Upload
others
View
33
Download
3
Embed Size (px)
Citation preview
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 : [email protected] Penulis : mayang pratama
dengan penulis lainnya sebagai berikut:Penulis ke-2/Nomor/Email : ARY BIMA KURNIAWAN / 020601 / [email protected]
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
Fakultas Teknologi Industri
Universitas Gunadarma
Ary Bima Kurniawan, S.T., M.T [email protected]
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/