga membutuhkan perhitungan

yang lebih sedikit. Selain itu perhitungan item-based dilakukan offline, sehingga

pengguna sistem tidak merasa terganggu dengan lambatnya sistem dalam

menampilkan hasil rekomendasi.

Penelitian ini bertujuan untuk membangun sebuah sistem perekomendasi

dengan item-based collaborative filtering yang diterapkan dalam teknologi mobile.

Proses utama (rekomendasi) dalam sistem perekomendasi wisata kuliner Kota

Surakarta yang dibangun menggunakan metode item-based CF dengan 5 item

tetangga terdekat (neighborhood) karena hasil analisis pengujian MAE dengan

pengosongan acak sebesar 5%, 15%, 10% dan 20% dengan variasi jumlah

neighborhood (1, 2, 3, 4, 5 neighborhood terbesar dan semua neigborhood),

menunjukkan bahwa metode item-based collaborative filtering dengan 5

neighborhood dapat menghasilkan prediksi dengan kualitas akurasi yang baik.

Kata Kunci: Android, collaborative filtering, item-based, sistem perekomendasi


commit to user

viii

DAFTAR ISI

HALAMAN JUDUL ............................................................................................................. i

HALAMAN PENGESAHAN ............................................................................................... ii

MOTTO ............................................................................................................................... ii

PERSEMBAHAN ................................................................................................................ iv

KATA PENGANTAR .......................................................................................................... v

ABSTRACT ........................................................................................................................ vi

ABSTRAK ......................................................................................................................... vii

DAFTAR ISI ..................................................................................................................... viii

DAFTAR TABEL................................................................................................................. x

DAFTAR GAMBAR ........................................................................................................... xi

DAFTAR LAMPIRAN ....................................................................................................... xii

BAB I PENDAHULUAN ..................................................................................................... 1

1.1 Latar Belakang ......................................................................................................1

1.2 Perumusan Masalah ...............................................................................................3

1.3 Pembatasan Masalah ..............................................................................................3

1.4 Tujuan ...................................................................................................................3

1.5 Manfaat Tugas Akhir .............................................................................................3

1.6 Tinjauan Pustaka ...................................................................................................4

1.7 Sistematika Penulisan ............................................................................................7

BAB II LANDASAN TEORI................................................................................................ 9

2.1 Sistem Perekomendasi ...........................................................................................9

2.2 Android ............................................................................................................... 14

2.3 Web service ......................................................................................................... 15

2.4 Unified Model Language (UML) ......................................................................... 16

BAB III METODOLOGI PENELITIAN ............................................................................. 22

3.1 Tahap Pengumpulan Data .................................................................................... 23

3.2 Rational Unified Proses (RUP) ............................................................................ 23

3.3 Sistem Perekomendasi dengan Metode Item-based Collaborative Filtering .......... 26

BAB IV PEMBAHASAN ................................................................................................... 32

4.1 Pengujian Metode ................................................................................................ 32

4.2 Analisis dan Perancangan .................................................................................... 34

4.2.1 Kebutuhan Sistem ........................................................................................ 34


commit to user

ix

4.2.2 Use Case ...................................................................................................... 38

4.2.3 Class Diagram dan Sequence Diagram ........................................................ 54

4.2.4 Perancangan Basis Data ............................................................................... 59

4.3 Konstruksi ........................................................................................................... 61

4.3.1 Implementasi ............................................................................................... 61

4.3.2 Pengujian ..................................................................................................... 67

BAB V PENUTUP ............................................................................................................. 75

5.1 Kesimpulan ......................................................................................................... 75

5.2 Saran ................................................................................................................... 75

DAFTAR PUSTAKA ......................................................................................................... 76


commit to user

x

DAFTAR TABEL

Tabel 2. 1 Perbandingan Android, Symbian dan Windows Mobile ...................................... 15

Tabel 2.2 Notasi/Simbol dalam Class Diagram .................................................................... 17

Tabel 2. 3 Notasi/Simbol Use Case Diagram ...................................................................... 18

Tabel 2. 4 Notasi/Simbol Sequence Diagram....................................................................... 19

Tabel 2. 5 Notasi/Simbol Activity Diagram ......................................................................... 20

Tabel 4.1 Hasil Nilai MAE dari Pengujian Variasi Jumlah Neighborhood............................ 32

Tabel 4.2 Daftar Kebutuhan Fungsional .............................................................................. 36

Tabel 4.3 Daftar Kebutuhan Non Fungsional ....................................................................... 36

Tabel 4.4 Daftar Actor dalam Sistem pada Use Case Diagram ............................................ 39

Tabel 4.5 Daftar Use Case pada Use Case Diagram ............................................................ 39

Tabel 4.6 Skenario Use Case ‘Melakukan Pencarian’ .......................................................... 40

Tabel 4.7 Skenario Use Case ‘Meminta Rekomendasi’........................................................ 42

Tabel 4.8 Skenario Use Case ‘Melihat Informasi Kuliner’ ................................................... 45

Tabel 4.10 Skenario Use Case ‘Me-rating Kuliner’ ............................................................. 46

Tabel 4.11 Skenario Use Case ‘Melihat Map’ ..................................................................... 48

Tabel 4.12 Skenario Use Case ‘Mengubah Informasi Kuliner’ ............................................ 50

Tabel 4.13 Skenario Use Case ‘Menambah Kuliner Baru’ ................................................... 52

Tabel 4.14 Struktur ‘tb_admin’ pada Basis Data .................................................................. 59

Tabel 4.15 Struktur ‘tb_item’ pada Basis Data ..................................................................... 60

Tabel 4.16 Struktur ‘tb_user’ pada Basis Data ..................................................................... 60

Tabel 4.17 Struktur ‘tb_userprofile’ pada Basis Data........................................................... 60

Tabel 4.18 Struktur ‘tb_similarity’ pada Basis Data ............................................................. 61

Tabel 4.19 Tabel Implementasi Komponen Perangkat Lunak .............................................. 61

Tabel 4.20 Tabel Antarmuka Perangkat Lunak .................................................................... 62

Tabel 4.24 Tabel Daftar Rencana Pengujian ........................................................................ 67

Tabel 4.25 Tabel Hasil Pengujian ‘Melakukan Pencarian’ ................................................... 69

Tabel 4.26 Tabel Hasil Pengujian ‘Meminta Rekomendasi’ ................................................. 70

Tabel 4.27 Tabel Hasil Pengujian ‘Melihat Informasi Kuliner’ ............................................ 71

Tabel 4.28 Tabel Hasil Pengujian ‘Me-rating Kuliner’ ........................................................ 72

Tabel 4.30 Tabel Hasil Pengujian ‘Melihat Map’ ................................................................ 73

Tabel 4.30 Tabel Hasil Pengujian ‘Mengubah Informasi Kuliner’ ........................................ 73

Tabel 4.31 Tabel Hasil Pengujian ‘Menambah Kuliner Baru’ .............................................. 74


commit to user

xi

DAFTAR GAMBAR

Gambar 2.1 Proses item-based collaborative filtering (Gultom, 2010) ................................. 10

Gambar 3.1 Visualisasi metodologi penelitian ..................................................................... 22

Gambar 3.2 Fase dan workflow pada RUP ........................................................................... 24

Gambar 3.3 Alur proses rekomendasi .................................................................................. 26

Gambar 3.4 Alur tahap similarity ........................................................................................ 28

Gambar 3.5 Alur tahap pembangkitan prediksi .................................................................... 30

Gambar 4.1 Grafik nilai MAE dengan variasi jumlah neighborhood dari 20 kali percobaan

pengosongan rating ............................................................................................................. 33

Gambar 4.2 Use case diagram sistem perekomendasi wisata kuliner Kota Surakarta ............ 38

Gambar 4.3 Aktivitas ‘melakukan pencarian’ ...................................................................... 41

Gambar 4.4 Aktivitas ‘meminta rekomendasi’ ..................................................................... 44

Gambar 4.5 Aktivitas ‘melihat informasi kuliner’ ................................................................ 45

Gambar 4.6 Aktivitas ‘me-rating kuliner’............................................................................ 47

Gambar 4.7 Aktivitas ‘melihat map’.................................................................................... 49

Gambar 4.8 Aktivitas ‘mengubah informasi kuliner’ ........................................................... 51

Gambar 4.9 Aktivitas ‘menambah kuliner baru’ .................................................................. 53

Gambar 4.10 Class diagram ................................................................................................ 54

Gambar 4.11 Sequence diagram ‘melihat rekomendasi’ ...................................................... 55

Gambar 4.12 Sequence diagram ‘melakukan pencarian’ ...................................................... 56

Gambar 4.13 Sequence diagram ‘me-rating’ ....................................................................... 57

Gambar 4.14 Sequence diagram ‘melihat map’ ................................................................... 58

Gambar 4.15 Entitiy relational diagram .............................................................................. 59

Gambar 4.16 Deployment diagram ...................................................................................... 61

Gambar 4.17 Tampilan halaman utama user (Aplikasi Client) ............................................. 63

Gambar 4.18 Tampilan user meminta rekomendasi ............................................................. 63

Gambar 4.19 Tampilan user melihat informasi kuliner ........................................................ 64

Gambar 4.20 Tampilan me-rating ....................................................................................... 64

Gambar 4.21 Tampilan peta / map ....................................................................................... 65

Gambar 4.22 Tampilan halaman utama admin ..................................................................... 65

Gambar 4.23 Tampilan admin mengubah kuliner ................................................................ 66

Gambar 4.24 Tampilan admin menambah kuliner baru ........................................................ 66


commit to user

xii

DAFTAR LAMPIRAN

Lampiran 1. Hasil Nilai MAE dari Pengujian Variasi Jumlah Neighborhood ....................... 78


commit to user

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kemajuan teknologi semakin membuat manusia selalu menginginkan

kepraktisan dalam hal apapun, termasuk saat ingin membeli sesuatu, dan salah

satunya dalam membeli makanan. Saat ini membeli makanan bukan hanya

sekedar untuk mengisi perut yang lapar saja, tetapi juga menjadi salah satu

alternatif mencari hiburan, atau dikenal sebagai wisata kuliner. Kota Surakarta

merupakan salah satu kota tujuan wisata budaya dan kuliner yang ramai

dikunjungi wisatawan, baik wisatawan lokal, luar daerah maupun luar negeri.

Pemilihan jenis makanan yang akan dinikmati terkadang menjadi kendala

karena begitu banyak pilihan yang tersedia. Langkah pertama dalam mencari

pilihan kuliner yang tepat adalah dengan mencari informasi terlebih dulu.

Pencarian informasi ini dapat melalui teman, orang yang telah berpengalaman

mencicipi, dari media panduan kuliner, atau lebih efisien dan efektif lagi dengan

mengakses internet. Namun, rekomendasi tersebut belum tentu sesuai selera

masing-masing individu, karena selera setiap orang berbeda-beda. Oleh karena itu

sangat penting dikembangkan suatu sistem yang dapat memudahkan penyampaian

informasi kuliner untuk wisatawan, sehingga sistem tersebut tidak hanya dapat

membantu wisatawan mencari tempat yang cocok untuk berburu kuliner

melainkan juga dapat mempromosikan berbagai kuliner di Surakarta. Untuk

membangun sistem ini, diperlukan implementasi dari teknologi yang telah ada.

Perkembangan teknologi mobile saat ini semakin mempermudah

penyampaian berbagai informasi. Selain itu, teknologi mobile telah mengarah ke

multi-purpose device, dan menjadikan perangkat mobile (mobile device) kian hari

semakin canggih. Semakin terjangkaunya perangkat mobile seperti smartphone

dan komputer tablet, menjadikan perangkat ini semakin diminati masyarakat.


commit to user

2

Teknologi lain yang mempermudah akses informasi adalah dengan sistem

perekomendasi. Sistem perekomendasi merupakan model aplikasi dari hasil

observasi terhadap keadaan dan keinginan user. Sistem perekomendasi

memerlukan model rekomendasi yang tepat agar apa yang direkomendasikan

sesuai dengan keinginan user, serta mempermudah user mengambil keputusan

yang tepat dalam menentukan item yang akan dipilih.

Salah satu teknik rekomendasi yang populer digunakan dalam sistem

perekomendasi adalah collaborative filtering. Collaborative filtering merupakan

teknik yang menggunakan preferensi diketahui dari sekelompok user untuk

memprediksi preferensi yang tidak diketahui dari user baru. Collaborative

Filtering ini sendiri terbagi menjadi beberapa metode dasar, dua diantaranya

adalah user-based dan item-based. User-based memanfaatkan histori pilihan

user. Metode user-based mempunyai kelemahan yaitu seiring dengan

bertambahnya user dan item maka bertambah pula kompleksitas

perhitungannya. Selain itu, perhitungan dilakukan online, sehingga dibutuhkan

lebih banyak komunikasi data daripada perhitungan pada metode item-based.

Berbeda dengan metode user-based, metode item-based tidak menggunakan

profil user, tetapi rekomendasi kepada user dihitung dengan menentukan item

yang mirip dengan item lain yang disukai oleh user tersebut. Pada metode ini,

hubungan antara item-item cenderung statis, sehingga membutuhkan perhitungan

yang lebih sedikit tetapi mempunyai kualitas yang sama dibandingkan dengan

metode user-based. Keuntungan lainnya, perhitungan item-based dapat dilakukan

offline, sehingga pengguna sistem tidak merasa terganggu dengan lambatnya

sistem dalam menampilkan hasil rekomendasi.

Beberapa keuntungan dari metode yang telah dipaparkan di atas sangat

cocok diaplikasikan dalam sistem perekomendasi kuliner pada teknologi mobile.

Oleh karena itu perlu dilakukan penelitian bagaimana seberapa efektif penerapan

metode ini pada perangkat mobile terutama smartphone dan komputer tablet

berbasis Android.


commit to user

3

1.2 Perumusan Masalah

Rumusan masalah berdasarkan latar belakang masalah di atas adalah

bagaimana membangun sistem perekomendasi wisata kuliner Kota Surakarta pada

perangkat mobile / perangkat bergerak (mobile device) berbasis Android yang

menghasilkan rekomendasi dengan kualitas akurasi yang baik.

1.3 Pembatasan Masalah

Batasan masalah dalam penelitian tugas akhir ini adalah:

a. Sistem perekomendasi yang dibangun menggunakan metode item-based

collaborative filtering dengan perhitungan cosine similarity,

b. Data kandidat obyek wisata kuliner yang direkomendasikan adalah data obyek

wisata kuliner di lingkup Kota Surakarta,

c. Sistem dibangun pada lingkungan pengembangan perangkat lunak Android

Java, dan aplikasi client dapat dijalankan pada piranti bergerak (mobile device)

yang menggunakan sistem operasi Android versi 2.1 ke atas,

d. Fitur Maps diambil dari GoogleMaps, library eksternal dari Google.

1.4 Tujuan

Tujuan penelitian tugas akhir ini adalah membangun sebuah aplikasi sistem

perekomendasi wisata kuliner berbasis mobile dan mengetahui kualitas akurasi

rekomendasi yang dihasilkan oleh metode item-based collaborative filtering pada

sistem perekomendasi wisata kuliner Kota Surakarta yang berbasis Android

tersebut.

1.5 Manfaat Tugas Akhir

Manfaat dari penelitian ini antara lain sebagai berikut :

a. Memudahkan user (pengguna) dalam mencari informasi kuliner yang tepat.

b. Sistem perekomendasi yang akan dibangun diharapkan memberikan alternatif

bagi user dalam pencarian kuliner, karena secara mendasar sistem

perekomendasi membantu user dalam menemukan sesuatu yang user

perlukan.


commit to user

4

1.6 Tinjauan Pustaka

Penelitian sebelumnya yang pernah dilakukan yang berkaitan dengan

penelitian tugas akhir ini antara lain:

a. Sistem Rekomendasi Peminjaman VCD dengan Metode Item-based

Collaborative Filtering, 2010 (Robinson Gultom, Universitas Sebelas Maret

Surakarta.

Penelitian ini menggunakan metode item-based collaborative filtering

untuk membangun sistem rekomendasi peminjaman VCD di sebuah rental. Dua

algoritma perhitungan similarity, cosine similarity dan correlation similarity

dibandingkan untuk mengetahui kelebihan dari masing-masing algoritma tersebut.

Menurut hasil pengujian yang telah dilakukan dapat disimpulkan bahwa

berdasarkan rata-rata MAE, tidak ada perbedaan kualitas rekomendasi dari

masing-masing algoritma perhitungan similarity.

b. Collaborative Filtering Recommender System, 2007 (J. Ben Schafer –

University of Northern Iowa, Jon Herlocker – Oregon State University, Dan

Frankowski, Shilad Sen - University of Minnesota United States)

Penelitian ini memuat analisis berbagai metode penelitian pada sistem

perekomendasi dengan collaborative filtering. Dalam paper ini dijelaskan

mengenai keuntungan penggunaan collaborative filtering dibandingkan dengan

content-based pada sistem perekomendasi. Penggunaan collaborative filtering,

lebih efisien dan lebih sederhana dibandingkan content-based yang kompleks

karena harus menganalisis konten. Keuntungan lain, collaborative filtering dapat

memunculkan rekomendasi tak terduga (novelty dan serendipity) yang tidak dapat

dilakukan pada metode content-based. Collaborative filtering terbagi menjadi

beberapa metode dasar, dua diantaranya adalah user-based dan item-based. User-

based memanfaatkan histori pilihan user, sedangkan item-based tidak

menggunakan profil user tetapi rekomendasi kepada user dihitung dengan

menentukan item yang mirip dengan item lain yang disukai oleh user tersebut.


commit to user

5

c. Item-Based Collaborative Filtering Recommendation Algorithms, 2001 (Badrul

Sarwar, George Karpys, Joseph Konstan, John Riedl - University of Minnesota

United States)

Penelitian ini memuat analisis berbagai penelitian mengenai sistem

perekomendasi dengan collaborative filtering berbasis memory based dengan

algoritma berbasis item-based. Menurut paper ini sistem perekomendasi produk

disarankan menggunakan item-based atau berdasar kesamaan item, karena relasi

antar item cenderung statis. Selain itu, Karena relasi atau hubungan yang statis ini,

algoritma item-based dapat memberikan kualitas rekomendasi yang sama baiknya

dengan user-based dengan perhitungan online yang lebih sedikit. Perhitungan

offline / offline computation (perhitungan dilakukan saat user offline) dalam item-

based membuat display rekomendasi ke user lebih cepat dan penerapan ini saat

cocok untuk diaplikasikan pada mobile device.

Proses rekomendasi dengan metode item-based collaborative filtering dapat

dilihat pada Gambar 1.1, Gambar 1.2, dan Gambar 1.3.

Gambar 1.1 Proses collaborative filtering (Sarwar et al, 2001)


commit to user

6

Gambar 1.2 Item-item co-rated dan perhitungan similarity

(Sarwar et al, 2001)

Gambar 1.3 Algoritma Item-based Collaborative Filtering.

Ilustrasi proses pembangkitan prediksi untuk 5 neighborhood.

(Sarwar et al, 2001)


commit to user

7

d. Mobile Recommender System, 2011 (Francesco Ricci – Free University of

Bolzani Italy)

Penelitian ini memaparkan beberapa issue mengenai penerapan sistem

perekomendasi pada mobile phone. Sistem dalam piranti bergerak dapat dicirikan

dari 3 dimensi fundamental, yaitu user mobility (user dapat mengakses sistem

dimanapun user berada), device portability (piranti/device selalu bergerak/mobile

keberadaannya dinamis, dan mudah dibawa oleh user) dan wireless connectivity

(selalu terhubung ke jaringan melalui berbagai teknologi wireless, seperti Wifi,

Bluetooth ataupun UMTS). Dari ketiga dimensi tersebut mempengaruhi

perancangan fungsional dan penggunaan sistem. Dalam paper ini dijelaskan pula

mengenai fungsi dan tugas rekomendasi pada skenario pengembangan sistem

berbasis mobile (mobile scenario) sehingga sistem perekomendasi pada piranti

mobile secara umum dapat dibagi menjadi beberapa jenis (menurut tugas dan

fungsi), yaitu sebagai panduan wisata (tourist guides), rekomendasi rute (route

recommendation), dan rekomendasi informasi untuk user (information

recommendation for mobile users).

1.7 Sistematika Penulisan

Sistematika penulisan laporan memuat tentang metode penulisan yang

digunakan dalam pembuatan laporan tugas akhir. Sistematika tersebut dijelaskan

dengan uraian sebagai berikut:

BAB I PENDAHULUAN

Pada bab ini diuraikan secara umum mengenai latar belakang, perumusan

masalah, pembatasan masalah, tujuan, manfaat tugas akhir, tinjauan pustaka, dan

sistematika penulisan.

BAB II LANDASAN TEORI

Pada bab ini dijelaskan secara umum tentang teori-teori Sistem Perekomendasi,

Android, Web Service, dan Unified Model Language (UML).

BAB III METODOLOGI PENELITIAN

Pada bab ini dipaparkan tentang segala yang berhubungan dengan metode

penelitian yang digunakan, dan tahapan-tahapan di dalamnya.


commit to user

8

BAB IV PEMBAHASAN

Pada bab ini dipaparkan tentang analisis kebutuhan, perancangan sistem,

implementasi sistem, pengujian sistem dan hasil penelitian.

BAB IV PENUTUP

Bab ini merupakan kesimpulan dan saran penulis dari BAB I sampai dengan BAB

IV.


commit to user

9

BAB II

LANDASAN TEORI

2.1 Sistem Perekomendasi

Sistem perekomendasi (recommender systems) adalah software tools dan

teknik memberikan saran untuk barang yang akan berguna bagi user. Saran yang

diberikan ditujukan untuk mendukung user dalam berbagai proses pengambilan

keputusan, seperti item apa yang akan dibeli, musik apa yang akan didengarkan,

atau berita apa yang akan dibaca (Ricci, 2010). Secara umum sistem

perekomendasi dibagi 2 jenis, berbasis konten (content based) dan collaborative

filtering. Content-based (CB) merekomendasikan item dengan kemiripan konten

yang ada pada item. CB menggunakan asumsi bahwa item dengan fitur objektif

yang mirip mungkin akan di-rating sama. Metode CB sangat bergantung pada

konten pada item (Schafer et al,. 2007). Collaborative filtering (CF) sebaliknya,

tidak perlu menganalisis konten, CF membangkitkan prediksi otomatis atau

rekomendasi tentang minat seorang user dengan pengumpulan informasi cita rasa

dari banyak user. Prinsip kerja dari CF adalah memberikan prediksi atau

rekomendasi item berdasarkan pada opini beberapa user yang memiliki kemiripan

(Sarwar et al,. 2001). CF bekerja dengan cara menghimpun feedback dari user

untuk suatu item dalam bentuk rating dalam suatu domain yang diberikan dan

memanfaatkan kemiripan dan perbedaan antar profil dari beberapa pengguna

dalam menentukan bagaimana merekomendasi suatu item. Algoritma CF berdasar

dari perhitungan jarak antara pembeli/peminat mengambil pertimbangan history

dari pilihan mereka. Perkiraan adalah tentang berapa banyak pelanggan menyukai

produk dihitung dengan menggunakan bobot rata-rata pendapat sekelompok

tetangga dekat (a group of near neighbors) untuk produk tersebut (Herlocker et

al., 2004).

CF dibagi menjadi dua bagian yaitu model-based dan memory-based (atau

sering disebut dengan neighborhood-based) (Melvile et al., 2010). Pada model-


commit to user

10

based diperlukan contoh pelatihan (training) untuk mengeksekusi sebuah model

yang mampu memprediksi nilai rating untuk item yang tidak pernah di-rating

oleh user lain. Berbeda dengan model-based, memory-based dapat memprediksi

dengan mengukur kesamaan antara user yang diuji dengan user lain (user-based)

atau item yang diuji dengan item lainnya (item-based).

CF dengan metode memory-based terbagi menjadi dua metode dasar, yaitu

user-based dan item-based. User-based memanfaatkan histori pilihan user. Misal

jika ada user A menyukai item X, sedangkan profil pilihan A mirip dengan

user B, dan B belum pernah memberikan penilaian terhadap item X, maka item

X akan direkomendasikan kepada B. Metode user-based mempunyai kelemahan

yaitu seiring dengan bertambahnya user dan item maka bertambah pula

kompleksitas perhitungannya. Selain itu, perhitungan dilakukan online, sehingga

dibutuhkan lebih banyak komunikasi data daripada perhitungan pada metode

item-based. Berbeda dengan metode user-based, metode item-based tidak

menggunakan profil user, tetapi rekomendasi kepada user dihitung dengan

menentukan item yang mirip dengan item lain yang disukai oleh user tersebut.

Pada metode ini, hubungan antar item cenderung statis, sehingga membutuhkan

perhitungan yang lebih sedikit tetapi mempunyai kualitas yang sama

dibandingkan dengan metode user-based (Sarwar et al., 2001).

Proses pada item-based collaborative filtering terdiri dari empat langkah,

seperti terlihat pada Gambar 2.1 (menurut Montaner yang digambarkan dalam

Gultom, 2010)

Gambar 2.1 Proses item-based collaborative filtering (Gultom, 2010)


commit to user

11

Proses-proses dalam item-based collaborative filtering antara lain sebagai

berikut:

1. Profile Representation

Profile representation pada metode item-based collaborative filtering

menggunakan user-item matrix berukuran m x n dengan m user dan n item.

Dalam sistem perekomendasi sistem berbasis collaborative filtering, data

masukan adalah kumpulan data dari m user dan n item. Hal ini dapat diwakili

dengan matriks m x n. Matriks m x n ini merepresentasikan data masukan

yang asli yang selanjutnya akan digunakan untuk membangun profil. Membangun

profil adalah suatu tugas pokok yang sangat penting karena kesuksesan akan

tergantung kepada sistem secara luas (Montaner et al., 2003].

2. Neighborhood Formation

Salah satu langkah terpenting dalam sistem perekomendasi berbasis

collaborative filtering adalah menghitung similarity antar item dalam user profile

dan memilih yang paling mirip untuk membentuk item-neighborhood. Ide dasar

dari perhitungan similarity antara dua item i dan j adalah terlebih dahulu

mengisolasi user yang telah me-rating kedua item tersebut, kemudian teknik

similarity diterapkan untuk menghitung kemiripan kedua item tersebut.

Perhitungan kemiripan antar item di antaranya menggunakan algoritma cosine

similarity dan pearson correlation (Sarwar et al., 2001). Berikut ini penjelasan

dari algoritma cosine similarity dan pearson correlation

a. Cosine Similarity

Perhitungan cosine similarity, menggambarkan dua item sebagai

dua vektor di dalam user-space dimensi m. Similarity diantara item-

item dihitung dengan perhitungan kosinus sudut antara dua vektor.

Prinsip perhitungaannya, dua vektor dikatakan sama jika membentuk

sudut 0°(nol derajat), atau nilai kosinusnya sama dengan 1 (satu).

Secara formal, di dalam matriks m x n, similarity antara item j dan k,

dinotasikan dengan sim(j,k) diberikan oleh persamaan berikut


commit to user

12

n

k

km

n

n

j

j

jkjk

n

n

n

n

r

r

r

rsim

21

2cos

222222......

)(...)()(cos

2121

2211

mm

nn

kkkjjj

kjkjkj

jkjk

rrrrrr

rrrrrrsim

Keterangan :

jksim = similarity item j dan item k

njr = rating untuk item j oleh user ke-n (

1jr = rating untuk item j user ke-1 dst)

nkr = rating untuk item k oleh user ke-n (1k

r = rating untuk item k user ke-1 dst)

b. Correlation Similarity

Pada algoritma ini, kemiripan antara dua item dihitung

menggunakan teknik statistika yaitu Pearson Correlation. Untuk

menghitung nilai correlation antara dua item, maka nilai rating

yang tidak mempunyai pasangan pada user yang sama dikeluarkan dari

perhitungan. Perhitungan similarity item j dan k dengan Pearson

Correlation adalah sebagai berikut

m

nkk

m

njj

m

nkkjj

jkjk

rrrr

rrrr

corrsim

nn

nn

1

2

1

2

1

)()(

))((

2222 )(...)()(...)(

))((...))((

11

11

kkkkjjjj

kkjjkkjj

jkjk

rrrrrrrr

rrrrrrrrcorrsim

nn

nn

Keterangan :

jksim = similarity item j dan item k

njr = rating untuk item j oleh user ke-n (

1jr = rating untuk item j user ke-1 dst)

nkr = rating untuk item k oleh user ke-n (1k

r = rating untuk item k user ke-1 dst)

jr = rata-rata nilai rating item j

kr = rata-rata nilai rating item k


commit to user

13

Penelitian ini menggunakan perhitungan cosine similarity, karena

perhitungan cosine similarity lebih sederhana dan baris pada program lebih

sedikit, sehingga pada kondisi (kecepatan bandwidth) yang sama, waktu

eksekusi perhitungan cosine similarity lebih cepat dari pearson correlation.

Padahal perbandingan kualitas prediksi antara kedua perhitungan tidak jauh

berbeda (Gultom, 2010), sehingga sistem perekomendasi ini menggunakan

perhitungan cosine similarity.

3. Prediction Generate

Algoritma yang digunakan untuk membangkitkan prediksi berdasarkan

item-neighborhood yang telah dibentuk adalah penjumlahan terbobot

(weighted sum). Perhitungan prediksi untuk rating pada item i oleh user u, uiP

adalah dengan menjumlahkan semua nilai rating yang menjadi anggota

item-neighborhood. Setiap rating yang dijumlahkan diberi nilai bobot ijsim ,

yang merupakan nilai similarity item i dengan item j. Misalkan N adalah

himpunan item-neighborhood dari item i, maka nilai prediksi uiP adalah

N

nij

N

nuiij

ui

sim

Rsim

P

1

1

*

4. Pengujian dengan Mean Absolute Error (MAE)

Evaluasi sistem dilakukan untuk mengukur kualitas dari sistem

perekomendasi dengan menggunakan error metrics. Pengukuran error

menggunakan mean absolute error (MAE). MAE adalah suatu ukuran

penyimpangan rekomendasi dari nilai benar user-specified. Jika ��,i adalah

prediksi rating yang diberikan user u pada item i, dan ��,i adalah nilai rating

yang sebenarnya, maka MAE didefinisikan sebagai berikut :

Keterangan :

ijsim = similarity item i dan item j

uiR = nilai rating user u pada item i.

uiP = nilai prediksi rating user u pada item i.


commit to user

14

Di mana n adalah jumlah item yang direkomendasikan dan telah di-rating oleh

user.

Dalam metode item-based collaborative filtering, terdapat 2 permasalahan

utama, yaitu cold start problem dan data sparsity (Gultom, 2010). Cold start

problem adalah keadaan di mana item atau user baru saja dimasukkan ke dalam

sistem, sehingga mesin sistem perekomendasi tidak memiliki pengetahuan yang

banyak untuk menghasilkan rekomendasi yang akurat. Dalam sistem ini, cold

start problem diatasi dengan penambahan fitur lain agar user baru tetap dapat

me-rating atau item baru tetap dapat di-rating meskipun mesin belum dapat

merekomendasikannya ke user, salah satunya dengan fitur pencarian. Sedangkan

data sparsity adalah keadaan di mana banyak data yang kosong untuk setiap sel

dalam table matriks rating user-item. Untuk teknik item-based, hanya sel yang

terisi yang akan diproses dalam mengkalkuklasi prediksi.

2.2 Android

Android adalah sebuah platform untuk piranti mobile yang berbasis kernel

Linux versi 2.6 yang digunakan untuk layanan sistem inti seperti keamanan,

manajemen memori, manajemen proses, networkstack, dan model driver. Kernel

juga bertindak sebagai lapisan abstraksi antara hardware dan seluruh

softwarestack. Pengembangan aplikasi pada platform Android menggunakan

bahasa pemrograman Java. Beberapa aplikasi inti Android antara lain e-mail

client, SMS, kalender, peta, browser, kontak, dan lain-lain (Android Developers,

2011).

Gandhewar dan Sheikh (2010) melakukan perbandingan antara Android

dengan Symbian dan Windows Mobile dengan beberapa kriteria yaitu Portability,

Reliability, Connectivity, Open Platform, Kernel Size, Standard, dan Special

Feature, kemudian membuat skor untuk ketiga platform berdasarkan ketujuh

kriteria tersebut. Berikut ini hasil dari perbandingan yang dilakukan.


commit to user

15

Tabel 2. 1 Perbandingan Android, Symbian dan Windows Mobile

(Gandhewar et al, 2010)

Dari tabel 2.1 , dapat dilihat bahwa Android secara umum mempunyai skor

yang lebih tinggi dari pada Symbian dan Windows Mobile. Hal ini menunjukkan

bahwa Android merupakan platform yang cukup handal dan dapat mengimbangi

platform lainnya. Android diramalkan akan menjadi pemimpin baru dalam

platform mobile (Gandhewar et al, 2010).

2.3 Web service

Web service adalah implementasi menjanjikan dari arsitektur berorientasi

layanan, dimaksudkan untuk menyediakan sarana standar interoperating antara

aplikasi perangkat lunak yang berbeda, berjalan pada berbagai platform dan/atau

kerangka kerja. Sistem lain berinteraksi dengan web service dalam cara yang

ditentukan oleh deskripsi dengan menggunakan pesan SOAP, biasanya

disampaikan menggunakan HTTP dengan serialisasi XML (Protogeros, 2007).

W3C mendefinisikan web service sebagai sebuah software aplikasi yang dapat

teridentifikasi oleh URI (Uniform Resource Identifier) dan memiliki interface

yang didefiniskan, dideskripsikan, dan dimengerti oleh XML dan juga

mendukung interaksi langsung dengan software aplikasi yang lain dengan

menggunakan message berbasis XML melalui protokol internet.

Web service yang merupakan bagian dari arsitektur berbasis layanan

mempunyai kelebihan untuk diterapkan dalam kasus ini. Menurut Shetty dan

Vadivel (2009), web service dikatakan interoperable karena web service

merupakan salah satu yang dapat bekerja di seluruh platform (multiplatform),


commit to user

16

bahasa, aplikasi dan dapat bekerja dengan web service dari vendor yang berbeda

(Shetty et al, 2009).

Teknologi web service semakin dikerahkan di organisasi bisnis untuk

mencapai kolaborasi antar sistem. Web service menjanjikan keuntungan besar

seperti produktivitas, efisiensi, dan akurasi. Membantu aplikasi untuk

berkomunikasi dengan satu sama lain merupakan fokus dari web service

(Moradian et al, 2006).

Model web service memiliki 2 (dua) arsitektur yang berorientasi pada

layanan (service) dan sumberdaya (resource), yaitu SOAP dan REST. Pada

penelitian ini digunakan SOAP (Simple Object Access Protocol). SOAP

merupakan protokol untuk pertukaran informasi dengan desentralisasi dan

terdistribusi. SOAP dibangun dengan menggunakan protokol komunikasi HTTP.

Protokol HTTP ini didukung oleh semua browser dan server, sehingga SOAP

dapat berkomunikasi dengan berbagai aplikasi meskipun terdapat perbedaan

sistem operasi, teknologi, dan bahasa pemrograman. Sejak 24 Juni 2003, SOAP

menjadi standar protokol yang direkomendasikan konsorsium web world web

(W3C).

2.4 Unified Model Language (UML)

UML adalah bahasa grafis untuk mendokumentasi, menspesifikasikan, dan

membangun sistem perangkat lunak. UML berorientasi objek menerapkan banyak

level abstraksi, tidak bergantung proses pengembangan, tidak tergantung bahasa

dan teknologi, pemaduan beberapa notasi di beragam metodologi, usaha bersama

dari semua pihak, didukung oleh perangkat-perangkat yang diintegrasikan lewat

XML. UML sebagai bahasa pemrograman memiliki fokus pada pemahaman

subyek melalui formulasi model dari subyek (dua konteks yang terhubung).

Model memuat pengetahuan pada subyek, dan aplikasi dari pengetahuan ini

bekaitan dengan intelejensia. Kegunaan diagram pada pemodelan adalah untuk

formalisasi ekspresi model objek secara koheren, presisi dan mudah dirumuskan.

Pemodelan berorientasi objek memerlukan perangkat untuk mengekspresikan


commit to user

17

model. UML menyediakan sejumlah diagram untuk mengekspresikan pemodelan

berorientasi objek yang dilakukan (Hariyanto, 2004).

Berikut ini jenis diagram dalam Hariyanto (2004) yaitu:

1. Diagram struktur

a. Diagram Kelas (Class Diagram)

Diagram ini meunjukkan sekumpulan kelas, interface dan kolaborasi

dan keterhubungannya. Diagram kelas ditujukan untuk pandangan statik

terhadap sistem. Class diagram mendeskripsikan struktur statis dari kelas di

dalam sistem dan mengilustrasikan atribut, operasi, serta relasi diantara

kelas (Sugrue, 2010). Berikut ini notasi/simbol dalam class diagram:

Tabel 2.2 Notasi/Simbol dalam Class Diagram

Nama Notasi/symbol

Class

Dependency

Association

Aggregation

Composition


commit to user

18

Lanjutan dari Tabel 2.3 Notasi/Simbol dalam Class Diagram

Nama Notasi/symbol

Generalitazion

Boundary Class

Controll Class

Entity Class

2. Diagram Perilaku

Berikut ini penjelasan dari masing-masing diagram :

a. Use-Case Diagram

Diagram ini menunjukkan kasus fungsional dan aktor (jenis kelas khusus)

dan keterhubungannya. Use case diagram sangat berguna untuk

merepresentasikan kebutuhan dari sistem. Diagram menggambarkan

interaksi antara user dan entitas eksternal lainnya dengan sistem yang

sedang dikembangkan (Sugrue, 2010). Berikut ini tabel yang menunjukkan

notasi/simbol dari use case diagram:

Tabel 2. 4 Notasi/Simbol Use Case Diagram

Nama Simbol/Notasi

Aktor


commit to user

19

Lanjutan dari Tabel 2. 5 Notasi/Simbol Use Case Diagram

Nama Simbol/Notasi

Use case

Subject Boundary

Association

Include

Extend

Generalization

b. Sequence Diagram

Diagram ini yang menunjukkan interaksi antar objek, diagram ini

merupakan pandangan dinamis terhadap sistem. Diagram ini menekankan

pada basis keberurutan waktu dari pesan-pesan yang terjadi. Sequence

diagram mendeskripsikan bagaimana entitas berinteraksi, termasuk message

yang digunakan ketika berinteraksi (Sugrue, 2010). Semua message

digambarkan dalam urutan eksekusi.

Tabel 2. 6 Notasi/Simbol Sequence Diagram

Nama Notasi/Simbol

Aktor

Objek


commit to user

20

Lanjutan dari Tabel 2. 7 Notasi/Simbol Sequence Diagram

Nama Notasi/Simbol

Lifeline

Message

Object Destruction

Frame

c. Activity Diagram

Activity Diagram menunjukkan aliran aktivitas di sistem. Diagram ini

adalah pandangan dinamis terhadap sistem. Diagram ini penting untuk

memodelkan fungsi sistem dan menekankan pada aliran kendali di anatara

objek-objek.

Tabel 2. 8 Notasi/Simbol Activity Diagram

Nama Notasi/Simbol

Action

Activity

Object Node

Control Flow

Object Flow


commit to user

21

Lanjutan dari Tabel 2. 9 Notasi/Simbol Activity Diagram

Nama Notasi/Simbol

Decision Node

Merge Node

Fork Node

Join Node

Initian Node

Final Node

Swimline


commit to user

22

BAB III

METODOLOGI PENELITIAN

Metodologi penelitian ini secara umum terdiri dari tahap persiapan, tahap

pembangunan sistem, serta tahap pengujian, dan tahap penulisan laporan.

Pemodelan yang dipakai untuk merancang aplikasi sistem perekomendasi ini

adalah UML (Unified Model Language). Dalam tahap pembangunan sistem

digunakan tahap-tahap dari RUP (Rational Unified Process). Untuk lebih detail

mengenai metode penelitian, perhatikan gambar berikut ini:

Gambar 3.1 Visualisasi metodologi penelitian

Persiapan

Business Modelling

Requirement

Analysis & Design

Implementation

Test

Deployment

Environment

Penulisan Laporan

RUP workflow


commit to user

23

Tahap-tahap dalam metodologi penelitian antara lain sebagai berikut:

3.1 Tahap Pengumpulan Data

Tahap pertama dalam proses penyusunan tugas akhir ini adalah tahap

persiapan. Kegiatan yang dilakukan pada tahap ini adalah studi pustaka dilakukan

dengan membaca buku-buku dan literatur untuk memahami teori-teori yang

terkait dengan topik tugas akhir ini, diantaranya mengenai sistem perekomendasi

dan pembangunan aplikasi mobile. Kemudian dilakukan pula pencarian literatur

penelitian dengan topik masalah yang berhubungan dengan tugas akhir ini yang

telah dilakukan sebelumnya oleh peneliti lain. Hasil dari tahap ini adalah

rangkuman dasar teori serta hasil penelitian sebelumnya. Dalam penelitian ini

digunakan data sekunder untuk menguji metode. Data sekunder dapat dari peneliti

lain yang melakukan penelitian dalam studi kasus yang sama yakni sistem

perekomendasi untuk wisata kuliner Kota Surakarta.

3.2 Rational Unified Proses (RUP)

Standar UML adalah notasi umum yang mungkin diaplikasikan ke

beberapa jenis proyek software berbeda yang juga menggunakan metodologi yang

sangat berbeda pula. Metodologi ini terdiri dari proses, rangkaian aturan dan

guideline dalam proyek pembangunan software. RUP merupakan salah satu

metode dalam pembangunan object-oriented software yang berfokus pada

pencegahan masalah sebelum suatu tahap dilakukan, agar software dapat di-

delivery dengan jangka waktu pendek dan frequently. Karakter utama dalam

metode ini adalah incremental dan iterative. Tujuan dari metode ini adalah untuk

men-deliver produk executable yang telah rilis, increment produk dari setiap pass,

atau iterasi, melalui sebuah proses.

Proses dibangun dari konsep project lifecycle phases dan process workflow.

Setiap fase memiliki satu rangkaian workflow. Dan setiap workflow terdiri dari

serangkaian aktivitas, business modeling melalui pendefinisian environment.

Setiap aktivitas terasosiasi dengan serangkaian artifak atau hasil kerja. Dalam

sebagian besar kasus, yang dimaksud dengan artifak adalah diagram-diagram

UML, tapi artifak sendiri dapat berarti requirements documents, tests plans, risk


commit to user

24

assessment, deployment plans ataupun hasil kerja lain (output dari workflow).

(Pender, 2002)

Gambar 3.2 Fase dan workflow pada RUP

Rangkaian workflow pada metode ini terdiri dari:

a. Business Modelling (Pemodelan Bisnis)

Aktivitas dalam pemodelan bisnis berupa pembuatan business use cases

untuk kemudian dianalisis agar mengerti bagaimana seharusnya bisnis

mendukung proses bisnis.

b. Requirement (Analisis Kebutuhan)

Aktivitas dalam analisis kebutuhan antara lain mencari,

mengorganisasikan dan mendokumentasikan fungsional dan batasan-batasan

yang dibutuhkan. Analisis kebutuhan bertujuan untuk menyatukan dan

menyamakan persepsi developer dengan customer mengenai deskripsi

sistem atau dalam penelitian ini kebutuhan yang dianalisis berdasarkan

tujuan utama dari penelitian.

c. Analysis (Analisis) dan Design (Perancangan)

Analisis dan perancangan menunjukkan bagaimana sistem akan

direalisasikan pada tahap implementasi. Hasil dari tahap analisis dan


commit to user

25

perancangan adalah design model dan opsional untuk analysis model.

Design model berisi abstraksi dari source code dan meupakan “blueprint”

dari bagaimana source code disusun dan ditulis.

d. Implementation (Implementasi)

Tujuan dari implementasi adalah

Mendefinisikan organisasi code, dalam terms implementasi

subsistem-subsistem, diorganisasikan pada layers

Implemetasi classes dan objects dalam terms komponen (source

files, binaries, executables, dan lain-lain)

Sistem dibangun menggunakan bahasa pemrograman PHP (server)

library nuSOAP untuk pembangunan service, basis data MySQL versi 5 dan

Java (client).

e. Testing (Pengujian)

Tujuan dari pengujian adalah

Verifikasi interaksi antar object,

Verifikasi integrasi dari semua komponen dari software,

Identifikasi dan memastikan defects telah dialokasikan.

Pengujian dilakukan pada 2 jenis device yaitu dengan komputer

notebook (dengan emulator Android versi 2.1, 2.2, 2.3 dan 4), smartphone

dengan sistem operasi Android versi 2.2 dan 2.3. Komputer notebook yang

digunakan untuk mengimplementasikan sistem mempunyai spesifikasi

sebagai berikut: Processor Intel Pentium Core 2 Duo 2.00 GHz, Ram 1 GB

DDR2.

Pengujian dilakukan dengan cara memberikan input ke program dan

dianalisis outputnya (black box). Masukan dicoba dengan input yang benar

dan/atau yang salah, kemudian dilakukan perbaikan apabila sistem tidak

sesuai dengan perancangan.

f. Deployment

Deployment memastikan produk rilis dan ter-deliver dengan sukses.

Aktivitas dalam deployment antara lain:

Menghasilkan rilis eksternal dari software,


commit to user

26

Packaging, distribusi,dan instalasi software,

Menyediakan bantuan dan assistance untuk user.

g. Environment

Environment merupakan penentuan penyediaan lingkungan

implementasi yang dibutuhkan, termasuk perangkat (tools) dan proses-

proses dalam pembangunan sistem.

Perangkat dalam implementasi meliputi development tool kit berbasis

Android dengan bahasa pemrograman Java. Sedangkan proses-proses dalam

sistem perekomendasi yang dibangun ini meliputi metode perhitungan dan

algoritma untuk menghasilkan rekomendasi. Proses utama dalam sistem

perekomendasi yang dibangun menggunakan metode item-based

collaborative filtering.

3.3 Sistem Perekomendasi dengan Metode Item-based Collaborative Filtering

Tahap environment atau lingkungan implementasi telah menjelaskan

dengan singkat bahwa proses utama dalam sistem perekomendasi menggunakan

metode item-based collaborative filtering. Alur yang menggambarkan proses dari

sistem perekomendasi dengan metode tersebut dapat ditunjukkan pada Gambar

3.3.

Gambar 3.3 Alur proses rekomendasi

Tahap pertama dalam proses utama (menghasilkan rekomendasi) adalah

sistem menampilkan item yang akan dilihat user dan diberi rating oleh user.


commit to user

27

Sistem akan menangkap masukan rating oleh user u untuk item i yang kemudian

akan dilakukan perhitungan saat user menutup aplikasi (offline). Karena proses

perhitungan offline, user yang baru pertama kali meminta rekomendasi akan

diberikan semua item yang terdekat dengan posisi user saat itu.

Nilai hasil rating yang diberikan oleh user untuk item pada profile

representation berupa bilangan bulat antara 1 – 5. Sedangkan nilai untuk item-

item dimana user belum pernah memberi rating diberi nilai 0.

Langkah-langkah dan urutan-urutan prosedur dari algoritma perhitungan

similarity disajikan pada Gambar 3.4.


commit to user

28

tidak

ya

ya

tidak

Gambar 3.4 Alur tahap similarity


commit to user

29

Tahap selanjutnya adalah perhitungan similarity, pada tahap ini

dilakukan penghitungan similarity dari item i dengan item j dimana item j

merupakan item lain yang juga pernah di-rating user u. Neighborhood dari item i

adalah item j dimana nilai similarity yang diambil sim(i,j) > 0, dari nilai

similarity tersebut juga dapat diambil rating user u untuk item j, R(u,j). Nilai

similarity dan rating digunakan untuk membangkitkan nilai prediksi.

Nilai prediksi yang akan dibangkitkan dalam proses pembangkitan

prediksi (prediction generation) adalah nilai user u terhadap ítem i, dimana

ítem i belum pernah diberi rating oleh user u. Nilai prediksi yang dihasilkan

dari penghitungan dengan menggunakan penjumlahan terbobot adalah

bilangan riil. Flowchart untuk menggambarkan algoritma perhitungan nilai

prediksi seperti pada Gambar 3.5.


commit to user

30

tidak

tidak

ya

ya

tidak

ya

Gambar 3.5 Alur tahap pembangkitan prediksi


commit to user

31

Perhitungan pada proses pembangkitan meliputi perhitungan kemiripan

neighbourhood item atau semua item yang memiliki similarity dengan item yang

akan diprediksi. Semakin tinggi nilai similarity dengan item yang akan diprediksi

tersebut semakin dekat hubungan neighbourhood (tetanggaan). Penentuan jumlah

neighborhood yang akan diimplementasikan dalam sistem dilakukan dengan

pengujian terlebih dahulu. Pengujian metode dilakukan dengan analisis akurasi

prediksi. Akurasi atau ketepatan nilai prediksi dengan nilai sebenarnya dapat

dihitung dengan Mean Absolute Error (MAE). Analisis dilakukan dengan menguji

MAE dengan pengosongan acak sebesar 5%, 15%, 10% dan 20% dengan variasi

jumlah neighborhood (jumlah item dengan nilai similarity terbesar).

Hasil dari pengujian metode menunjukkan bahwa nilai MAE cenderung

membaik dan stabil di perhitungan dengan 5 neighbourhood terdekat (5 item

dengan nilai similarity terbesar). Karena itu dalam sistem digunakan perhitungan

5 neighbourhood terdekat dalam algoritma pembangkit prediksi ini.

Tahap terakhir setelah nilai prediksi dihasilkan adalah tahap pengambilan

Top-N recommendation, yaitu pengambilan N-item dengan nilai prediksi tertinggi.

Pada kasus ini rekomendasi yang diberikan sebanyak 3 item dari nilai prediksi

tertinggi. Hasil dari 3 item dengan nilai prediksi tertinggi inilah yang akan

ditampilkan oleh sistem.


commit to user

32

BAB IV

PEMBAHASAN

4.1 Pengujian Metode

Pengujian metode dilakukan dengan analisis akurasi prediksi. Akurasi atau

ketepatan nilai prediksi dengan nilai sebenarnya dapat dihitung dengan Mean

Absolute Error (MAE). Analisis dilakukan dengan menguji MAE dengan

pengosongan acak sebesar 5%, 15%, 10% dan 20% dengan variasi jumlah

neighborhood (jumlah item dengan nilai similarity terbesar). Tabel di bawah

berikut merupakan hasil pengujian pada dataset dengan pengosongan random

sebanyak 20 kali iterasi. Hasil dari pengujian menunjukkan bahwa dilihat dari

nilai MAE rata-rata, prediksi cenderung akurat (paling mendekati nilai

sebenarnya) dan stabil di perhitungan dengan 5 neighbourhood terdekat (5 item

dengan similarity terbesar).

Data hasil perhitungan MAE dari data 12 item, 23 user dan 63 rating dapat

dilihat pada tabel 4.1. dan Gambar 4.1.

Tabel 4.1 Hasil nilai MAE dari pengujian variasi jumlah neighborhood

pengosongan jumlah

neighborhood (k)

MAE

pengosongan jumlah

neighborhood (k)

MAE

5% 1 0.697622 15% 1 0.96305

5% 2 0.520786 15% 2 0.81312

5% 3 0.543216 15% 3 0.810035

5% 4 0.53159 15% 4 0.790164

5% 5 0.518227 15% 5 0.77764

5% maksimal 0.570874 15% maksimal 0.96305

10% 1 0.915857 20% 1 0.773154

10% 2 0.846523 20% 2 0.768972

10% 3 0.769678 20% 3 0.732974

10% 4 0.753817 20% 4 0.723098

10% 5 0.724688 20% 5 0.723863

10% maksimal 0.73262 20% maksimal 0.725933


commit to user

33

Gambar 4.1 Grafik nilai MAE dengan variasi jumlah neighborhood dari 20 kali

percobaan pengosongan rating

Grafik pada gambar 4.1 menunjukkan bahwa pada pengosongan 5%, 10%,

15%, nilai MAE terkecil didapat dari perhitungan dengan 5 neighbourhood

terdekat. Meskipun untuk pengosongan 20% nilai MAE dari perhitungan dengan

5 neighbourhood bukan yang terkecil, namun memiliki selisih 0.00076546 dari

nilai MAE terkecil.

Pengujian metode yang telah dilakukan menghasilkan kesimpulan bahwa

metode yang dilakukan memiliki kualitas akurasi yang baik pada jumlah

neighborhood 5. Metode ini yang diimplementasikan ke dalam sistem

perekomendasi yang dibangun.

0.697622451

0.520785652

0.5432159790.531590212

0.518227435

0.570874026

0.915857143

0.84652317

0.7696776390.753816834

0.724687579

0.732620281

0.96305

0.813119867 0.8100349140.790164188 0.777639589 0.781909456

0.7731538460.768972375

0.732974224

0.723097908 0.723863368

0.725932948

0.45

0.5

0.55

0.6

0.65

0.7

0.75

0.8

0.85

0.9

0.95

1

1 2 3 4 5 max

n

i

l

a

i

M

A

E

jumlah neighborhood

Nilai MAE Hasil Percobaan Variasi Jumlah Neighborhood

5% 10% 15% 20%


commit to user

34

4.2 Analisis dan Perancangan

4.2.1 Kebutuhan Sistem

4.2.1.1 Deskripsi Umum Sistem

Sistem perekomendasi wisata kuliner Kota Surakarta dalam penelitian ini

bertujuan memberikan rekomendasi untuk user yang ingin mencari tempat kuliner

di Kota Surakarta. Sistem yang akan dibangun merupakan sistem perekomendasi

yang proses utama dan basis data disimpan di server dan dapat diakses oleh

aplikasi client. Data-data kuliner pada basis data dapat diakses dan di-update oleh

pengelola (admin) melalui halaman administrator (back-end login).

Aplikasi client diinisiasi dengan tampilan pencarian, dengan asumsi bahwa

setiap orang yang menginginkan rekomendasi, pasti ingin melakukan pencarian

terlebih dahulu. Fitur utama aplikasi ini adalah ‘Rekomendasi Kami’ yang dapat

dipilih dari salah satu menu dalam aplikasi. Fitur ini mengakses mesin

rekomendasi dengan metode item-based collaborative filtering yang berada di

server. User yang baru pertama kali menggunakan fitur utama rekomendasi ini

harus menyetujui penyimpanan nomor IMEI (International Mobile Equipment

Identity) pada sistem, untuk medapatkan rekomendasi utama dari sistem

perekomendasi ini. Nomor IMEI terdapat di setiap perangkat mobile yang legal,

jika nomor IMEI tidak dapat teridentifikasi, user tidak dapat mengakses sistem

ini. Penyimpanan nomor IMEI ini merupakan penyimpanan identitas untuk

pembuatan profil user yang dibutuhkan dalam proses rekomendasi dengan metode

item-based collaborative filtering, atau dapat disebutkan bahwa user terdaftar

secara implisit setelah nomor IMEI user disimpan pada sistem. User yang baru

saja ‘terdaftar’ dalam sistem dan user yang telah lebih dari sekali menggunakan

fitur utama tapi belum me-rating kuliner sama sekali, tidak dapat melihat

rekomendasi utama yang dihasilkan dari mesin rekomendasi dengan metode item-

based collaborative filtering. User tersebut akan direkomendasikan kuliner-

kuliner yang terdekat dengan posisinya berada.

Fitur lainnya adalah pencarian dan most popular kuliner. Kedua fitur ini

merupakan 2 fitur tambahan untuk mengatasi permasalahan cold start problem

yang telah dijelaskan pada bab sebelumnya. Dengan adanya 2 fitur ini, user baru


commit to user

35

atapun user yang belum pernah merating dan tidak dapat melihat item yang tidak

dapat dilihat melalui rekomendasi utama (karena user belum terdaftar atau karena

mesin rekomendasi belum melakukan kalkulasi similarity dan prediksi), tetap

dapat melihat item-item tersebut. Hasil dari pencarian merupakan rekomendasi

berdasar kata kunci pencarian yang telah dimasukkan user. Sedangkan most

popular adalah rekomendasi kuliner dari kuliner-kuliner dengan rata-rata nilai

rating terbesar. Aplikasi ini dilengkapi pula dengan fasilitas map untuk melihat

seberapa jauh tempat-tempat kuliner hasil rekomendasi dari posisi user berada.

4.2.1.2 Batasan Sistem

Berikut ini batasan-batasan dari sistem yang dibangun:

a. Identitas user direpresentasikan dengan nomor IMEI dengan asumsi

setiap user menggunakan 1 perangkat mobile untuk mengakses aplikasi.

Nomor IMEI selalu ada di setiap perangkat mobile pintar legal, dan

diasumsikan tidak diganti atau direkayasa.

b. Sistem akan memberikan rekomendasi pada user terdaftar yang telah

me-rating minimal 1 kuliner, jika user belum terdaftar atau belum me-

rating, user akan diberikan rekomendasi kuliner terdekat.

c. Fasilitas pencarian dalam sistem ini bukan merupakan operasi utama,

sehingga pencarian yang dilakukan hanya sekedar mencocokkan kata

kunci yang dimasukkan user dengan nama kuliner, deskripsi dan alamat

pada database.

d. Sistem ini di-hosting pada jaringan internet, sehingga pengguna harus

memiliki akses internet untuk menggunakan sistem ini

e. Nilai rating yang dapat diinputkan user disajikan dalam tampilan rating

bar dengan range 1-5, dengan interval 1. Nilai kosong karena user belum

mengisi rating diinisiasikan dengan angka 0.

4.2.1.3 Analisis Kebutuhan Sistem

Kebutuhan sistem (requirement) dibagi menjadi dua bagian, yaitu kebutuhan

fungsional dan kebutuhan non fungsional.

a. Kebutuhan Fungsional


commit to user

36

Berikut ini adalah tabel daftar kebutuhan fungsional:

Tabel 4.2 Daftar Kebutuhan Fungsional

Kode Deskripsi Kebutuhan Fungsional

SR_F-001 User dapat melakukan pencarian kuliner

SR_F-002 User dapat melihat hasil rekomendasi kuliner

SR_F-003

User dapat meminta rekomendasi utama yang dihasilkan dari

mesin rekomendasi yang menggunakan metode item-based

collaborative filtering dengan menyetujui penyimpanan profil

yang dikenali dengan nomor IMEI yang dimiliki perangkat

mobile sebagai identitas user

SR_F-004 User dapat melihat detail informasi kuliner yang

direkomendasikan sistem

SR_F-005 User dapat memberikan rating pada kuliner yang belum pernah

di-rating user tersebut sebelumnya

SR_F-006 Admin dapat menambah kuliner baru

SR_F-007 Admin dapat mengubah (update) informasi kuliner yang ada pada

sistem

b. Kebutuhan Non Fungsional

Berikut ini adalah tabel daftar kebutuhan non fungsional:

Tabel 4.3 Daftar Kebutuhan Non Fungsional

Kode Deskripsi Kebutuhan Non Fungsional

SR_NF-001 Memiliki antarmuka user friendly

Operational Requirement

SR_NF-002 Aplikasi client dapat terhubung ke server dan mengakses web

service melalui protokol HTTP

Performance Requirement

SR_NF-003 Sistem dapat terus berjalan selama tidak terjadi kerusakan pada

hardware dan selama server aplikasi terkonfigurasi dengan benar

Security Requirement

SR_NF-004 Hanya admin yang telah terdaftar yang dapat login ke sistem dan

menambah atau mengubah informasi kuliner

SR_NF-005 Admin tidak dapat menghapus kuliner dan mengubah informasi

user ataupun nilai rating pada basis data


commit to user

37

Lanjutan dari Tabel 4.3 Daftar kebutuhan non fungsional

Kode Deskripsi Kebutuhan Non Fungsional

Cultural and Political Requirement

SR_NF-006 Memiliki antarmuka berbahasa Indonesia


commit to user

38

4.2.2 Use Case

4.2.2.1 Use Case Diagram

Berikut ini use case diagram sistem perekomendasi wisata kuliner Kota

Surakarta:

Gambar 4.2 Use case diagram sistem perekomendasi wisata kuliner Kota

Surakarta


commit to user

39

4.2.2.2 Definisi Actor

Berikut ini definisi masing-masing actor (aktor) dalam sistem:

Tabel 4.4 Daftar Actor dalam Sistem pada Use Case Diagram

Kode Actor Deskripsi

AC-001 user

pengguna perangkat mobile yang meng-install dan mengakses aplikasi sistem perekomendasi kuliner solo, identitasnya dikenali melalui nomor IMEI

AC-002 admin

pengelola sistem yang memiliki akses untuk menambah item baru dan update informasi item, namun tidak dapat meng-update rating user dan tidak dapat pula meng-hapus item

4.2.2.3 Definisi Use Case

Berikut ini definisi masing-masing use case dalam sistem:

Tabel 4.5 Daftar Use Case pada Use Case Diagram

Kode Use Case Deskripsi

UC-001 melakukan pencarian

user melakukan pencarian dengan memasukkan kata kunci dan sistem akan memberikan rekomendasi berdasar kata kunci

UC-002 meminta rekomendasi

user melihat item hasil rekomendasi yang telah dihasilkan oleh sistem perekomendasi di server

UC-003 melihat informasi kuliner

user melihat informasi item yang telah dipilih dari daftar item

UC-004 me-rating kuliner

user me-rating kuliner yang dipilih dan belum pernah di-rating user tersebut sebelumnya

UC-005 melihat map user dapat melihat peta dan lokasi di mana item-item berada

UC-006 mengubah informasi kuliner

admin dapat mengubah informasi kuliner (seperti alamat, menu, deskripsi atau gambar) tapi tidak dapat mengubah rating ataupun menghapus item yang telah di-isi rating-nya oleh user

UC-007 menambah kuliner baru

admin dapat menambah kuliner baru dan informasi mengenai item tersebut


commit to user

40

4.2.2.4 Use Case Scenario dan Activity Diagram

Berikut ini skenario dan activity diagram dari masing-masing use case:

Tabel 4.6 Skenario Use Case ‘Melakukan Pencarian’

Nama use case : melakukan pencarian

Actor : user

Initiation : aplikasi telah ter-install pada perangkat mobile, user telah membuka aplikasi

Pre-condition : user telah membuka aplikasi, internet data enabled, koneksi internet tanpa hambatan

Post-condition : user dapat meminta rekomendasi bedasar kata kunci

Skenario :

Aksi Actor Reaksi Sistem

Skenario Normal

1 memasukkan kata kunci

2 kata kunci ditemukan

3 menampilkan kuliner hasil rekomendasi kata kunci dari server

4 melihat seluruh seluruh rekomendasi hasil pencarian

Skenario Alternatif 1

1 kata kunci tidak ditemukan

2 sistem menampilkan pesan ‘kata kunci tidak ditemukan’


commit to user

41

Gambar 4.3 Aktivitas ‘melakukan pencarian’


commit to user

42

Tabel 4.7 Skenario Use Case ‘Meminta Rekomendasi’

Nama use case : meminta rekomendasi

Actor : user


Pre-condition : user telah membuka aplikasi internet data enabled, koneksi internet tanpa hambatan

Post-condition : user dapat memilih salah satu item

Skenario :


Skenario Normal

1 memilih menu rekomendasi utama dari sistem

2 mendapatkan nomor IMEI user (get IMEI)

3 menemukan nomor IMEI pada basis data, sistem mengenali sebagai user lama

5 menampilkan item-item hasil rekomendasi untu user yang baru terdaftar

6 melihat item seluruh item rekomendasi


3 tidak dapat menemukan nomor IMEI pada basis data, sistem mengenali sebagai user baru

4 meminta persetujuan user untuk menyimpan nomor IMEI

5 menyetujui penyimpanan nomor IMEI di sistem


commit to user

43

Lanjutan dari Tabel 4.7 Skenario Use Case ‘Meminta Rekomendasi’


6 nomor IMEI dan id user baru disimpan ke database (terdaftar)

7 menampilkan item-item hasil rekomendasi untu user yang baru terdaftar

8 melihat item seluruh item rekomendasi


4 meminta persetujuan user untuk menyimpan nomor IMEI

5 tidak menyetujui penyimpanan imei di sistem

6 tidak terdaftar dan tetap dikenali sebagai user baru


commit to user

44

Gambar 4.4 Aktivitas ‘meminta rekomendasi’


commit to user

45

Tabel 4.8 Skenario Use Case ‘Melihat Informasi Kuliner’

Nama use case : melihat informasi kuliner

Actor : user


Pre-condition : user telah membuka aplikasi internet data enabled, koneksi internet tanpa hambatan, user telah melihat hasil rekomendasi

Post-condition : user dapat melihat informasi dari salah satu item telah dipilih

Skenario :


Skenario Normal

1 memilih salah satu kuliner hasil rekomendasi

2 id item yang dipilih user dikenali, sistem menampilkan informasi item yang telah dipilih

Gambar 4.5 Aktivitas ‘melihat informasi kuliner’


commit to user

46

Tabel 4.10 Skenario Use Case ‘Me-rating Kuliner’

Nama use case : me-rating kuliner

Actor : user


Asumption : user telah mengunjungi kuliner dan memberikan rating sesuai dengan selera user

Pre-condition : aplikasi pada user terkoneksi dengan internet, user telah terdaftar (nomor IMEI telah tersimpan pada basis data), user telah mendapat hasil rekomendasi, user telah melihat informasi kuliner

Post-condition : sistem menyimpan nilai rating user pada database server dan mnampilkan status penyimpanan pada user

Skenario :


Skenario Normal

1 melihat informasi kuliner

2 memberikan rating

3 sistem berhasil menyimpan nilai rating user pada basis data

4 mengirimkan status rating berhasil disimpan

Skenario Alternatif

1 melihat informasi kuliner

2 memberikan rating

3 sistem berhasil menyimpan nilai rating user pada basis data

4 mengirimkan status rating tidak berhasil disimpan


commit to user

47

Gambar 4.6 Aktivitas ‘me-rating kuliner’


commit to user

48

Tabel 4.11 Skenario Use Case ‘Melihat Map’

Nama use case : melihat map

Actor : user

Initiation : aplikasi telah ter-install pada perangkat mobile, gps atau wireless enabled, jika keduanya dalam keadaan disabled atau sinyal terhambat, user diasumsikan berada pada lokasi tertentu (misal: pusat Kota Surakarta)

Pre-condition : user telah membuka aplikasi, device terkoneksi dengan internet , sistem telah mendapatkan lokasi user, user telah meminta rekomendasi kuliner-kuliner dari sistem

Post-condition : user dapat melihat map pada aplikasi

Skenario :


Skenario Normal

1 melihat kuliner-kuliner hasil rekomendasi / pencarian

2 memilih menu map

3 mencari posisi bujur dan lintang lokasi user (get position)

5 mendapatkan lokasi user

6 mendapatkan lokasi kuliner-kuliner hasil rekomendasi

7 sistem menampilkan lokasi user dan kuliner-kuliner hasil pencarian atau rekomendasi dalam map


5 tidak mendapatkan lokasi user, lokasi user ditentukan oleh sistem

6 mendapatkan lokasi kuliner-kuliner hasil rekomendasi

7 sistem menampilkan lokasi user dan kuliner-kuliner hasil pencarian atau rekomendasi dalam map


commit to user

49

Lanjutan dari Tabel 4.11 Skenario Use Case ‘Melihat Map’



4 tidak mendapatkan lokasi kuliner-kuliner hasil rekomendasi, kuliner yang direkomendasikan telah habis atau hasil pencarian tidak ditemukan

5 konfirmasi tidak dapat menampilkan map, kembali ke halaman sebelumnya (hasil pencarian/ rekomendasi)

Gambar 4.7 Aktivitas ‘melihat map’


commit to user

50

Tabel 4.12 Skenario Use Case ‘Mengubah Informasi Kuliner’

Nama use case : mengubah informasi kuliner

Actor : admin

Initiation : data admin telah ada di database server

Asumption : admin mengetahui bagaimana akses halaman login, koneksi internet tanpa hambatan

Pre-condition : admin telah membuka halaman login untuk admin

Post-condition : kuliner baru tersimpan pada basis data

Skenario :


Skenario Normal

1 login

2 login berhasil

3 memilih menu edit kuliner

4 menampilkan daftar kuliner dari basis data

5 memilih salah satu kuliner

6 mengubah informasi salah satu kuliner yang dipilih

7 menyimpan perubahan informasi kuliner

Skenario Alternatif

2 login gagal

3 mengirim pesan gagal ke admin


commit to user

51

Gambar 4.8 Aktivitas ‘mengubah informasi kuliner’


commit to user

52

Tabel 4.13 Skenario Use Case ‘Menambah Kuliner Baru’

Nama use case : menambah kuliner baru

Actor : admin

Initiation : data admin telah ada di database server

Asumption : admin mengetahui bagaimana akses halaman login, koneksi internet tanpa hambatan

Pre-condition : admin telah membuka halaman login untuk admin

Post-condition : kuliner baru tersimpan ke basis data

Skenario :


Skenario Normal

1 login

2 login berhasil

3 menambah item baru

4 menambah informasi kuliner

4 sistem mengecek adakah nama kuliner sama

5 tidak ada kuliner sama

6 memasukkan id kuliner dan informasi kuliner baru ke basis data


2 login gagal

3 mengirim pesan gagal ke admin


5 terdapat item yang sama

6 mengirim pesan bahwa ‘tidak boleh menambahkan item yang telah ada’ ke admin


commit to user

53

Gambar 4.9 Aktivitas ‘menambah kuliner baru’


commit to user

54

4.2.3 Class Diagram dan Sequence Diagram

4.2.3.1 Class Diagram

Berikut class diagram dalam perancangan sistem:

Gambar 4.10 Class diagram

RekomendasiAct<<boundary>>

+id_item+nama_item+alamat+deskripsi+gambar+jam_buka+latitude+longitude+NAME_SPACE+NAME_SPACE1+NAME_SPACE2+METHOD+METHOD1+METHOD2+SOAP_ACTION+SOAP_ACTION1+SOAP_ACTION2+URL+URL1+URL2

+onCreate()-getDigitImei()+getPosition()+cekStatus()-getRekomen()-simpanUserBaru()

RatingAct<<boundary>>

+no_imei+nilai_rating+NAME_SPACE+METHOD+SOAP_ACTION+URL

+onCreate()-getDigitImei()-setRate()

SearchKulinerAct<<boundary>>

+keyword+nama_item+id_item+deskripsi+alamat+jam_buka+gambar+latitude+prediksi+nilai_rating+NAME_SPACE+METHOD+SOAP_ACTION+URL

+onCreate()-getDigitImei()-cekStatus()-getSearch()

SoapObject<<control>>

+addProperty()

MapAct<<boundary>>

+latitude+longitude+id_item

+onCreate()+onLocationChanged()+onProviderEnabled()+onProviderDisabled()+onStatusChanged()#isRouteDisplayed()#isLocationDisplayed()

SimpleOverlay<<control>>

+addOverLay()#onTap()

HttpTransportSE<<control>>

+call()

SoapSerializationEnvelope<<control>>

+setOutputSoap()

soapserver<<entity>>

+status+kuliner

+configureWSDL()+register()

OverlayItem<<control>>

+add()+createItem()


commit to user

55

4.2.3.2 Sequence Diagram

Berikut sequence diagram dalam tahap perancangan:

Gambar 4.11 Sequence diagram ‘melihat rekomendasi’


commit to user

56

Gambar 4.12 Sequence diagram ‘melakukan pencarian’


commit to user

57

Gambar 4.13 Sequence diagram ‘me-rating’


commit to user

58

Gambar 4.14 Sequence diagram ‘melihat map’


commit to user

59

4.2.4 Perancangan Basis Data

4.2.6.1 ERD (Entitiy Relational Diagram)

Berikut entitiy relational diagram pada tahap perancangan basis data:

Gambar 4.15 Entitiy relational diagram

4.2.6.2 Struktur Basis Data

Berikut ini struktur masing-masing tabel pada basis data:

Tabel 4.14 Struktur ‘tb_admin’ pada Basis Data

Field Type Null Atribut Keterangan

username varchar(15) No PK Username Admin

password varchar(15) No Password Admin


commit to user

60

Tabel 4.15 Struktur ‘tb_item’ pada Basis Data


id_item varchar(8) No PK Kode item

nama_item varchar(100) No Nama item

deskripsi text No Deskripsi item

alamat varchar(100) No Alamat item

jam_buka varchar(50) No Jam buka item

latitude float No Lokasi latitude item

longitude float No Lokasi longitude item

gambar text No Nama file gambar item

Tabel 4.16 Struktur ‘tb_user’ pada Basis Data


no_imei bigint(15) No PK Nomor IMEI user,

Kode user

access_count int (11) No Jumlah akses user ke sistem

Tabel 4.17 Struktur ‘tb_userprofile’ pada Basis Data


no_imei int(15) No FK, PK Kode user

id_item varchar(8) No FK, PK Kode item

nilai_rating float No Nilai rating

tanggal_rating datetime No Tanggal rating

dimasukkan

prediksi float No Prediksi nilai rating


commit to user

61

Tabel 4.18 Struktur ‘tb_similarity’ pada Basis Data


itemx varchar(8) No PK Kode item

itemy varchar(8) No PK Kode item

similarity float No Similarity dari itemx dan itemy

4.3 Konstruksi

Tahap konstruksi terbagi dua, yaitu tahap implementasi dan pengujian.

4.3.1 Implementasi

Implementasi dibagi menjadi dua, yaitu implementasi komponen perangkat

lunak dan implementasi antarmuka perangkat lunak.

Berikut ini rancangan deployment untuk tahap implementasi :

Gambar 4.16 Deployment diagram

Implementasi komponen dapat dilihat dari implementasi kelas-kelas berikut:

Tabel 4.19 Tabel Implementasi Komponen Perangkat Lunak

No Nama Kelas Nama File Fisik

1. Pencarian SearchKulinerAct.java

2. Rekomendasi RekomendasiAct.java

3. Map MapAct.java


commit to user

62

Lanjutan dari Tabel 4.19 Tabel Implementasi Komponen Perangkat Lunak

No Nama Kelas Nama File Fisik

4. Rating RatingAct.java

5. Pendaftaran RekomendasiAct.java

6. Ubah Kuliner tedit.php

7. Tambah Kuliner ttambah.php

Implementasi antarmuka dapat dilihat dari daftar berikut:

Tabel 4.20 Tabel Antarmuka Perangkat Lunak

No Antarmuka Nama File Fisik

1. halaman utama user main.xml

2. meminta rekomendasi kuliner_list.xml

3. melihat informasi kuliner

kuliner_detail.xml

4. me-rating kuliner_detail.xml

5. map map.xml

6. halaman utama admin indexAdmin.php

7. ubah kuliner edit.php

8. tambah kuliner tambah.php


commit to user

63

Berikut ini screenshoot implementasi antarmuka :

Gambar 4.17 Tampilan halaman utama user (Aplikasi Client)

Gambar 4.18 Tampilan user meminta rekomendasi


commit to user

64

Gambar 4.19 Tampilan user melihat informasi kuliner

Gambar 4.20 Tampilan me-rating


commit to user

65

Gambar 4.21 Tampilan peta / map

Gambar 4.22 Tampilan halaman utama admin


commit to user

66

Gambar 4.23 Tampilan admin mengubah kuliner

Gambar 4.24 Tampilan admin menambah kuliner baru


commit to user

67

4.3.2 Pengujian

Tahap pengujian bertujuan menguji sistem dan menemukan kesalahan untuk

diperbaiki. Berikut daftar pengujian yang telah dilakukan:

Tabel 4.24 Tabel Daftar Rencana Pengujian

No Use Case Jenis Pengujian

Skenario Pengujian

Data Uji yang digunakan

Kode Uji

1. melakukan pencarian

black box memasukkan kata kunci dan menekan tombol ‘cari’

kata kunci

UC-A01

2. meminta rekomendasi

black box melihat daftar kuliner-kuliner rekomendasi

no IMEI perangkat mobile atau emulator

UC-A02

3. melihat informasi kuliner

black box memilih salah satu kuliner dari daftar rekomendasi dan melihat daftar detail kuliner tersebut

no IMEI perangkat mobile atau emulator UC-A03

4. me-rating kuliner

black box memasukkan nilai rating dan menekan tombol ‘rate’

nilai rating

UC-A04

5. melihat map black box melihat map dan melihat icon-icon kuliner-kuliner hasil rekomendasi

longitude, latitude posisi perangkat mobile dan posisi kuliner

UC-A05


commit to user

68

Lanjutan dari Tabel 4.24 Tabel Daftar Rencana Pengujian

No Use Case Jenis Pengujian

Skenario Pengujian

Data Uji yang digunakan

Kode Uji

6. mengubah informasi kuliner

black box masuk ke halaman admin, memilih menu ubah kuliner, mengubah detail kuliner dan menyimpan hasil perubahan

alamat, deskripsi, jam buka, latitude, longitude, gambar

UC-A06

7. menambah kuliner baru

black box masuk ke halaman admin, memilih menu tambah kuliner, memasukkan informasi kuliner baru dan menyimpan kuliner baru

id kuliner, nama kuliner, alamat, deskripsi, jam buka, latitude, longitude, gambar

UC-A07


commit to user

69

Berikut daftar hasil pengujian yang telah dilakukan :

Tabel 4.25 Tabel Hasil Pengujian ‘Melakukan Pencarian’

Kode Uji UC-A01

Deskripsi Pengujian Menguji apakah sistem dapat melakukan pencarian dengan kata kunci yang dimasukkan dan tidak melakukan pencarian dengan jumlah karakter pada kunci kurang dari 3 karakter.

Tahapan Pengujian - Memasukkan kata kunci - Menekan tombol ‘cari’ - Melihat tampilan hasi rekomendasi berdasar kata

kunci

Input Data a. kata kunci I : soto b. kata kunci II : slamet riyadi c. kata kunci III : <space> d. kata kunci IV : s e. kata kunci V : soto semarang

Hasil yang Diharapkan

a. Hasil dari masukan kata kunci I memunculkan hasil rekomendasi yang mengandung kata ‘soto’ pada field deskripsi dalam basis data b. Hasil dari masukan kata kunci II memunculkan hasil rekomendasi yang mengandung kata ‘slamet riyadi’ pada field alamat dalam basis data c. Hasil dari masukan kata kunci III memunculkan pesan kesalahan, tidak dapat melakukan pencarian d. Hasil dari masukan kata kunci IV memunculkan pesan kesalahan, tidak dapat melakukan pencarian e. Hasil dari masukan kata kunci V memunculkan tampilan hasil rekomendasi dengan hasil ‘tidak ditemukan’ karena tidak ada kata ‘soto semarang’ pada field nama, deskripsi dan alamat dalam basis data

Hasil Nyata Hasil pencarian sesuai dengan yang diharapkan

Kesimpulan Terimplementasi dengan baik


commit to user

70

Tabel 4.26 Tabel Hasil Pengujian ‘Meminta Rekomendasi’

Kode Uji UC-A02

Deskripsi Pengujian Menguji apakah sistem dapat menampilkan hasil rekomendasi sesuai dengan status user dan pilihan rekomendasi yang diminta user

Tahapan Pengujian - Sebagai user baru memilih pencarian - Sebagai user baru memilih menu rekomendasi

utama (menu Rekomendasi ‘kami’)

Sebagai user baru memilih menu rekomendasi 10 kuliner terpopuler (menu Top Ten Most Popular)

Sebagai user lama memilih pencarian dan melihat detail hasil rekomendasi berdasar kata kunci (hasil pencarian)

o Sebagai user lama memilih menu rekomendasi utama (menu Rekomendasi ‘kami’)

o Sebagai user lama memilih menu rekomendasi 10 kuliner terpopuler (menu Most Popular)

Input Data No IMEI perangkat mobile


- User baru mendapatkan daftar hasil rekomendasi sesuai menu yang dipilih dan untuk menu rekomendasi utama, diwajibkan mendaftar, jika tidak menyetujui pendaftaran, user masih mendapatkan status ‘User Baru’ dan hanya dapat memilih menu lain

User baru yang baru saja mendaftar dan belum

me-rating atau sudah me-rating tapi belum keluar dari aplikasi akan diberikan rekomendasi sesuai kuliner-kuliner yang terdekat dengan lokasi saat ini, dapat dicek di menu map

o User lama mendapatkan daftar hasil rekomendasi sesuai menu yang dipilih

Hasil Nyata Hasil rekomendasi baik untuk user lama maupun user baru sesuai dengan yang diharapkan



commit to user

71

Tabel 4.27 Tabel Hasil Pengujian ‘Melihat Informasi Kuliner’

Kode Uji UC-A03

Deskripsi Pengujian Menguji apakah sistem dapat menampilkan informasi kuliner hasil rekomendasi sesuai dengan status user dan pilihan rekomendasi yang diminta user

Tahapan Pengujian - Sebagai user baru memilih pencarian dan melihat detail hasil rekomendasi berdasar kata kunci (hasil pencarian)

- Sebagai user baru memilih menu rekomendasi utama (menu Rekomendasi ‘kami’) dan melihat detail hasil rekomendasi

- Sebagai user baru memilih menu rekomendasi 10 kuliner terpopuler (menu Top Ten Most Popular) dan melihat detail hasil rekomendasi

Sebagai user lama memilih pencarian dan

melihat detail hasil rekomendasi berdasar kata kunci (hasil pencarian)

Sebagai user lama memilih menu rekomendasi utama (menu Rekomendasi ‘kami’) dan melihat detail hasil rekomendasi

Sebagai user lama memilih menu rekomendasi 10 kuliner terpopuler (menu Most Popular) dan melihat detail hasil rekomendasi

Input Data No IMEI perangkat mobile


- User baru mendapatkan daftar hasil rekomendasi sesuai menu yang dipilih dan detail rekomendasi tanpa ada tampilan rating bar, sehingga tidak dapat memasukkan nilai rating

User lama mendapatkan daftar hasil rekomendasi sesuai menu yang dipilih dan detail rekomendasi dengan tampilan rating bar, untuk kuliner yang belum pernah di-rating, tampilan rating bar yang touchable lengkap dengan tombol ‘rate’. Jika kuliner pernah di-rating, rating bar menjadi beku dan untouchable dan tombol untuk me-rating hilang

Hasil Nyata Hasil rekomendasi dan detail informasi baik untuk user lama maupun user baru sesuai dengan yang diharapkan



commit to user

72

Tabel 4.28 Tabel Hasil Pengujian ‘Me-rating Kuliner’

Kode Uji UC-A04

Deskripsi Pengujian Menguji user berhasil memasukkan nilai rating untuk kuliner tertentu yang pernah dikunjungi

Tahapan Pengujian - Sebagai user lama, memilih salah satu kuliner hasil rekomendasi untuk diberikan nilai rating

- Memilih nilai yang sesuai dengan selera pada rating bar

- Menekan tombol ‘rate’ - Kembali ke halaman utama, mencari kuliner yang

telah di rating dan cek apakah rating bar menjadi beku menunjukkan nilai yang telah dimasukkan sebelumnya

Input Data nilai rating : 1, 2, 3, 4, 5


- Setelah memasukkan nilai rating, akan ditampilkan tampilan pesan nilai rating berhasil tersimpan atau tidak (jika koneksi terganggu, aplikasi akan megembalikan ke nilai ‘0’), jika user langsung menekan tombol ‘rate’ tanpa menggeser rating bar, dianggap user belum memberikan nilai rating, karena sesuai dengan asumsi dan batasan yang telah di-inisiasi sebelumnya, nilai ‘0’ berarti user belum me-rating.

- Kemudian kembali ke halaman utama, mencari kuliner yang telah di rating, hasilnya rating bar menjadi beku menunjukkan nilai yang telah dimasukkan sebelumnya

Hasil Nyata Informasi detail kuliner yang telah di-rating menunjukkan rating bar menjadi beku menunjukkan

nilai yang telah dimasukkan sebelumnya. Nilai rating telah tersimpan di basis data beserta tanggal memasukkan nilai rating.



commit to user

73

Tabel 4.30 Tabel Hasil Pengujian ‘Melihat Map’

Kode Uji UC-A05


Tahapan Pengujian - Melihat map - Melihat icon-icon berlabel hasil rekomendasi

Input Data Longitude, latitude posisi perangkat mobile dan tempat-tempat kuliner


- Memilih menu Map - Tampilan map menunjukkan icon posisi user dan

posisi kuliner-kuliner hasil rekomendasi

Hasil Nyata Tampilan map dapat dilihat, dan map dapat menunjukkan icon posisi user dan posisi kuliner-kuliner hasil rekomendasi, membuktikan bahwa map dapat diakses


Tabel 4.30 Tabel Hasil Pengujian ‘Mengubah Informasi Kuliner’

Kode Uji UC-A06


Tahapan Pengujian - Masuk ke halaman admin - Memilih menu ubah kuliner - Mengubah detail kuliner dan menyimpan hasil

perubahan

Input Data - Alamat - Deskripsi - Jam Buka - Latitude - Longitude - Gambar


Hasil perubahan tersimpan pada basis data

Hasil Nyata Hasil perubahan tersimpan pada basis data



commit to user

74

Tabel 4.31 Tabel Hasil Pengujian ‘Menambah Kuliner Baru’

Kode Uji UC-A07


Tahapan Pengujian Membuka halaman admin, memilih menu tambah kuliner, memasukkan informasi kuliner baru dan menyimpan kuliner baru

Input Data - Id kuliner - Nama Kuliner - Alamat - Deskripsi - Jam Buka - Latitude - Longitude

- Gambar


Hasil penambahan kuliner tersimpan pada basis data

Hasil Nyata Hasil penambahan kuliner tersimpan pada basis data



commit to user

75

BAB V

PENUTUP

5.1 Kesimpulan

Kesimpulan akhir berdasarkan penelitian yang telah dilakukan adalah bahwa

sistem perekomendasi wisata kuliner Kota Surakarta dengan metode item-based

collaborative filtering pada perangkat mobile Android dapat dibangun.

Pengujian metode yang telah dilakukan menunjukkan bahwa metode item-

based collaborative filtering dengan 5 item tetangga terdekat (neighborhood)

dapat menghasilkan prediksi dengan kualitas akurasi yang baik sehingga proses

utama (rekomendasi) dalam sistem perekomendasi wisata kuliner Kota Surakarta

yang dibangun mengimplementasikan metode item-based collaborative filtering

dengan 5 neighborhood.

5.2 Saran

Saran untuk pengembangan sistem serupa dimasa mendatang:

1. Sebaiknya data yang digunakan lebih lengkap dan observasi yang lebih

cermat untuk menghasilkan hasil pengujian yang lebih jelas dan akurat.

2. Penambahan jarak dan rute menuju tempat tujuan kuliner yang

direkomendasikan untuk memperkaya fitur aplikasi mobile.

3. Fitur pencarian dalam sistem ini masih umum (hanya mencocokkan kata

kunci dengan kata pada field nama, deskripsi dan alamat kuliner dalam

basis data), akan lebih baik jika dikembangkan dengan suatu metode

pencarian untuk memperoleh hasil pencarian yang lebih akurat,

4. Subsistem pada server untuk administrator pada aspek tampilan dan

privilage/security perlu dikembangkan agar lebih tampilan lebih menarik

dan data di server lebih aman.

Documents

perpustakaan.uns.ac.id digilib.uns.ac/Sistem...perpustakaan.uns.ac.id digilib.uns.ac.id commit to user i SISTEM PEREKOMENDASI DENGAN METODE ITEM-BASED COLLABORATIVE FILTERING PADA