IMPLEMENTASI FAST ELEMENT-WISE ALTERNATING LEAST SQUARES (eALS) PADA SISTEM REKOMENDASI MUSIK BERBASIS WEB

Sebagai bentuk respons terhadap perkembangan pengguna internet, pengembangan sistem rekomendasi sebagai bagian fitur telah menjadi standar bagi sejumlah situs besar dalam menyediakan jasa penjualan, unduhan, sampai layanan streaming musik. Collaborative Filtering (CF) merupakan metode yang paling umum digunakan dalam memprediksi rating pada sistem rekomendasi. Akurasi CF dalam memprediksi menjadi kurang ketika dalam proses penerapannya menemui sejumlah tantangan, seperti kekosongan data rating dalam skala besar (sparsity). Adapun metode yang mampu mengatasi tantangan tersebut adalah Matrix Factorization (MF). Namun kejanggalan dari sejumlah model MF ditemukan ketika dalam mengatasi permasalahan sparsity , sebuah nilai bobot yang seragam diinisialisasikan untuk setiap item yang belum diberi rating sehingga efektivitas keluarannya menjadi diragukan. Fast element-wise Alternating Least Squares (eALS) mengatasi permasalahan sparsity yang ada pada beberapa model MF. eALS bekerja dengan menetapkan nilai bobot yang dinamis untuk setiap item yang belum di rating berdasarkan sejumlah data popularitas item dalam sebuah koleksi data. Hasil pengujian menunjukkan bahwa semakin besar nilai parameter K dan T maka semakin rendah nilai MAE yang dihasilkan. Serta metode eALS dapat menyelesaikan permasalah sparsity yang dibuktikan dengan direkomendasikannya item yang belum pernah di rating.