Mengenal Recommender System

Ledakan informasi pada jaringan internet menyebabkan masyarakat mengalami kesulitan mendapatkan informasi yang cepat dan relevan dengan kebutuhannya. Untuk itu diperlukan sistem yang dapat mengakses dan menemukan informasi seperti yang dikehendaki. Dalam proses pencarian informasi terdapat dua tipe pencari. Tipe pertama adalah pencari yang sudah memiliki referensi yang jelas informasi apa yang hendak dicari. Tipe seperti ini cukup dibantu dengan mesin pencari (search engine). Sedangkan tipe kedua adalah seseorang yang tidak berbekal referensi, namun hanya memiliki topik tertentu. Pencari tipe kedua ini dapat dipastikan mengalami kesulitan untuk mendapatkan informasi yang dimaksud. Oleh karena itu, dia tidak cukup dibantu hanya dengan search engine tetapi juga memerlukan suatu sistem penyedia rekomendasi (recommender system) dalam menemukan informasi yang diinginkan.

Recommender system membantu kita dalam mengatasi masalah information overload dengan menyediakan saran-saran bersifat personal berdasarkan pada history perilaku pengguna sebelumnya.  Ada dua pendekatan dalam membangun recommender system, yaitu Collaborative Filtering (CF) dan Content-Based (CB).

Recommender System dengan pendekatan CF akan bekerja dengan cara menghimpun feedback pengguna dalam bentuk rating bagi item-item dalam suatu domain yang diberikan dan memanfaatkan kemiripan dan perbedaan antar profil dari beberapa pengguna dalam menentukan bagaimana merekomendasi suatu item.

Recommender System dengan pendekatan CB akan menyediakan rekomendasi dengan cara membandingkan representasi content (isi) yang dikandung oleh suatu item terhadap representasi isi dari item menarik pengguna.

Pendekatan CB dapat secara unik mencirikan setiap pengguna,  tetapi pendekatan CF memiliki beberapa keuntungan, yaitu :

  • Pendekatan CF dapat bekerja dalam domain dimana terdapat sedikit content yang berasosiasi dengan item atau ditempat dimana content sulit dianalisis menggunakan komputer seperti ide, opini, dll.
  • Pendekatan CF mempunyai kemampuan untuk menyediakan rekomendasi yang tidak terduga atau tidak disengaja, misalnya dapat merekomendasikan item yang relevan kepada pengguna sekaligus tidak mengandung content dari profil pengguna tersebut.

Karena alasan itulah, pendekatan CF banyak digunakan untuk mengembangkan sistem penyedia rekomendasi dalam berbagai domain.  Namun bukan berarti CF tidak punya kelemahan. Ada dua masalah utama dari pendekatan CF, yaitu masalah sparsity dan masalah first-rater.

Masalah SPARSITY.

Masalah ini  muncul jika sebagian besar pengguna tidak memberikan penilaian atau rating pada banyak item, sehingga matrik rating user-item yang digunakan dalam proses pencarian kemiripan antar pengguna menjadi sangat sparse.  Kalau kondisi tersebut terjadi, kemungkinan mendapatkan himpunan pengguna dengan rating sangat mirip akan rendah. Kasus demikian sering terjadi ketika sistem mempunyai rasio item-to-user sangat tinggi. Masalah ini juga terjadi saat sistem berada pada tahap awal pemanfaatan, belum ada pengguna yang memberikan rating, juga saat terdapat penambahan item baru yang tentu belum ada ratingnya.

Masalah FIRST-RATER.

Dalam pendekatan CF, suatu item tidak direkomendasikan kecuali telah ada pengguna yang memberikan rating kepadanya terlebih dahulu. Masalah ini berlaku terhadap item-item baru dan juga item-item yang tidak jelas atau tak dikenali. Kondisi yang demikian ini tentu akan merugikan pengguna, terutama yang memiliki wawasan luas dan ingin memilih dari berbagai sumber atau item.