ABSTRAK
MODEL SISTEM INFORMASI TOKO FILM DIGITAL DENGAN RECOMMENDER SYSTEM
Oleh MOHAMMAD KEMAL PASHA HIDAYAT NIM: 23504027
Perkembangan teknologi informasi sangat memengaruhi bisnis dan kultur masyarakat, tidak terkecuali di bidang musik dan film. Keberadaan internet dan teknologi kompresi audio dan video membuat industri terancam bangkrut karena masyarakat kini dengan mudah memperoleh dan mentransfer karya musik dan film secara ilegal di internet maupun di pasar gelap. Namun demikian, kondisi ini juga membuka peluang bagi industri teknologi informasi untuk menawarkan berbagai solusi, di mana salah satunya adalah penjualan film digital secara legal. Model bisnis ini mengusulkan agar pemasaran film dilakukan secara mudah dan murah, dengan menyediakan tempat pembelian sebanyakbanyaknya Teknologi informasi juga memungkinkan sebuah peluang teknik pemasaran baru yang disebut Recommender System, sebuah sistem yang memungkinkan masyarakat menerima rekomendasi dan informasi yang unik dan sesuai untuk setiap individu. Sistem ini memungkinkan penawaran film dilakukan dengan efisien dan tepat sasaran sehingga pada akhirnya peningkatan penjualan dapat tercapai. Penulisan ini menganalisis dan merancang secara teoretis keberadaan sebuah sistem penjualan film digital, termasuk Recommender System di dalamnya, yang dapat memenuhi kebutuhan baru industri tersebut. Kerangka kerja Zachman digunakan untuk menganalisis arsitektur sistem yang dibutuhkan, sementara perancangan dilakukan dengan kajian penerapan Recommender System. Secara teoretis studi ini menunjukkan bahwa sistem yang dibutuhkan dapat dibangun dan diaplikasikan, dan Recommender System dapat membantu penjualan. Namun hasil penerapan sistem masih perlu dikaji setelah sistem ini diterapkan secara nyata di tengah masyarakat. Penerapan Zachman Framework menghasilkan beberapa petunjuk mengenai apa yang harus dihasilkan dalam tahapan analisis dan desain, tetapi tanpa metodologi khusus sehingga prosesnya tidak berjalan secara terstruktur. Untuk kebutuhan industri di mana mekanisme dan proses pengerjaan harus jelas. Kerangka Kerja Zachman sebaiknya digabungkan dengan metodologi yang tersedia atau mengikuti best practice dalam industri. Percobaan pengembangan aplikasi Recommender System belum memberikan hasil yang optimum dengan running time yang terlalu lama untuk data rating sebanyak satu juta baris data. Selain membutuhkan algoritma yang efisien, Recommender System juga membutuhkan sumber daya sistem yang perlu dipertimbangkan.
Kata kunci: film digital, recommender system, zachman framework, arsitektur 1
ABSTRACT INFORMATION SYSTEM MODEL FOR DIGITAL MOVIE STORE USING RECOMMENDER SYSTEM
By: MOHAMMAD KEMAL PASHA HIDAYAT NIM: 23504027
Advancements in information technology have affected business and culture, including music and film business and culture. Internet and audio/video compression technology have made piracy grows faster and easier, and now the whole industry is facing a decline. On the other hand, this condition has also given opportunities for the information technology to offer solutions in the forms of new technologies and new business models. The business models should enable movies to be sold and marketed more efficiently and easily, and there should be more places for people to buy movies. Information technology also enables films to be marketed with the use of Recommender System, a system which can recommendate products uniquely to each individuals according to their own preferences. The system makes it possible for movies to be marketed efficiently to the right people so that the increase of sales can be expected. This thesis analyse and design the development of digital film selling system which includes the Recommender System. Zachman Frameworks is used to analyse the architecture enterprise of the required system. The study shows how such system is possible to build and that Recommender System can improve sales, although the studies should be continued after the implementation phase. The use of Zachman Frameworks has given directions to link between the business requirements and system information planning, although the lack of methodology and standards has made the process to be done in unstructured steps. To be used in an industry where the planning process and mechanisms has to be defined in details, Zachman Frameworks should be combined with available methodologies to meet the industry’s standards and best practices. The algorithm of the Recommender System made in this thesis has not met the desireable optimum permformance and hence need an improvement.It should be noted that the use of Recommender System in a store system would require some system resources that has to be considered.
Keywords: digital movies, recommender system, zachman framework, architecture
i
1
Model Sistem Informasi Toko Film Digital Dengan Recommender System Mohammad Kemal P. Hidayat,
[email protected] Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Abstrak—Perkembangan teknologi informasi seperti internet dan teknologi kompresi audio/video ternyata membawa dampak negatif bagi industri musik dan film karena semakin mudahnya kini orang membajak dan saling bertukar karya-karya musik dan film dalam bentuk digital. Sebuah solusi binis bagi masalah ini tentu dengan menjual karya-karya film dan musik digital secara legal. Proses penjualan ini harus dibuat seefisien mungkin sehingga masyarakat mau membeli karya digital dengan berbagai kemudahan dan kepuasan. Salah satu teknologi informasi yang dapat dimanfaatkan untuk pemasaran adalah Recommender System, sebuah sistem yang memungkinkan calon pembeli mendapatkan rekomendasi yang unik dan sesuai untuk setiap individu. Dengan sistem penjualan yang efisien, dibantu dengan Recommender System, diharapkan penjualan karya film dapat meningkat dan pada akhirnya industri dapat terbantu. Index Terms—Recommender System, Toko Film Digital, Arsitektur Sistem Informasi
I. PENDAHULUAN
P
teknologi informasi sangat memengaruhi bisnis dan kultur masyarakat, tidak terkecuali di bidang musik dan film. Keberadaan internet dan teknologi kompresi audio dan video membuat industri terancam bangkrut karena masyarakat kini dengan mudah memperoleh dan mentransfer karya musik dan film secara ilegal di internet maupun di pasar gelap. Namun demikian, kondisi ini juga membuka peluang bagi industri teknologi informasi untuk menawarkan berbagai solusi, di mana salah satunya adalah penjualan film digital secara legal. Model bisnis ini mengusulkan agar pemasaran film dilakukan secara mudah dan murah, dengan menyediakan tempat pembelian sebanyak-banyaknya Teknologi informasi juga memungkinkan sebuah peluang teknik pemasaran baru yang disebut Recommender System, sebuah sistem yang memungkinkan masyarakat menerima rekomendasi dan informasi yang unik dan sesuai untuk setiap individu. Sistem ini memungkinkan penawaran film dilakukan dengan efisien dan tepat sasaran sehingga pada akhirnya peningkatan penjualan dapat tercapai Karya tulis ini dibuat untuk memodelkan sistem informasi penjualan film digital yang dapat dioperasikan di Indonesia, baik secara online maupun offline. Penjualan secara offline masih harus diperhitungkan di Indonesia karena berbagai ERKEMBANGAN
keterbatasan berkaitan dengan rendahnya penggunaan internet dan lemahnya infrastruktur internet di Indonesia.
II. LANDASAN TEORI A. Toko Film Digital Toko film dan musik digital adalah sebuah layanan yang menjual musik atau lagu dalam format digital. Dalam istilah umum, toko musik digital sering disebut sebagai digital music store atau digital music retailers, sementara hingga kini layanan toko film digital belum umum. Sampai saat ini kebanyakan toko musik dan film digital merupakan situs di internet yang menyediakan lagu dan film dalam bentuk digital. Bisnis ini muncul sebagai sebuah model bisnis baru setelah ditemukan teknik kompresi audio yang mampu memadatkan file audio/video dan teknologi internet yang memungkinkan yang telah terkompresi itu dapat dengan mudah dan cepat ditransfer. Beberapa pendahulu dalam bisnis film digital antara lain adalah iTunes Store, MovieLink, dan GoogleVideo. Sementara situs-situs yang menjual lagu digital sudah cukup marak namun belum ada di Indomesia. B. Recommender System Recommender System merupakan sebuah metode untuk memberikan rekomendasi dengan memprediksi nilai sebuah item bagi seorang pengguna dan kemudian mempresentasikan item dengan nilai prediksi tertinggi. Sistem ini awalnya merupakan metode penyaringan informasi atau information filtering, sebuah metode untuk menyaring informasi sebagai akibat dari terlalu banyaknya informasi di internet dan media. Karena kemampuannya untuk memprediksi nilai informasi bagi seseorang, beberapa peneliti seperti Patty Maes melihatnya sebagai sebuah peluang untuk membentuk sebuah sistem otomatisasi proses rekomendasi mulut-ke-mulut (automating word of mouth) [2]. Metode yang digunakannya disebut dengan collaborative (social) information filtering. Sistem ini kemudian dikenal sebagai Recommender System. Beberapa teknik penyaringan informasi ini akan dijelaskan secara singkat dalam bagian ini, di mana lebih dulu akan diungkapkan peluang penggunaan Recommender System dalam pemasaran. 1) Metode Penyaringan Informasi - Content-based filtering: penyaringan informasi berdasarkan isi atau atribut dari item. Pada film atribut
2
TABEL 1. DAFTAR DATA TOKO MUSIK DIGITAL
Gambar. 1. Diagram fungsional sistem informasi toko film digital
tersebut misalnya tahun pembuatan, aktor, sutradara, dan lain-lain. - Demographic filtering: menggeneralisasi minat pengguna dan mengklasifikasikan pengguna ke dalam stereotipe yang telah ditetapkan. Kelemahan metode ini adalah informasi yang diberikan tetap bersifat umum sesuai dengan kelas di mana pengguna tersebut digolongkan dan kurang mampu beradaptasi terhadap perubahan minat seseorang secara individual - Collaborative Filtering: memberikan informasi dan rekomendasi yang khusus untuk setiap pengguna berdasarkan kemiripan minat pengguna dengan pengguna lain. Ini adalah metode rekomendasi mulutke-mulut yang dimaksud. 2) Recommender System Dalam Pemasaran Dengan kemampuannya memprediksi informasi ang tepat bagi orang yang tepat, Recommender System tentu dapat membantu penjual untuk menawarkan produk yang tepat kepada orang yang tepat. Dalam hal ini Recommender System dapat mencapai sasaran pemasaran secara efektif sehingga penjualan dapat diharapkan meningkat. Beberapa perbandingan Recommender System dengan sistem pemasaran umum seperti marketing system dan supply-chain secisiion support system antara lain []: – Marketing System: Membantu pemasar dalam menentukan cara memasarkan produk ke konsumen, biasanya dengan mengelompokkan konsumen dalam segmen-segmen dan mengelompokkan produk dalam kategori-kategori yang sesuai dengan segmen konsumen tersebut. Kegiatan pemasaran lalu dilakukan dengan menawarkan setiap kategori-kategori produk kepada segmen-segman konsumen yang sesuai. Recommender System: Berinteraksi langsung dengan konsumen, dan secara langsung membantu konsumen mendapatkan produk yang sesuai. – Supply-chain Decision-support System: Membantu pemasar menentukan kuantitas produk yang diproduksi dan ke mana ia dikirimkan, dengan memperkirakan secara makro daya serap pasar terhadap suatu produk per satuan waktu (misalnya bulan). Recommender System: Menganalisis data dan memperkirakan produk apa yang akan dibeli seorang konsumen tertentu pada saat ini. Maka disimpulkan keuntungan-keuntunagn Recommender System dalam pemasaran antara lain:
No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12.
Nama Tabel Konsumen Karyawan Partner Film Rating Transaksi Artikel PIC Keuangan Promosi Cabang ItemBelanja
13. Perangkat
Primary Key CustomerID EmployeeID CompanyID FilmID TransactionID ArtikelNo PIC_ID ReportNo PromotionID BranchID
DeviceID
Deskripsi Tabel Data konsumen Data karyawan Perusahaan rekanan Data film Record pembelian dan rating konsumen Dara transaksi Artikel mengenai film Perwakilan dari rekanan Data laporan keuangan Data promosi Kantor cabang Item dari transaksi sekaligus catatan belanja kosumen Perangkat milik konsumen
Gambar. 2. Skema relasional data toko film digital
1. Mendorong peninjau menjadi pembeli: Recommender System dapat membantu konsumen untuk mendapatkan produk yang memang ingin dibelinya, sehingga kemungkinan terjadinya pembelian lebih besar. 2. Meningkatkan cross-sell: Berdasarkan produk yang sudah dibeli atau akan dibeli, Recommender System dapat menawarkan produk lainya. 3. Membangun loyalitas konsumen: kemampuan toko digital dalam mengenali keinginan konsumen merupakan nilai-lebih yang sangat tinggi bagi konsumen. Semakin sering ia menggunakan Recommender System, semakin baik sistem tersebut bekerja dan kian loyal konsumen itu kepada toko digital tersebut. Dalam pengembangan toko film digital, beberapa keuntungan lain yang ingin didapatkan dari Recommender System antara lain: 1. Menjual film yang tidak lagi populer. Tidak seperti penjualan biasa yang membutuhkan biaya penggandaan dan promosi, film-film lama bisa dijual dan ditawarkan berkat Recommender System.
3 TABEL 2 DATASET RECOMMENDER SYSTEM YANG DIGUNAKAN Tabel data User Movie Rating
Jumlah baris Isi 6040 UserID,Gender,Age,Occupation,Zipcode 3952 MovieID,Title,Genre 1000209 / 100.000 UserID,MovieID,Rating,TimeStamp
Gambar.3. Skema relasional dataset Recommender System yang digunakan dalam perancangan dan pengujian
2. Memberikan data pemasaran. Selain digunakan dalam penawaran secara pasif (menunggu konsumen menggunakan sistem), data dan hasil prediksi kesukaan pelanggan bisa digunakan untuk proses pemasaran aktif di mana pemasar secara aktif menawarkan dan merekomendasikan film melalui email. III. MODEL TOKO FILM DIGITAL . Toko film digital secara sederhana dapat dibangun berdasarkan perancangan fungsi-fungsi utama sistem informasi yang terdiri atas fungsi Inventory, Pendaftaran Pelanggan, Penawaran Film, Pembelian Film, Administrasi, Pemasaran, dan Business-to-Business. Dalam fungsi-fungsi yang tergambar pada Gambar 1, Recommender System dikelompokkan dalam fungsi Penawaran Film. Fungsi-fungsi ini berinteraksi dengan entitas-entitas bisnis sepeti Karyawan, Konsumen, Perusahaan Rekanan, Bank, Perangkat Konsumen, Data Film, dan bagian Manajemen pada kantor. Basis data dibangun menggunakan sistem basis data relasional dengan skema seperti pada Gambar 2, di mana setidaknya basis data tersebut terdiri atas 13 tabel: Konsumen, Karyawan, Partner, Film, Rating, Cabang, Transaksi, Atrtikel, PIC (Person-In-Charge), Keuangan, Promosi, ItemBelanja, Perangkat. Keterangan tabel-tabel datav tersebut dijelaskan dalam Tabel 1. Pemodelan bisa dilakukan mengikut berbagai bantuan metodologi dan kerangka kerja seperti TOGAF, Zazhman, BSP, dan lain-lain agar dihasilkan gambaran sistem yang terintegrasi dan komprehensif. Dalam penelitian, penulis menggunakan pedoman Kerangka Kerja Zachman dan Service Oriented Architecture. IV. PERANCANGAN RECOMMENDER SYSTEM Recommender System dicoba dirancang berdasarkan algoritma collanorative filtering dengan menggunakan rumusrumus korelasi Pearson. Algortima metode collaborative filtering ini secara umum bisa dibagi menjadi 3 bagian:
TABEL 3 HASIL PENGUJIAN RECOMMENDER SYSTEM No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
User 1 nmember = 20 nmember = 50 Item Prediksi Rating Item Prediksi Rating 318 4.4605 483 4.3307 318 4.3274 483 4.4595 302 4.3692 474 4.3112 474 4.3546 357 4.2623 357 4.3544 603 4.2025 603 4.3385 651 4.1482 651 4.3238 302 4.0994 4.0911 313 4.3111 484 655 4.3040 511 4.0757 427 4.2879 313 4.0729 4.0491 433 4.2827 427 527 4.2381 433 4.0467 276 4.2336 527 4.0251 484 4.2225 480 4.0244 654 4.2087 276 4.0193 423 4.1965 655 4.0048 298 4.1783 408 3.9949 518 4.1453 435 3.9858 3.9751 531 4.1434 479 428 4.1350 652 3.9720
User 444 nmember = 20 nmember = 50 Item Prediksi Rating Item Prediksi Rating 302 4.5640 174 4.3955 12 4.4309 127 4.3823 127 4.4042 302 4.3577 7 4.3960 181 4.3559 174 4.3902 64 4.2990 181 4.3695 98 4.2505 64 4.3464 12 4.2360 98 4.3234 285 4.1565 285 4.2676 172 4.1340 318 4.2519 173 4.1320 56 4.2372 483 4.1253 276 4.2208 7 4.1244 475 4.2038 56 4.1148 191 4.1960 191 4.1052 173 4.1721 176 4.1030 357 4.1596 183 4.1017 183 4.1563 318 4.1011 750 4.1511 357 4.0759 22 4.1437 22 4.0757 126 4.1415 14 4.0755
1. Membuat profil pengguna berdasarkan penilaian pengguna terhadap kumpulan item. 2. Menghitung kemiripan antar-pengguna, lalu kemudian bisa dipilih beberapa pengguna termirip dengan pengguna aktif yang akan diberi rekomendasi. Ini bisa dilakukan menggunakan korelasi Pearson. (Persamaan 1, [3]) 3. Menghitung prediksi nilai item untuk pengguna aktif. Persamaan 2 [3] merupakan korelasi Pearson untuk menghitung prediksi ini Rumus untuk menghitung koefisien korelasi Pearson ditunjukkan dalam Persamaan 1. wa,u adalah kemiripan seorang pengguna aktif dan seorang calon neighbor u. Koefisien ra,I merepresentasikan penilaian (rating) satu item, i milik seorang pengguna aktif, dan ru merupakan rata-rata semua rating pengguna u. σa adalah standar deviasi semua rating pengguna aktif, dan σu adalah standar deviasi semua rating calon neighbor. Setelah kumpulan tetangga (neighbor) dipilah, prediksi p untuk rating sebuah item dapat dihitung menggunakan Persamaan 2.
wa ,u
∑ =
pa ,i = ra
m i =1
(ra ,i − ra ) × (ru ,i − ru )
σ a ×σ u
∑ +
n
u =1
(ru ,i − ru ) × wa ,u
∑
n
(1)
(2)
w u =1 a ,u
Dataset untuk pengujian program Recommender System diambil dari GroupLens (movielens.org) yang memberikan sampel data film, profil pengguna, dan rating, dengan keterangan data pada Tabel 2 dan skema ralasional pada Gambar 3 Tabel 3 merupakan hasil perhitungan rekomendasi untuk User 1 dan User 444 dengan jumlah member 20 dan 50. Secara total User 1 telah menilai 272 film, dan User 444 telah menilai 24 dari 3883 judul film yang ada. Running ini dilakukan dengan 100.000 data rating. Maka ada dua hal yang mengemuka dari pengujian ini,
4 yaitu bahwa algoritma mungkin harus dibuat lebih optimal lagi, dan Recommender System membutuhkan resource yang besar, semakin lama dan semakin banyak jumlah itemnya. V. KESIMPULAN & SARAN Kesimpulan dari studi ini antara lain: 1. Jika dikumpulkan secara terpadu, kerangka Zachman dapat memberikan keterangan yang mendetil kepada semua pihak yang ingin mengetahui bagaimana sistem informasi tersebut bekerja secara keseluruhan. Namun kelemahan dari kerangka kerja Zachman adalah bahwa ia tidak memberikan metodologi dan langkah-langkah yang berurut sehingga hasil pengerjaannya kurang terstruktur atau terstandardisasi. 2. Berdasarkan skala penilaian E2A darii IFEAD, tingkat kematangan Arsitektur Enterprise yang dihasilkan dalam studi ini adalah 30,36%. Di mana nilai untuk aspek-aspek bisnis, informasi, sistem informasi, dan infrastruktur teknologi secara berturut-turut adalah 47,14%, 32,86%, 21,43%, dan 20,00%. Hasil ini menunjukkan beberapa perbaikan yang harus dilakukan untuk agar arsitektur enterprise yang dihasilkan sesuai dengan standar. 3. Recommender System dapat diaplikasikan sebagai salah satu teknologi yang mendukung pemasaran, di antaranya adalah untuk proses pemasaran bertarget. Ada tiga keuntungan teknologi ini yang sulit dicapai oleh metode pemasaran lain: a) produk yang ditawarkan memiliki probabilitas lebih besar untuk disukai oleh calon pembeli; b) pembeli terpuaskan karena menemukan produk yang memang disukai atau dibutuhkannya; dan c) film-film yang lama dan tidak populer juga memiliki peluang untuk terekomendasikan dan dibeli. Secara keseluruhan, Recommender System mampu meningkatkan penjualan. 5. Implementasi Recommender System dapat diintegrasikan ke dalam sistem toko film digital. Recommender System sejalan dengan tujuan dan karakteristik sebuah toko film digital. Yaitu produk yang dijual dalam bentuk digital, proses penjualan digital, dan nilai produk yang sangat subyektif. 6. Recommender System mempunyai masalah dengan terus membesarnya jumlah item yang dinilai dan membengkaknya jumlah data secara keseluruhan. Dengan spesifikasi komputer privbadi, data rating dengan satu juta baris data sulit dieksekusi karena seringkalio timeout terlalu lama. VI.2 Saran Saran dalam studi ini: 1. Untuk studi yang lebih baik, seharusnya sistem toko film digital dan Recommender System dibuat dan diuji coba dengan memperhatikan berbagai kendala teknis yang mungkin terjadi akibat banyaknya jumlah data. 3. Berdasarkan kriteria E2AF, arsitektur enterprise harus dilengkapi dan diperbaiki lagi untuk memenuhi standar yang telah ditetapkan. 4. Algoritma Recommender System yang telah dibuat masih perlu terus dikaji di dioptimalisasi agar bisa memberikan rekomendasi dengan cepat dan tidak terlalu membebani sistem
keseluruhan. 5. Pembangunan Recommender System pada toko film digital bisa dimulai sejak awal di mana setiap film dan album harus terlebih dahulu terdefinisi dengan unik dan secepatnya pengguna diminta mengisi rating film agar user profile mulai terbangun. 6. Studi mengenai toko film digital ini harus diperluas terutama menyangkut isu hak cipta dan copy protection. Ini merupakan isu utama dari penjualan secara digital, karena para pemasok mengkhawatirkan terjadinya pembajakan. Beberapa pemasok film masih mensyaratkan teknologi ini walaupun sudah mulai ada pemasok film yang memperbolehkan film mereka dijual tanpa copy-protection, karena terbuktu copy-protection tidak menghentikan pembajakan sama sekali.
REFERENSI [1] [2]
[3]
[4] [5]
Institute For Enterprise Architecture Development (IFEAD), www.enterprise-architect.info Maes, Patty and Shardanand U. Social Information Filtering: Algorithms for Automating "Word of Mouth’’, CHI’95 Proceedings Papers, MIT Media-lLab, 1995 Miller, Bradley N. Konstan and Riedl. PocketLens: Toward a Personal Recommender System, ACM Transaction on Information System, Vol. 22 No.3, July 2004. Movie rating datasets, www.grouplens.org Schafer, B.J, Konstan, Joseph A. Konstan, Riedl John, E-Commerce Recommendation Applications, GroupLens Research Project, Department of Computer Science and Engineering University of MinnesotaMinneapolis,
1
Information System Model For Digital Movie Store Using Recommender System Mohammad Kemal P. Hidayat,
[email protected] Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Abstrak— Advancements in information technology have affected business and culture, including music and film business and culture. Internet and audio/video compression technology have made piracy grows faster and easier, and now the whole industry is facing a decline. On the other hand, this condition has also given opportunities for the information technology to offer solutions in the forms of new technologies and new business models. The business models should enable movies to be sold and marketed more efficiently and easily, and there should be more places for people to buy movies. Information technology also enables films to be marketed with the use of Recommender System, a system which can recommendate products uniquely to each individuals according to their own preferences. The system makes it possible for movies to be marketed efficiently to the right people so that the increase of sales can be expected. Index Terms—Recommender System, Digital Movie Store, Informastion System Architecture
I. INTRODUCTIOBN
I
tehnology, as other technologies, changes the way people live and do businesss. It has also affected the movies and music culture and business. The internet and audio/video file compressing technology have made it possible for people to compress their audio/video files and share them over the internet. As a result, the music industry have now facing a decline, and it can also happen in film industry. In the other hands, this condition has also opened up opportunities for technology information to offer solutions, such as legally selling digital movies. Some new business models can be invented so that music and movies can be sold easily and economically. One way is to provide customer with many options of where to buy. A technology that can be used to efficiently market products such as movies and music is the Recommender System, a system that can give recommendations and information, uniquely to each customer according his/her profile. Using this technology, the right products can be recomended to the right people. The system is expected to run efficiently and effectively so that the increase of sales can be achieved. The paper is studying the information system models of a digital movie store with Recommender System that can be applied in Indonesia. NFORMATION
II. DIGITAL MOVIE STORE & RECOMMENDER SYSTEM A. Digital Movie Store Digital movie store is a service that sells movies in the digital forms, such as compressed video file. Some companies that has run the business are iTunes Store, MovieLink, and Google Video, all of them sells digital movies via the internet. The more common business is the digital music atore or the digital music retailers, which the market leader is also Itunes Store. B. Recommender System Recommendr Syste is a system that gives recommendations by predicting the value of an information, or an item, to a user. The highest predicted item values are then presented to the user as the recommendation The system is basically comes from the information filtering methods that are used to filter the informattion as one of the solutions of the information overload problems. Because it has the ability to predict a value of information to a person, researchers saw the opportunities to create the system which can automate the word-of-mouth process, a process that people do when they try to get a recommendation. One of the method that is used to create the system is the collaborative information filtering. Hence, the system is called the Recommender System. . 1) Information Filtering Methods - Content-based filtering: information filtering based on the content, property, or the atribute of the item. For example the atribute for the movies are production year, actors, director, etc. - Demographic filtering: generelise users interest and then classify users to the predefined groups of stereotypes. This method still not given information unique enaough that can meet every one’s own interests. - Collaborative Filtering: gives a specific and unique information and recommendation to every unique user based on the similarity in users’ interests of the items or informatuon. 2) Recommender System In Marketing With the ability to predict the right information for the the right person, Recommender System can be used to help
2 marketer offer the right product to the right people efficiently.
TABEL 1. DAFTAR DATA TOKO MUSIK DIGITAL
Gambar. 1. Diagram fungsional sistem informasi toko film digital
If the system can do it in very efficient ways, and effectively, the increase of sales can be achieved. The effects of Recommender System compared to common marketing system and supply chain system: – Marketing System: Helps the marketers to market products to consumer, by generalizing users to the segmented groups such as social-economics status. The products then marketed according to the segments. Recommender System: Interacted with consumer, and directly helping every unique customer to find the right products. – Supply-chain Decision-support System: Helping the marketer to determine the quantity of products to be made and where they have to be sent, usually by predicting the market saturation and acceptance of each products categories. Recommender System: Analyze the data and able to predict which product can be offered to which person, at the moment. Some of the positive affecrs of Recommender Systems are [5]: 1. Coverting browsers in to buyers, the chance of people found the desired products is higher 2. Increasing cross-sell Customers can be recommender to another products when he/she buys a product. 3. Buailding consumers’ loyalty, satisfied consumers will be loyal. The more they use the Recommender System, the better the system recognise their personal interests. Some other projected advantages : 1. It can help to market unpopular films 2. It can provide marketing information/ III. DIGITAL MOVIE STORE MODEL Digital movie store can be developed with at least some functions such as Inventory, Customer Registration, Film Offering/Searching,Transaction Process, Administrations, Marketing, and Business-to-Business. The database are developed using relational database system. The tabels and the scheme of the relations can be seen in Table I and Figure 2.
No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12.
Nama Tabel Konsumen Karyawan Partner Film Rating Transaksi Artikel PIC Keuangan Promosi Cabang ItemBelanja
13. Perangkat
Primary Key CustomerID EmployeeID CompanyID FilmID TransactionID ArtikelNo PIC_ID ReportNo PromotionID BranchID
DeviceID
Deskripsi Tabel Data konsumen Data karyawan Perusahaan rekanan Data film Record pembelian dan rating konsumen Dara transaksi Artikel mengenai film Perwakilan dari rekanan Data laporan keuangan Data promosi Kantor cabang Item dari transaksi sekaligus catatan belanja kosumen Perangkat milik konsumen
Gambar. 2. Skema relasional data toko film digital
The modeling of the system can be done with the guideance of architecture enterprise methodology and frameworks, such as Zachman Frameworks, TOGAF, BSP, and so on. The advantage of doing this is that the model will be more comprehensive and integrated. IV. PERANCANGAN RECOMMENDER SYSTEM Recommender System is developed using the collaborative information filtering methods and algorthms, using the Pearson correlations. The recommender system basically works in 3 steps: 1. Making user profile, in this case the user profile consists of the value of movies that the users have rated. 2. Compute the similarity of users. Using the formula such as the Pearson correlation, the similarity of users can be computed from the user rating. A group of most similar users to an active user can then be form. The group is
3 called closest neighbors. Where neighbors are the other TABEL 3 HASIL PENGUJIAN RECOMMENDER SYSTEM TABEL 2 DATASET RECOMMENDER SYSTEM YANG DIGUNAKAN Tabel data User Movie Rating
No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Jumlah baris Isi 6040 UserID,Gender,Age,Occupation,Zipcode 3952 MovieID,Title,Genre 1000209 / 100.000 UserID,MovieID,Rating,TimeStamp
User 1 nmember = 20 nmember = 50 Item Prediksi Rating Item Prediksi Rating 318 4.4605 483 4.3307 318 4.3274 483 4.4595 302 4.3692 474 4.3112 474 4.3546 357 4.2623 357 4.3544 603 4.2025 603 4.3385 651 4.1482 651 4.3238 302 4.0994 4.0911 313 4.3111 484 655 4.3040 511 4.0757 427 4.2879 313 4.0729 4.0491 433 4.2827 427 527 4.2381 433 4.0467 276 4.2336 527 4.0251 484 4.2225 480 4.0244 654 4.2087 276 4.0193 423 4.1965 655 4.0048 298 4.1783 408 3.9949 518 4.1453 435 3.9858 3.9751 531 4.1434 479 428 4.1350 652 3.9720
User 444 nmember = 20 nmember = 50 Item Prediksi Rating Item Prediksi Rating 302 4.5640 174 4.3955 12 4.4309 127 4.3823 127 4.4042 302 4.3577 7 4.3960 181 4.3559 174 4.3902 64 4.2990 181 4.3695 98 4.2505 64 4.3464 12 4.2360 98 4.3234 285 4.1565 285 4.2676 172 4.1340 318 4.2519 173 4.1320 56 4.2372 483 4.1253 276 4.2208 7 4.1244 475 4.2038 56 4.1148 191 4.1960 191 4.1052 173 4.1721 176 4.1030 357 4.1596 183 4.1017 183 4.1563 318 4.1011 750 4.1511 357 4.0759 22 4.1437 22 4.0757 126 4.1415 14 4.0755
Gambar.3. Skema relasional dataset Recommender System yang digunakan dalam perancangan dan pengujian
V. CONCLUSIONS 1. users. The formula for calculating a Pearson correlation coefficient is shown in Equation 1. 2. Predicting rating scores for the items the active users have not rated, and recommended the list of highests scored items. It is done using Equation 2. Equation 1 and Equation 2 is the formulas to calculate user similarities and item’s rating prediction. wa,u is the similarity of active user compared to a neighbor (other user) u. ra,I reprresents a rating of item i that is rated by the active user, dan ru is the average of all user u’s ratings.. σa and σu is the deviation standard of all user a’s and u’s After a neighborhood, consists of the closests or the most similar neighbors, is formed, the ratings of each items p can be predicted using Equation 2.
wa ,u
∑ =
pa ,i = ra
m i =1
(ra ,i − ra ) × (ru ,i − ru )
σ a ×σ u
∑ +
n
u =1
(ru ,i − ru ) × wa ,u
∑
n
u =1
(1)
The conclusions of the studies are: 1. Recommender system can be applied in Digital Movie Store System to help targeted marketing. The projected advantages of using Recommener System are: a) the recommender products have higher chanche to be sold; b) the buyers are satisfied because the hove found the desired items; c)old films can be offered and bought. Hopefully Recommender System can help to increase sales. 2. The Digital Movie Store model is developed using Zachman Framweorks, which gives a list of deliverances of models that is expected, but it does not gives clear guidelines or methodologies of what to do in developing the models. 3. With the bigger number of data, the Recommender System algorithm made in the studies is performing very slow. The algorithm should be rebuild so that it can perform more efficiently.
REFERENCE
(2)
wa ,u
The dataset that is used to develop and test the system is taken from the GroupLens (www.movielens.org). The sample consist of movies, users, and rating, as in Table 2. The relational data model is shown in Figure 3. Table 3 shows the results of recommender system computations for User 1 and User 444 with the neighbors members of 20 and 50. User 1 has rated 272 movies and User 444 has rated 24 movies. The number of rows of the Ratings table are 100.000.
[1] [2]
[3]
[4] [5]
Institute For Enterprise Architecture Development (IFEAD), www.enterprise-architect.info Maes, Patty and Shardanand U. Social Information Filtering: Algorithms for Automating "Word of Mouth’’, CHI’95 Proceedings Papers, MIT Media-lLab, 1995 Miller, Bradley N. Konstan and Riedl. PocketLens: Toward a Personal Recommender System, ACM Transaction on Information System, Vol. 22 No.3, July 2004. Movie rating datasets, www.grouplens.org Schafer, B.J, Konstan, Joseph A. Konstan, Riedl John, E-Commerce Recommendation Applications, GroupLens Research Project, Department of Computer Science and Engineering University of MinnesotaMinneapolis,
