Sistem rekomendasi- Collaborative Based

Secara umum pencarian informasi pada system  dilakukan berdasarkan pada tiga hal yaitu metode pengambilan, metode penyaringan, dan metode penelusuran. Metode pengambilan didasarkan pada gagasan bahwa sistem pencarian informasi disajikan berdasarkan pada permintaan pengguna. Metode penyaringan digunakan untuk melakukan pemilahan terhadap informasi dalam jumlah besar dan menunjukkan satu sumber yang menarik sesuai dengan preferensi pengguna. Hal yang penting untuk diperhatikan pada metode penyaringan informasi ialah koleksi informasi dapat berubah secara konstan jika terdapat item baru yang ditambahkan atau diperbaharui dan secara langsung pengguna menginginkan informasi tersebut untuk memenuhi kebutuhannya. Metode penelusuran merupakan metode yang erat kaitannya dengan pengguna. Penelusuran sering digunakan oleh pengguna untuk menemukan informasi yang menarik bagi mereka. Pada dasarnya kata kunci dari rekomendasi terletak pada individual dalam hal ini adalah pengguna dan personalisasi.

Ada beberapa istilah – istilah berikut yang merupakan komponen dasar yang sering digunakan dan terkait erat dengan sistem rekomendasi.

• Item : Dalam konteks sistem rekomendasi, item mewakili informasi yang dimiliki sistem tentang objek apapun. Objek dapat berupa dokumen elektronik, produk, orang, layanan atau apapun yang dapat mewakili informasi.
• Recommender : merupakan entitas yang memberikan rekomendasi yang telah dipersonalisasi sebagai keluaran untuk dijadikan sebagai preferensi pengguna. Seorang pemberi rekomendasi mungkins aja tidak dapat memberikan informasi yang bersifat spesifik, seperti daftar, tetapi mereka dapat memandu pengguna secara individual terhadap item yang berguna dan menarik bagi mereka. Pemberi rekomendasi dapat berupa orang maupun sistem yang dibangun dengan tujuna untuk memudahkan pengguna dalam menentukan preferensi mereka.
• Rekomendasi : Merupakan hasil akhir yang diberikan oleh recommender yang dapat digabungkan dengan item atau daftar item. Untuk menentukan bahwa hasil rekomendasi menarik atau tidak bagi pengguna sangat bergantung pada teknik yang digunakan saat melakukan proses rekomendasi.
• Minat Pengguna : Minat merupakan suatu hal yang diharapkan pengguna terhadap suatu item.
• Peringkat : Ukuran obyektif yang mewakili minat pengguna. Nilai yang diperoleh melalui ukuran ini dapat disajikan dengan menggunakan skala yang ditetapkan oleh perancang sistem rekomendasi.
• Predicted Rating : Ukuran obyektif ini mewakili minat yang diharapkan pengguna terhadap suatu item. Ukuran ini biasanya ditentukan oleh sistem dan nilai yang dihasilkan menggunakan skala tertentu.
• Peringkat Aktual : Merupakan ukuran yang menunjukkan sejauh mana peringkat yang diprediksi setuju dan sesuai dengan peringkat aktual yang diharapkan oleh pengguna.
• Akurasi Prediksi : Merupakan ukuran yang menunjukkan sejauh mana peringkat yang diprediksi sesuai dengan peringkat aktual pengguna. Semakin akurat prediksi yang dihasilkan maka semakin baik kinerja sistem rekomendasi.
• Teknik Prediksi : Merupakan suatu algoritma spesifik yang akan digunakan sistem rekomendasi  untuk menghitung peringkat  prediksi suatu item.

Pendekatan mendasar untuk system rekomendasi ada system content based dan collaborative. Kali ini dibahas tentang collaborative, sedangkan system content based sudah dibahas pada link ini.

Teknik rekomendasi penyaringan kolaboratif mulai muncul pada dekade 90-an terutama karena semakin meningkatnya penggunaan halaman web dan sejumlah besar informasi yang tersedia melaluinya. Seperti yang dijelaskan sebelumnya pada pembahasan sebelumnya, teknik-teknik ini independen terhadap domain dan menggunakan informasi dari banyak pengguna untuk menentukan kesamaan antar item. Teknik penyaringan kolaboratif dikembangkan sebagai alternatif untuk klasifikasi manual. Teknik ini dianggap sebagai salah satu teknik yang valid dalam melakukan teknik rekomendasi. Secara umum, sistem rekomendasi pemfilteran kolaboratif bekerja sebagai berikut:

1. Pertama sistem mengumpulkan dan mengelola informasi tentang pengguna. Informasi ini mencakup minat khusus pengguna pada item tertentu dan disimpan dalam profil yang terpisah.
2. Setelah semua profil dikumpulkan, sistem membandingkan semua profil untuk menentukan kesamaan di antara keseluruhan item yang dikumpulkan.
3. Untuk menghasilkan rekomendasi kepada pengguna, sistem membuat set dengan profil yang paling mirip dan menggunakan informasi yang terkandung dalam set ini untuk melakukan rekomendasi.
4. Salah satu kelemahan terbesar dari penyaringan kolaboratif adalah sangat tergantung pada informasi yang disediakan oleh pengguna. Jika pengguna tidak memberikan informasi yang dapat dipercaya, kinerja sistem akan menurun secara signifikan. Aspek yang penting dalam teknik penyaringan kolaboratif adalah cara untuk menyamakan model perhitungan profil pengguna.

            Penyaringan kolaboratif berlandaskan pada teknik untuk memodelkan interaksi antara satu set item dan satu set pengguna. Seringkali, interaksi ini dimodelkan sebagai matriks F di mana terdapat baris yang mewakili pengguna, dan kolom yang mewakili item. Ketika menggunakan metode CF akan terkait erat dengan explicit feedback yang dapat berupa rating dengan skala 1 – 5. Explicit feedback sangat membutuhkan paritisipasi aktif dari pengguna. Data CF juga dapat menggunakan implicit feedback. Teknik ini memungkinkan kita untuk mengetahui seberapa sering pengguna berinteraksi dengan item sebagai contoh mendengarkan musik. Implicit feedback berbeda dengan explicit feedback. Matriks implicit feedback dapat dilihat pada persamaan berikut.

Model perhitungan ini menggambarkan maktriks kuantitatif untuk menghitung persamaan dari dua item. Pada persamaan tersebut dapat dilihat bahwa terdapat dua item yang didefinisikan untuk dilakukan perhitungan yaitu ɩ dan ʝ.

            Perlu diketahui bahwa ketika kita akan menggunakan model implicit feedback peneliti terlebih dahulu harus mengetahui karakteristik dari model ini. Karakteristik implicit feedback adalah sebagai berikut.

1. Tidak ada umpan balik negatif. Dengan mengamati perilaku pengguna, kami dapat menyimpulkan item mana yang mungkin mereka sukai dan sehingga memilih untuk mengkonsumsi. Namun, sulit untuk menyimpulkan item mana yang tidak disukai pengguna.
2. Dengan mekanisme ini peneliti hanya dapat menebak preferensi pengguna.
3. Angka dari implicit feedback merepresentasikan berapa banyak waktu pengguna melihat atau mendengarkan suatu item. Nilai yang besar tidak menunjukkan preferensi yang tinggi.
4. Evaluasi terhadap model ini sangat memerlukan langkah yang tepat seperti harus memiliki matriks yang jelas untuk dapat mengukur tingkat keberhasilan prediksi.