Bagaimana Sistem Rekomendasi Berkerja?

Pernah merasa penasaran, kenapa youtube bisa mengerti video apa yang kita suka? atau pernah penasaran mengapa bisa amazon merekomendasikan buku yang tepat untuk kita. After all magic behind them is just sequence of logic and statement. yah sistem rekomendasi merupakan million dolar investment. karena sistem rekomendasi sangat berdampak pada perilaku konsumen sehingga semakin tepat sistem rekomendasi konsumen juga akan semakin nyaman. nah berdasarkan featurnya terdapat dua macam tipe yaitu dengan content-based atau collaborative Filtering

“person in black long coat standing near clear glass window” by sebastiaan stam on Unsplash

Content-Based

Berdasarkan namanya, pada sistem rekomendasi content-based, sistem menggunakan attribut kontent untuk menentukan rekomendasi untuk mu. seperti genre,judul,author,cast dan lain-lain. untuk sistem yang masih kecil (belum punya banyak user) metode ini merupakan pilihan yang tepat. yang paling sederhana adalah menghitung kemiripan antar data film yang terakhir dilihat dengan data semua film pada database. untuk menghitung kemiripan ada berbagai cara mulai ecludian distance hingga cosine similarity

Collaborative-Filtering

pada collaborative filtering attribut yang digunakan bukan konten tetapi user behaviour. contohnya kita merekomendasikan suatu item berdasarkan dari riwayat rating dari user tersebut maupun user lain.

salah satu contoh ilustrai dataset untuk collaborative Filtering

Untuk melakukan rekomendasi dapat menggunakan item-based maupun user-based. yang dimaksud dari item-based yaitu mencari berdasarkan kemiripan berdasarkan suatu item. untuk langkah langkahnya seperti dibawah ini

pada item based kita berangkat dari item sebagai bari dan user sebagai kolom, kemudian hitung similaritynya setalah mendapat nilai similarit kita sorting descending, nah disini kita bisa improvisasi dengan melakukan filter pada film-film yang sudah pernah ditonton. lalu kita dapat memilih Top N atau kita dapat menggunakan threshold. misalnya menghilangkan item yang ratingnya dibawah 3. setelah kita mempunyai kandidat item langkah selanjutnya adalah scoring. setelah melakukan scoring kita jumlah semua score tiap item. dan dilakukan sorting untuk menampilkan berdasrkan kemiripan.

sedangkan pada user-based kurang lebih sama tetapi kita berangkat menggunakan matriks user sebagai baris dan film sebagai kolom.

Evaluasi Sistem Rekomendasi

lalu bagaimana cara melakukan evaluasi?. salah satu cara untuk mengevaluasi top N recommender system dapat menggunakan hit rate. Bagaimana mengukur hit rate?

1. Siapkan data history dari suatu user

2. pisahkan satu item dari daftar

3. gunakan daftar untuk sebagai data testing pada sistem rekomendasi d

4. Jika satu item yang dipisahkan tadi muncul pada hasil Top N it is a hit. If not, it’s not a hit

selain itu kita juga bisa mengujinya menggunakan A/B Testing

Sistem rekomendasi mempunyai banyak manfaat di sekitar kita. untuk membangun sistem rekomendasi yang bagus banyak hal yang perlu di perhatikan. dan masih ada banyak cara untuk improvisasi. diluarsana masih banyak berbagai cara seperti menggunakan deep learning atau menggunakan Matrix Factorization. untuk perusahaan seperti amazon dan youtube dapat memiliki hasil yang bagus karena mereka memiliki banyak data. bagaimana pun penilitian sistem rekomendasi belum berhenti hingga sekarang.