Pengembangan Algoritma Skyline Query untuk Rekomendasi Kuliner Lokal Berbasis Preferensi Individual pada Data Streaming

Abstract

Inovasi utama penelitian ini adalah pengembangan Distributed Data Skyline (DDSky), sebuah algoritma skyline query paralel yang mengintegrasikan model preferensi individual pengguna yang bersifat dinamis dalam konteks data streaming. DDSky memanfaatkan model RFMRT (recency, frequency, monetary, rating) yang dirancang untuk menangkap perubahan preferensi pengguna secara real-time berbasis data transaksi aktual. Pendekatan ini memungkinkan sistem rekomendasi menghasilkan saran yang lebih relevan, personal, dan adaptif dibandingkan metode statis konvensional, sekaligus mampu memproses aliran data berskala besar secara efisien melalui arsitektur distributed parallel model (DPM). Integrasi ini memberikan kontribusi signifikan pada pengembangan sistem rekomendasi real-time berbasis skyline query yang responsif terhadap dinamika preferensi pengguna. Penelitian ini berangkat dari permasalahan utama bagaimana mengembangkan sistem rekomendasi kuliner lokal yang mampu memberikan saran yang relevan dan personal kepada pengguna dengan preferensi yang terus berubah dalam lingkungan data streaming. Pertanyaan penelitian yang ingin dijawab adalah: 1) Bagaimana cara mengembangkan model preferensi individual pengguna yang bersifat dinamis, dengan memanfaatkan data riwayat transaksi pengguna? 2) Apa pendekatan yang tepat untuk mengembangkan algoritma skyline query paralel yang mempertimbangkan preferensi individual pengguna yang dinamis dalam konteks pemrosesan data streaming? 3) Bagaimana implementasi dan evaluasi algoritma skyline query paralel yang dikembangkan? 4) Bagaimana menganalisis trade-off antara akurasi rekomendasi dan efisiensi algoritma? Tujuan utama penelitian ini adalah mengembangkan algoritma skyline query dengan pemrosesan paralel pada data streaming untuk menghasilkan rekomendasi yang disesuaikan dengan preferensi individual pengguna yang dinamis. Secara spesifik, penelitian ini bertujuan untuk: (1) membangun model preferensi individual berbasis data riwayat transaksi; (2) merancang algoritma skyline query paralel yang mempertimbangkan dinamika preferensi pengguna, selanjutnya diberi nama Distributed data skyline (DDSky); (3) mengimplementasikan serta mengevaluasi efektivitas algoritma tersebut; (4) Menganalisis trade-off antara relevansi rekomendasi dan efisiensi algoritma DDSky. Penelitian ini, menggunakan pendekatan kuantitatif dengan beberapa tahapan utama. Pertama, data dikumpulkan dari aplikasi Jajanan Aplikasi Nusantara Pintar (JALITA), mencakup transaksi dan profil pengguna dari 22 wilayah, 519 menu, dan 72 pengguna. Kedua, model preferensi RFMRT (recency, frequency, monetary, rating) dikembangkan dan dinormalisasi dengan min-max untuk menghasilkan nilai preferensi individual. Ketiga, algoritma DDSky dirancang menggunakan arsitektur distributed parallel model (DPM). Arsitektur DPM terdiri dari tiga komponen utama, yaitu: (a) Monitor node untuk menerima dan membagi data menggunakan Kafka dan UserID Hashing; (b) Partition node sebagai thread yang mengelola sliding-window, menghitung skor RFMRT, dan menjalankan skyline query lokal berbasis Block nested loop (BNL); serta (c) Query node untuk mengagregasi hasil skyline lokal menjadi rekomendasi global secara real-time. Keempat, algoritma Paralel distributed skyline (PDSky) digunakan sebagai baseline pembanding, dengan arsitektur DPM dan multi-threading namun hanya memproses atribut statis. Kelima, kinerja DDSky dibandingkan dengan PDSky menggunakan dua metrik: (a) akurasi rekomendasi yang diukur dengan Offline Click through rate (CTR), dan (b) efisiensi pemrosesan yang diukur dengan throughput berdasarkan jumlah thread. Analisis kompleksitas waktu turut dilakukan untuk keseluruhan proses dalam DDSky. Hasil utama menunjukkan bahwa algoritma DDSky mencapai rata-rata akurasi rekomendasi (Offline CTR) sebesar 84,81%, jauh lebih tinggi dibandingkan PDSky yang hanya mencapai 29,52%. Temuan ini menunjukkan bahwa integrasi model preferensi individual yang dinamis (RFMRT) dalam proses skyline query mampu meningkatkan relevansi dan personalisasi hasil rekomendasi secara signifikan. Namun, dari sisi efisiensi pemrosesan, throughput DDSky berada di kisaran 320–365 record per detik, lebih rendah dibandingkan PDSky yang dapat mencapai hingga 1.031,63 record per detik. Perbedaan ini menunjukkan adanya trade-off antara peningkatan akurasi rekomendasi dan biaya komputasi tambahan yang diperlukan untuk menghitung nilai preferensi RFMRT dan memproses dimensi preferensi yang lebih kompleks dalam skyline query secara paralel. Selain itu, kompleksitas waktu algoritma DDSky secara keseluruhan juga lebih tinggi karena mencakup seluruh proses penilaian preferensi, evaluasi dominasi antar objek, dan agregasi skyline secara paralel dari banyak partisi data. Meskipun demikian, DDSky menunjukkan konsistensi performa dalam berbagai konfigurasi jumlah thread, yang mengindikasikan stabilitas sistem dalam menangani data streaming berskala besar. Oleh karena itu, meskipun DDSky memiliki beban komputasi yang lebih tinggi, peningkatan akurasi yang signifikan menjadikannya pendekatan yang layak untuk sistem rekomendasi yang memprioritaskan personalisasi dan adaptivitas terhadap preferensi pengguna yang dinamis. Kebaruan utama dalam penelitian ini terletak pada integrasi antara pengembangan model preferensi individual yang bersifat dinamis dengan perancangan algoritma skyline query yang adaptif dalam konteks data streaming. Penelitian ini secara khusus mengusulkan model RFMRT yang memanfaatkan data transaksi aktual dan penilaian pengguna untuk merepresentasikan perubahan preferensi secara real-time, sehingga lebih akurat dibandingkan pendekatan statis konvensional. Berdasarkan model tersebut, dirancang algoritma skyline query paralel yang tidak hanya efisien secara komputasi untuk mengelola aliran data berskala besar, tetapi juga adaptif karena mampu menyesuaikan hasil rekomendasi dengan perubahan preferensi yang terus berlangsung. Kemampuan adaptif ini muncul sebagai konsekuensi langsung dari penerapan model preferensi dinamis yang dikembangkan. Integrasi antara mekanisme preferensi individual dan pemrosesan skyline query menciptakan sistem rekomendasi yang tidak hanya unggul secara teknis, tetapi juga kontekstual dan personal. Kontribusi ini mendorong kemajuan signifikan dalam pengembangan sistem rekomendasi real-time berbasis skyline query di lingkungan data streaming yang terus berubah.