digilib@itb.ac.id +62 812 2508 8800


Tesis
PUBLIC karya

Penerapan sistem rekomendasi pada platform online ternyata menghasilkan data dengan volume yang besar dan dengan laju yang tidak diduga-duga sehingga lebih realitis untuk mempelajari sistem rekomendasi di bawah pengaturan streaming. Banyak penelitian yang mencoba mengembangkan sistem rekomendasi streaming salah satunya adalah Stream-centered Probabilistic Matrix Factorization (SPMF). Pada SPMF, model akan diperbarui terus menerus setiap satu window data stream masuk kedalam sistem dengan menggunakan data yang dikelola pada reservoir ditambah data pada window data stream. Penelitian ini fokus mengembangkan teknik reservoir sampling pada metode SPMF yaitu uniform random sampling yang mana teknik ini dapat mengakibatkan kesalahan perangkingan model akibat hilangnya data pengamatan dari memori. Untuk mengurangi konsekuensi ini, sampel dipilih berdasarkan skor faktorisasi matriks yang mana skor ini dianggap dapat merepresentasikan popularitas item. Selain itu pada penelitian ini juga dikembangkan teknik paralelisasi algoritma pembaruan model pada SPMF untuk tujuan peningkatan skalabilitas. Berdasarkan percobaan yang dilakukan pada dataset Bukalapak, metode yang diajukan terbukti memiliki kualitas rekomendasi yang lebih baik dari metode baseline dan setidaknya mencapai 84% kualitas BPR-MF dengan reduksi dataset hingga 78% dan waktu komputasi 60 kali lebih cepat. Komputasi paralel juga dapat meningkatkan kecepatan komputasi sebesar 23% dengan menggunakan 4 worker.