SISTEM REKOMENDASI METODE CONTENT-BASED FILTERING PADA ITEM PRODUK DI CASEME

Setiawan, Puji (2021) SISTEM REKOMENDASI METODE CONTENT-BASED FILTERING PADA ITEM PRODUK DI CASEME. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (812kB)
	Text (BAB I) BAB I.pdf Download (220kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (370kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (479kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (557kB)
	Text (BAB V) BAB V.pdf Download (73kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (88kB)
	Other (SOURCE CODE) SOURCE CODE - 17.11.1466-PUJI SETIAWAN - Puji Setiawan.rar Restricted to Repository staff only Download (5kB)
	Text (PUBLIKASI) PUBLIKASI - 17.11.1466-PUJI SETIAWAN - Puji Setiawan.pdf Restricted to Repository staff only Download (610kB)

Abstract

Banyaknya produk dalam sebuah e-commerce merupakan salah satu masalah bagi pangguna untuk memilih produk yang disukai. Untuk itu maka diperlukan sebuah sistem rekomendasi. Salah satu sistem rekomendasi yaitu dengan metode content-based filtering. Metode ini dapat memepermudah pengguna dalam melihat produk lain sesuai dengan kemiripan preferensi pengguna. Keuntungan sistem rekomendasi ini yaitu dapat mempengaruhi pengguna dalam memilih item produk tertentu. Peneliti melakukan penelitian tentang bagaimana membuat sistem rekomendasi dengan metode content-based filtering kemudian melakukan beberapa kombinasi metadata untuk mencari hasil yang optimal. Tahap pertama pembuatan metode content-based filtering adalah pengumpulan data. Kemudian data itu dibuat kombinasi beberapa field dengan nama metadata A dan metadata B. Metadata A berisi gabungan dari dua field yaitu nama dan deskripsi. Metadata B berisi gabungan dari tiga field yaitu nama, kategori dan deskripsi. Sebelum data diolah maka dilakukan preprocessing terlebih dahulu. Dalam preprocessing ini terdapat beberapa proses yaitu case folding, tokenisasi, filtering dan stemming. Data hasil preprocessing tersebut diubah menjadi vektor dan diberi pembobotan kata. Setelah data menjadi vector kemudian dicari nilai kemiripan tertinggi menggunakan algoritma cosine similarity. Data tersebut kemudian diurutkan dan diambil urutan 10 tertinggi sebagai hasil rekomendasi untuk pengguna. Untuk melihat apakah sistem ini bekerja dengan baik dilakukan evaluasi menggunakan metode confusion matrix. Dari hasil evaluasi didapatakan nilai rata-rata akurasi sebesar 90,4% untuk metadata A dan 67,6% metadata B. Akurasi lebih besar pada metadataA dikarenakan pada metadata B terdapat field deskripsi produk yang memiliki kesamaan antar kategori. Karena nilai metadata A lebih besar maka dari itu dapat disimpulkan bahwa kombinasi dari 2 field yaitu nama dan kategori hasilnya lebih baik untuk rekomendasi produk.

Actions (login required)

View Item