Perpustakaan Digital ITB

Sistem rekomendasi adalah suatu sistem yang dirancang untuk merekomendasikan item yang relevan dengan keinginan pengguna berdasarkan selera pengguna. Salah satu permasalahan dalam sistem rekomendasi adalah dynamic taste, karena faktanya, selera pengguna dapat berubah dari waktu ke waktu, yang cenderung membuat sistem menjadi sering mendefinisikan ulang selera penggunanya. Oleh karena itu, mengatasi permasalahan dynamic taste menjadi penting karena user dynamic taste memiliki dampak yang signifikan terhadap sistem rekomendasi. Sejauh ini, masih sedikit peneliti yang membahas masalah dynamic taste dalam penelitiannya. Beberapa penelitian yang eksplisit membahas dynamic taste ini belum ada yang menggunakan pendekatan graf untuk mengatasi permasalahan dynamic taste. Padahal pendekatan graf telah banyak dimanfaatkan untuk menyelesaikan permasalahan lain dalam sistem rekomendasi. Graf dianggap sebagai alat untuk memodelkan dunia nyata yang kompleks, karena berfokus pada pemodelan interaksi di dunia nyata. Permasalahan dynamic taste pada sistem rekomendasi dapat direpresentasikan sebagai graf. Untuk dapat memenuhi kebutuhan dari representasi dynamic taste maka graf ini harus dapat mewakili entitas user dan item, kemudian dapat mewakili tiga relasi, yaitu relasi user-user, item-item, dan user-item. Selain itu, diperlukan juga atribut waktu yang merepresentasikan selera user yang dinamis terhadap item. Oleh karena itu, jenis dan pendekatan graf yang merepresentasikan permasalahan dynamic taste adalah graf heterogen dinamis dan link prediction sebagai pendekatan graf yang merepresentasikan proses prediksi terhadap selera user yang dinamis. Pemanfaatan label propagation sebagai basis dari tugas link prediction memberikan keunggulan dalam hal efektifitas, hemat biaya komputasi, dan mudah untuk dimengerti. Namun, sebagian besar algoritma link prediction based on label propagation yang ada berfokus pada graf homogen dinamis atau graf heterogen statis dan cenderung menunjukkan akurasi dan skalabilitas rendah ketika diterapkan ke graf dengan jumlah simpul yang banyak. Dengan demikian, metode yang ada menjadi kurang optimal untuk tugas link prediction pada graf heterogen dinamis. Salah satu tantangan pada topik penelitian ini adalah mempelajari informasi yang dinamis dan heterogen secara bersamaan. ii Tujuan dari penelitian ini adalah mengatasi persoalan dynamic taste pada sistem rekomendasi melalui pengembangan metode link prediction based on label propagation pada graf heterogen dinamis. Pada penelitian ini, dikembangkan metode DHLPLP (Dynamic Heterogeneous Link Prediction based on Label Propagation), di mana proses pengembangannya didasarkan pada metode Heter- LP (Heterogeneous Label Propagation) dan DTLPLP (Distributed Temporal Link Prediction based on Label Propagation). Metode DHLPLP melakukan kompresi snapshot graf historis untuk menangani sifat dinamis graf dan menggunakan label propagation untuk mempelajari informasi heterogen pada graf. Eksperimen kemudian dilakukan menggunakan data yang merepresentasikan daftar transaksi dalam e-commerce untuk melihat kemampuannya dalam melakukan link prediction pada graf heterogen dinamis sebagai representasi dari solusi terhadap permasalahan dynamic taste pada sistem rekomendasi. Selain itu, dilakukan juga eksperimen terhadap perubahan parameter-parameter yang dapat mempengaruhi hasil link prediction. Hasil link prediction yang dilakukan oleh metode DHLPLP-3 mendapatkan skor AUROC dan AUPRC tertinggi sebesar 0,94996 dan 0,95562 ketika memproses graf W6, dengan waktu 2,24 detik. Selain metode DHLPLP, pada penelitian ini juga dikembangkan versi terdistribusinya, yaitu metode D- DHLPLP. Metode D-DHLPLP ini telah diimplementasikan pada salah satu framework pemrosesan graf terdistribusi. Hasil link prediction yang dilakukan oleh metode D-DHLPLP-3 ketika dijalankan pada sistem terdistribusi dengan total 5 mesin komputer meraih skor AUROC 0,76946 dan skor AUPRC 0,77405 untuk graf W6, dengan waktu eksekusi 0,78 detik.