Perpustakaan Digital ITB

Sistem rekomendasi penting untuk membantu pengguna dalam memilih produk (item) yang sesuai dengan preferensinya. Dalam hal ini, sistem rekomendasi memberikan rekomendasi item secara otomatis berdasarkan riwayat perilaku dan preferensi pengguna. Perilaku dan preferensi pengguna dapat diperoleh dari penilaian (rating) yang diberikan oleh pengguna terhadap item. Pada sistem rekomendasi multikriteria, rating tersebut diberikan baik untuk item maupun kriteria item. Terdapat dua pendekatan umum untuk menyelesaikan sistem rekomendasi multikriteria, yaitu pendekatan heuristik dan berbasis pemodelan. Pendekatan berbasis fungsi agregasi yang merupakan bagian dari pendekatan berbasis pemodelan merupakan pendekatan yang banyak dikembangkan saat ini. Kerangka kerja dari pendekatan ini terdiri dari prediksi rating kriteria, pembelajaran fungsi agregasi, dan prediksi rating untuk satu item secara keseluruhan (rating overall). Akurasi masih menjadi permasalahan utama pada penelitian sistem rekomendasi. Akurasi dipengaruhi oleh ketersediaan data, sedangkan saat ini sparsity masih menjadi isu. Pada sistem rekomendasi multikriteria, tingkat sparsity menjadi semakin meningkat akibat dari ketidaklengkapan rating kriteria yang diberikan oleh pengguna. Hal inilah yang disebut sebagai partial preferences problem. Sejumlah penelitian mengusulkan penanganan partial preferences problem untuk meningkatkan kinerja sistem, diantaranya pendekatan berbasis aturan dan pemrosesan teks untuk memprediksi rating yang tidak lengkap. Namun pendekatan-pendekatan tersebut hanya memanfaatkan satu atribut, rating overall saja atau ulasan saja. Isu berikutnya adalah bagaimana membangun fungsi agregasi yang efektif untuk memodelkan relasi antara rating kriteria dengan rating overall. Sejumlah metode diusulkan untuk menyelesaikan masalah ini, seperti metode berbasis statistik ataupun machine learning, namun lingkup fungsi yang dihasilkan masih berlaku umum sehingga belum bisa menangkap preferensi personal dari pengguna. Terakhir, yang tidak kalah penting adalah penjelasan rekomendasi. Penjelasan pada level kriteria dapat disajikan secara langsung dalam bentuk kuantitatif ataupun secara tidak langsung dalam bentuk kalimat. Penjelasan dalam bentuk kalimat lebih mudah dipahami oleh pengguna. Namun pengembangan masih diperlukan terutama dari sisi kelengkapan dalam menjelaskan detail setiap kriteria. Oleh karena itu, permasalahan yang diajukan pada penelitian disertasi ini ii adalah (1) bagaimana meningkatkan kualitas rekomendasi pada sistem rekomendasi multikriteria melalui personalisasi fungsi agregasi dan penanganan partial preference problem dengan pelengkapan rating kriteria menggunakan pendekatan berbasis pemrosesan teks - multiatribut (yaitu ulasan dan rating overall) dan (2) bagaimana memetakan rating kriteria menjadi penjelasan rekomendasi level kriteria dalam bentuk kalimat dan meningkatkan kelengkapan dalam menjelaskan detail setiap kriteria. Permasalahan pertama berfokus pada peningkatan akurasi rekomendasi. Berdasarkan permasalahan tersebut, penelitian ini mengusulkan pelengkapan rating kriteria untuk known items menggunakan metode berbasis BERT dengan memanfaatkan ulasan dan rating overall (multiatribut) yang disebut MA-BERT- RA. Kinerja MA-BERT-RA mengungguli SA-BERT (Single-Attribute BERT) dengan peningkatan akurasi mencapai 2,21%. Selain itu, penelitian ini juga mengusulkan personalisasi fungsi agregasi berbasis NN (neural network) pada MCCF (multi-criteria collaborative filtering) yang disebut sebagai P-FFNN-MCCF dan P-DNN-MCCF untuk memprediksi rating overall dan rekomendasi dari unknown items. Kinerja P-FFNN-MCCF dan P-DNN-MCCF lebih unggul dibandingkan dengan metode baseline tanpa personalisasi, dengan rata-rata peningkatan ROC AUC sebesar 12%. Sedangkan untuk macro F1-score, terjadi peningkatan hingga 6% untuk rekomendasi item dengan likelihood sedang dan 12% untuk rekomendasi item dengan likelihood tinggi. Integrasi kedua metode (MA- BERT-RA x P-FFNN-MCCF) pada kondisi sistem rekomendasi yang sebenarnya, di mana terdapat ketidaklengkapan pada rating kriteria, menunjukkan peningkatan akurasi dalam memprediksi rating kriteria dan rekomendasi item. Permasalahan kedua berkenaan dengan penjelasan rekomendasi. Berdasarkan permasalahan tersebut, penelitian ini mengusulkan penjelasan rekomendasi berbasis aspek dalam lingkup kriteria menggunakan pendekatan template dengan perluasan aspek yang disebut TEMP-EXT. Berdasarkan hasil pengujian terbukti bahwa kinerja TEMP- EXT mengungguli metode baseline, baik dari sisi coverage maupun kualitas. Peningkatan kinerja coverage fitur, coverage kriteria, dan kualitas penjelasan rekomendasi secara berurutan mencapai 40%, 12%, dan 6%. Hasil-hasil ini menunjukkan bahwa usulan-usulan penelitian berpengaruh positif dan berpotensi untuk memperbaiki kinerja sistem rekomendasi multikriteria.