Perpustakaan Universitas Gunadarma BARCODE

BUKTI UNGGAH DOKUMEN PENELITIANPERPUSTAKAAN UNIVERSITAS GUNADARMA

Nomor Pengunggahan

SURAT KETERANGANNomor: 484/PERPUS/UG/2020

Surat ini menerangkan bahwa: Nama Penulis : FARA PRINISIANomor Penulis : 52416617Email Penulis : FaraPrinisia@student.gunadarma.ac.idAlamat Penulis : mayang pratama

dengan penulis lainnya sebagai berikut:Penulis ke-2/Nomor/Email : ARY BIMA KURNIAWAN / 020601 / bima@staff.gunadarma.ac.id

Telah menyerahkan hasil penelitian/ penulisan untuk disimpan dan dimanfaatkan di Perpustakaan Universitas Gunadarma,dengan rincian sebagai berikut : Nomor Induk : FILKOM/KA/PENELITIAN/484/2020Judul Penelitian : APLIKASI REKOMENDASI PENJUALAN BUKU BERBASIS WEBTanggal Penyerahan : 15 / 06 / 2020

Demikian surat ini dibuat untuk dipergunakan seperlunya dilingkungan Universitas Gunadarma dan Kopertis Wilayah III.

Dicetak pada: 17/08/2020 22:19:59 PM, IP:103.130.129.145 Halaman 1/1

APLIKASI REKOMENDASI PENJUALAN BUKU BERBASIS WEB

Oleh :

Fara Prinisia (NPM : 52416617)

Ary Bima Kurniawan (NIP : 020106)

Universitas Gunadarma 2020

1

.

APLIKASI REKOMENDASI PENJUALAN BUKU BERBASIS WEB

Fara Prinisia

faraprinisia@student.gunadarma.ac.id

Fakultas Teknologi Industri

Universitas Gunadarma

Ary Bima Kurniawan, S.T., M.T bima@staff.gunadarma.ac.id

Fakultas Teknologi Industri

Universitas Gunadarma

ABSTRAK

Informasi yang sangat banyak tersedia, dapat menimbulkan kesulitan tersendiri

dalam menentukan pilihan terbaik. Terkadang pilihan terbaik menurut satu orang atau

kelompok belum tentu cocok untuk orang lain. Sebagai contoh pada sebuah toko buku,

seorang pelanggan terkadang bingung untuk menentukan pilihan. Oleh karena itu

dibutuhkan sebuah aplikasi yang dapat merekomendasikan pilihan yang tepat berdasarkan

keinginan pelanggan. Metode yang digunakan dalam penelitian ini adalah menggunakan

algoritma Pearson Correlation dan Item Based Collaborative Filtering. Pengembangan

aplikasi ini menggunakan bahasa pemrograman PHP, Javascript dan MySQL. Aplikasi ini

telah di ujicoba dan dapat berjalan pada web browser Mozilla Firefox, Google Chrome,

dan Microsoft Edge.

Kata Kunci: Aplikasi, Rekomendasi, Penjualan, Buku, Web

2

PENDAHULUAN

Perkembangan teknologi saat ini memberikan kemudahan dalam pengaksesan

informasi. Informasi yang hendak dicari dapat diperoleh dengan mudah dan cepat, serta

dapat digunakan untuk keperluan pribadi maupun bersama. Internet merupakan salah satu

media dalam memperoleh informasi. Internet menyediakan sumber informasi berupa data

digital dengan kemudahan dalam mengakses secara cerdas, cepat, dan praktis.

Banyaknya informasi yang ada di internet menyebabkan sebuah tumpukan informasi

yang sangat besar. Hal ini memunculkan salah satu tantangan bagi setiap individu di era

digital untuk menemukan informasi yang ingin dicari. Beberapa solusi ditawarkan untuk

masalah tersebut. Seperti contohnya pada sistem rekomendasi pada sebuah toko buku

online yang berusaha mengatasi pencarian buku sesuai keinginan pembeli. Sistem

rekomendasi mampu mengidentifikasi, serta memberikan konten yang berpotensi besar

dipilih dan digunakan oleh pengguna, berdasarkan penyaringan, pemilahan produk dan

informasi yang mengambil preferensi dari perilaku maupun riwayat pengguna (Asanov,

2015).

Dua metode yang umum digunakan pada sistem rekomendasi adalah Content-based

Filtering dan Collaborative Filtering (Adomavicius dan Tuzhilin, 2010). Kedua metode

tersebut memanfaatkan penilaian pengguna berupa peringkat sebagai suatu penilaian atau

evaluasi tertentu dalam memprediksi item yang mungkin diminati. Content-based Filtering

merupakan metode yang lebih menekankan pada analisa atribut item seorang pengguna

berupa peringkat untuk menghasilkan rekomendasi. Metode ini hanya mengandalkan

riwayat item yang pernah diberi penilaian sebelumnya, sehingga item yang direkomendasi

bersifat monoton (Fernando, 2018).

Kekurangan yang dimiliki oleh Content-based Filtering tersebut. Memunculkan

metode Collaborative Filtering untuk menyempurnakan kekurangan tersebut. Metode ini

menggunakan atribut item berupa peringkat pengguna lain untuk menghasilkan

rekomendasi. Metode ini bekerja dengan membentuk sebuah database yang berisi matriks

pengguna dan item. Kemudian data tersebut dicari kesamaan antara pengguna dengan minat

item yang sama (Fernando, 2018).

Metode Collaborative Filtering memiliki dua pendekatan yaitu User-based

3

Collaborative Filtering (UBCF) dan Item-based Collaborative Filtering (IBCF). Kedua

pendekatan tersebut memiliki prinsip yang sama dengan membandingkan antara pengguna

dengan item, namun memiliki perspektif yang berbeda. User-based Collaborative Filtering

(UBCF) bekerja berdasarkan asumsi bahwa similaritas (nilai kemiripan) berfokus pada

pengguna (user). Setiap pengguna merupakan bagian dari kelompok yang memiliki

kesamaan dengan pengguna lainnya (Pantreath, 2015). Dalam merekomendasikan

dibutuhkan aktivitas pengguna lainnya yang sama dengan pengguna tersebut.

Item-based Collaborative Filtering (IBCF) bekerja berdasarkan asumsi bahwa

similaritas (nilai kemiripan) berfokus pada item. Pengguna memberi penilaian beberapa

item secara serupa, pengguna yang ditargetkan juga dapat memberi penilaian terhadap

item-item tersebut secara serupa (Pantreath, 2015). Dalam merekomendasi dibutuhkan nilai

terhadap item dengan pola yang sama antar item lainnya.

Item-based Collaborative Filtering (IBCF) ini muncul sebagai solusi untuk beberapa

permasalahan pada User-based Collaborative Filtering (UBCF) yaitu pada masalah

keterbatasan (sparsity), skalabilitas serta masalah waktu dan memori. Sedangkan dalam

pendekatan Item-based Collaborative Filtering (IBCF) dapat mencari similaritas dengan

membentuk suatu model similaritas secara offline, yang otomatis dapat menghemat waktu

dan memori yang digunakan untuk perhitungan pada saat pengguna mengakses halaman

situs (Kurniawan, 2016).

Salah satu cara untuk menghitung kemiripan antar pengguna ataupun antar item yang

telah diberi penilaian oleh pengguna, adalah dengan menggunakan algoritma Pearson

Correlation. Algoritma Pearson Correlation menghitung similaritas (nilai kemiripan)

berdasarkan korelasi antara kedua himpunan bilangan objek. Korelasi adalah sebuah teknik

pengukuran yang menentukan seberapa dekat / mirip relasi antar dua himpunan bilangan

yang berbeda. Korelasi tersebut dapat dihitung dengan syarat himpunan bilangan antar

kedua objek harus memiliki urutan yang tetap dan berpasangan satu dengan lainnya. (Arvid

dkk, 2016). Untuk itu Algoritma Pearson Correlation merupakan salah satu algoritma yang

dapat digunakan dalam Metode Collaborative Filtering yang memiliki dua himpunan

bilangan objek yaitu pengguna dan item. Tujuan penulisan ilmiah ini yaitu membangun

sistem rekomendasi pada toko buku berbasis web, yang digunakan untuk membantu

4

pengguna dalam memilih alternatif buku berdasarkan nilai prediksi rating buku.

METODE PENELITIAN

Metode penelitian yang digunakan dalam penelitian ini adalah menggunakan

pendekatan metode Software Development Life Cycle (SDLC) dengan beberapa tahapan

yang dilakukan yaitu:

Analisis

Tahap awal yang dilakukan oleh penulis adalah melakukan studi pustaka, kemudian

merencanakan konsep dasar dan prototype dari aplikasi, serta menganalisis kebutuhan

dalam pembuatan aplikasi..

Perancangan

Dalam tahap ini, penulis akan melakukan perancangan tampilan dari aplikasi yang

akan dibuat. Dalam merancang aplikasi ini, penulis menggunakan storyboard, diagram

UML dan flowchart untuk menggambarkan alur dari aplikasi untuk mempermudah dalam

pembuatan aplikasi.

Implementasi

Penulis mengimplementasikan hasil rancangan ke dalam baris kode framework

Lavarel dan Bootstrap dengan menggunakan bahasa pemrograman PHP, CSS, dan Java

Script

Uji Coba

Pada proses ini dilakukan pengujian dengan blackbox testing. Tahap ini adalah tahap

akhir dari aplikasi ini yaitu dengan mencoba menginput sample data rating dari beberapa

akun, sehingga muncul rekomendasi yang sesuai dengan nilai perhitungan.

PEMBAHASAN

Gambaran Umum Sistem

Sistem ini dibuat menggunakan bahasa pemrograman sesuai dengan kebutuhan

website seperti HTML, CSS, PHP, JavaScript dan MySQL. HTML merupakan kumpulan

5

script yang bisa digunakan untuk membuat halaman web. PHP merupakan bahasa

pemrograman yang berada pada sisi server dan membutuhkan konektifitas ke dalam

database, dimana hal tersebut tidak dapat dilakukan menggunakan HTML. CSS

memungkinkan pengguna untuk menampilkan halaman yang sama dengan format yang

berbeda. CSS tidak dapat berdiri sendiri melainkan harus berada di dalam strukur

pemrograman lain yang didasari oleh HTML atau PHP. JavaScript adalah bahasa script

yang Dapat bekerja pada banyak browser seperti Internet Explorer, Mozilla, Firefox,

Netscape, Opera. Sama seperti CSS, Javascript tidak dapat berdiri sendiri dan harus

didasari oleh HTML atau PHP. Namun perbedaan Javascript dengan CSS adalah Javascript

mengatur logika seperti validasi untuk membuat tampilan website lebih dinamis dan CSS

mengatur tampilan dari website tersebut seperti gambar, warna , font, dll. SQL adalah suatu

bahasa (language) yang digunakan untuk mengakses data di dalam sebuah database

relasional. Di dalam website SQL sangat erat hubunganya dengan PHP, karena PHP

merupakan struktur pemrograman pada sisi server sehingga server membutuhkan koneksi

ke dalam database dan SQL digunakan untuk menghubungkan website (dengan struktur

bahasa PHP) ke dalam Database menggunakan bahasa SQL. Lavarel dan Bootstrap

merupakan framework yang digunakan untuk memudahkan development. Website ini

menampilkan toko buku dengan sistem rekomendasi pengguna berdasarkan item.

Alur Penerapan Metode Item-based Collaborative Filtering sampai Prediksi Rating

Langkah pertama dilakukan dengan perhitungan similaritas antar pengguna / item

menggunakan metode perhitungan Pearson Correlation. Selanjutnya adalah penentuan

jumlah neighbor yang telah ditentukan. Perhitungan prediksi rating adalah proses akhir dari

metode Item-based Collaborative Filtering.

6

Gambar 1. Alur Metode dan Algoritma

Flowchart atau diagram alur adalah simbol-simbol yang mempunyai arus untuk

menggambarkan langkah-langkah dalam menyelesaikan suatu masalah. Tujuan dibuat

diagram alur adalah untuk mempermudah dalam pembuatan sistem. Pada halaman Admin,

penjual diminta untuk memasukkan email dan password, jika inputan yang dimasukkan

adalah cocok atau benar maka menuju ke halaman Dashboard. Pada halaman Dashboard,

terdapat data master, menu pesanan, submenu, submenu kategori berisi pemberitahuan

mengenai kapan penjual harus mengupdate data sesuai pesanan sesuai permintaan, setelah

itu sistem akan berhenti ketika penjual memilih menu utama “Log out”

Gambar 2. Flowchart Aplikasi

7

Class diagram adalah diagram yang menggambarkan struktur sistem dari segi

pendefinisian kelas-kelas yang akan dibuat untuk membangun sistem. Kelas memiliki apa

yang disebut atribut dan metode atau operasi. Pada gambar 3. adalah gambar class diagram

yang menggambarkan hubungan antara entitas satu dengan yang lainnya. Terdapat 20 (dua

puluh) entitas yang saling terhubung.

Gambar 3. Class diagram

Implementasi Tampilan

Implementasi tampilan halaman sistem pada penelitian ini yaitu :

Tampilan halaman home

Pada tampilan ini user dapat melihat terlebih dahulu berbagai buku populer, dan buku

terbaru tanpa proses login atau register.

8

Gambar 4. Tampilan Home

Tampilan Login dan Register

Tampilan halaman Login digunakan untuk user yang telah memiliki akun. Tampilan

halaman Register digunakan untuk user yang belum memiliki akun. Tampilan ini

merupakan tampilan bagi user yang telah memiliki akun. User diminta memasukan email

dan password untuk login supaya dapat melakukan proses pembelian buku.

Gambar 5.(1) Tampilan Login Member

9

Gambar 5.(2) Tampilan Register Member

Tampilan Halaman Produk

Tampilan ini merupakan tampilan yang menyajikan semua jenis buku berdasarkan

kebutuhan pelanggan. Ada berbagai jenis buku seperti buku anak-anak, buku sekolah, buku

bisnis, buku kesehatan dan buku masakan.

Gambar 6. Tampilan Book

Tampilan Buku Rekomendasi

Tampilan ini merupakan tampilan untuk menampilkan hasil rekomendasi buku

10

sesuai dengan preferensi setiap pengguna.

Gambar 7. Tampilan Buku Rekomendasi

Uji Coba

Website yang telah dibuat harus melalui tahap uji coba supaya pengembang aplikasi

dapat mengetahui apabila sistem tersebut memiliki kesalahan untuk diperbaiki maupun

menambahkan hal yang kurang dalam sistem yang dibuat.

Pengujian Sistem pada Beberapa Browser

Pengujian sistem pada beberapa browser dilakukan untuk mengetahui apakah sistem

dapat berjalan baik pada browser. Browser yang dipakai penulis dalam pengujian ini adalah

Mozilla Firefox, Google Chrome, Microsoft Edge dan Opera browser.

Tabel 1. Hasil Pengujian Sistem pada Browser Mozilla Firefox, Google Chrome, dan

Microsoft Edge.

No. Fungsi Masukkan Hasil yang Diharapkan Hasil Tes

1. Menu Log in

Member

Menekan menu

Log in Member

Menampilkan tampilan halaman Log in

Member

Sukses.

2. Log in Masukkan Menampilkan tampilan halaman Menu Sukses.

11

No. Fungsi Masukkan Hasil yang Diharapkan Hasil Tes

Member username,

password dan

menekan button

Log in.

member jika inputan yang dimasukkan

adalah benar dan menampilkan tampilan

halaman Log in Penjual jika inputan

yang dimasukkan adalah salah.

3. Halaman

Menu member

- Menampilkan menubar profil,

pembelian, kelola alamat, ubah

password, logout. Yang dapat

digunakan member dalam melakukan

aktivitas pada toko buku online tersebut.

Sukses.

4. Profil

- Menampilkan nama dan email serta

riwayat buku yang pernah dibeli.

Sukses.

5. Pembelian Menekan menubar

pembelian.

Menampilkan tampilan riwayat

pembelian yang berisi pemberitahuan

tanggal, kode, total pembayaran, status,

aksi.

Sukses.

6. Kelola alamat Menekan menubar

kelola alamat.

Menampilkan tampilan yang berisi

pemberitahuan label (kota), alamat,

no.telepon, aksi (edit atau hapus), serta

button tambah alamat untuk

menambahkan alamat lain.

Sukses.

7. Ubah

password

Menekan menubar

ubah password .

Menampilkan kolom password saat ini,

password baru, konfirasi password baru

yang harus diisi untuk proses perubahan

password. Serta button submit untuk

menampilkan proses berhasil atau tidak.

Sukses.

8. Buku Menekan menubar

buku.

Menampilkan semua jenis buku yang

tersedia pada website tersebut.

Sukses.

9. Button add Menekan button

add

Menampilkan tampilan keranjang

belanja.

Sukses.

10. Button Menekan button Menampilkan tampilan alamat Sukses.

12

No. Fungsi Masukkan Hasil yang Diharapkan Hasil Tes

checkout checkout pengirim, rincian biaya, ongkos kirim,

total. Setelah itu tekan button checkout

pesanan

11. Button

checkout

pesanan

Menekan button

checkout pesanan

Menampilkan tampilan konfirmasi

untuk meneruskan pesanan. Terdapat

button ok atau cancel.

Sukses.

12. Button ok Menekan button

ok

Menampilkan tampilan pesanan

diterima serta informasi pembayaran.

Sukses.

13. Menu utama

Log out.

Menekan menu

utama Log out.

Keluar dari aplikasi. Sukses.

Berdasarkan pengujian yang telah dilakukan pada beberapa browser, maka website

fara book store dapat dijalankan menggunakan 3 browser yaitu Google Chrome, Mozilla

Firefox dan Microsoft Edge.

PENUTUP

Berdasarkan bahasan masalah pada toko buku yang berusaha menemukan

rekomendasi buku sesuai keinginan pembeli. Maka dalam hasil pengujian yang telah

dilakukan sistem rekomendasi dengan 5 user (pengguna), 10 item (buku), 35 rating (nilai

peringkat) menggunakan metode collaborative filtering dengan item-based yaitu buku dan

algoritma pearson correlation berhasil melalui tahap uji coba dalam menghasilkan nilai

prediksi rating. Nilai akhir prediksi rating ini yang akan menjadi tolak ukur sistem dalam

merekomendasikan buku bagi setiap pengguna yang mengunjungi website tersebut sesuai

dengan preferensi dari perilaku atau riwayat pengguna.

Namun terdapat kendala dalam sistem rekomendasi seperti sparsity yaitu item yang

baru sedikit dirating oleh pengguna maka nilai prediksi relatif kurang akurat dan

menghasilkan rekomendasi kurang tepat. Setiap pengguna yang mengunjungi website dan

telah melakukan proses pembelian diharapkan untuk memberikan nilai rating terhadap buku

tersebut. Karena semakin banyak rating yang telah diberikan, maka sistem akan

13

menghasilkan nilai yang akurat dan mendapatkan rekomendasi buku sesuai dengan

keinginan pengguna tersebut. Dan website tersebut belum dapat diakses secara online.

DAFTAR PUSTAKA

[1] Adomavicius, Gediminas and Tuzhilin, Alexander. (2010). “Toward the Next Generation of

Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions”. IEEE

Transactions on Knowledge and Data Engineering, vol. 17, no. 6.

[2] Arvid, Theodorus., Setyohadi, Djoko Budiyanto., and Ernawati. (2016). “User-

Based Collaborative Filtering Dengan Memanfaatkan Pearson-Correlation Untuk

Mencari Neighbors Terdekat Dalam Sistem Rekomendasi”. (Online), (http://e-

journal.uajy.ac.id/8924/ [Tanggal Akses 12 Agustus 2019].

[3] Asanov, D. (2015). “Algorithms and Methods in Recommender Systems.,”

International Journal of Computer Applications, vol. 118, 2015.

[4] Dewanto, Hafiz., and Wibowo, Agung Toto., (2015). “Analisis dan Implementasi

Prediksi Rating pada Memory-based Collaborative Filtering dengan Menggunakan

Smoothing”. e-Proceeding of Engineering : Vol.2, No.3.

[5] Fernando. (2018). “Content-based filtering & Collaborative Filtering

Recommendation”.

[6] Herlangga, K. G. D. (2015). Cara untuk Menggunakan BootStrap 3 untuk Membuat

Web. (https://www.codepolitan.com/cara-menggunakan-bootstrap-3-untuk-membuat-web)

[Tanggal Akses 3 Mei 2019].

[7] Herlocker, Jonathan L. (2001). “Evaluating Collaborative Filtering Recommender

System”. 2001 ACM 1073-0516/01/0300-0034.

[8] Kurniawan (2016). “User- Based Collaborative Filtering & item- Based

Collaborative Filtering”.

[9] Leben, Micheal (2008). “Applying Item-based and User-based Collaborative

Filtering on the Netflix Data”. Hasso- Plattner-Institut Potsdam.

14

[10] Marafi, S. (2014). Collaborative Filtering with R. (Online),

(http://www.salemmarafi.com/code/collaborative-filtering-r/).[Tanggal Akses 18

Agustus 2019].

[11] McDonald, C. (2015). Pararel and Iterative Processing for Machine Learning

Recommendation With Spark. (Online), (https://mapr.com/blog/parallel- and-

iterative-processing-machine-learning-recommendations-spark/)

[12] Pantreath, N. (2015). “Machine Learning with Spark”. Packt Publishing,

Birmingham, United Kingdom.

[13] Rizky, M. D. (2016). Mengenal Framework CSS Materialize. <

https://www.codepolitan.com/framework-css-materialize> [Tanggal Akses 19

Agustus 2019].

[14] Ricci, L. R. F., and Shaphira, B. (2011). “Recommender Systems Handbook”.

Springer Science+Business Media, New York, USA.

[15] Sarwar, B., Karypis, G., Konstan, J., Riedl, J. (2001). “Item-Based Collaborative

Filtering Recommendation Algorithms”. ACM 1-58113- 348-0/01/0005;

GroupLens Research Group.

[16] https://www.gramedia.com/