IMPLEMENTASI MARKOV CHAINS DENGAN AGGLOMERATIVE HIERARCHICAL CLUSTERING UNTUK REKOMENDASI BERBASIS WEB

Collaborative Filtering merupakan metode yang banyak digunakan untuk sistem rekomendasi. Namun, memiliki kelemahan akurasi dari hasilnya dikhawatirkan ketika kekosongan data rating yang masif (sparsity) dan cold-start user. Selain keakurasian prediksi, Collaborative Filtering kurang efektif dalam menangani skalabilitas. Salah satu metode untuk memperbaiki permasalahan sparsity menggunakan Markov Chains. Untuk meningkatkan keakurasian prediksi digunakan faktorisasi matriks dengan transisi matriks berdasarkan urutan kejadian. Dalam menangani cold-start user dan skalabilitas, Markov Chains dipadukan dengan metode Agglomerative Hierarchical Clustering. Agglomerative Hierarchical Clustering memiliki validasi yang optimal dalam penentuan jumlah cluster. Untuk penentuan hasil rekomendasi terhadap cluster diperoleh data berdasarkan prediksi pendekatan Markov Chains. Prediksi tersebut digunakan untuk sparsity dan cold-start user, selanjutnya berdasarkan data prediksi tersebut dilakukan clustering untuk menghasilkan cluster yang membentuk hierarki sehingga mempercepat pengolahan data yang akan digunakan dalam menghasilkan rekomendasi. Hasil dari penelitian ini adalah website rekomendasi penjualan T-Shirt Pria menerapkan Markov Chains dengan Agglomerative Hierarchical Clustering. Hasil dari pengujian menunjukkan bahwa sparsity dan cold-start user dengan Markov Chains memiliki MAE lebih kecil dibandingkan Collaborative Filtering dan meningkatnya skalabilitas menyebabkan kurangnya kecepatan pengolah data dalam pembentukan cluster, namun memiliki validasi cukup optimal dalam pengelompokkan item terhadap cluster berdasarkan Agglomerative Hierarchical Clustering.