Yudith, Hanif Ardhiansyah (2023) KOLABRISET2021-IMPLEMENTASI SINGULAR VALUE DECOMPOSITION UNTUK MENCARI REKOMENDASI FILM PADA DATASET MOVIELENS. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (1MB) |
|
Text (BAB I)
BAB I.pdf Download (145kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (375kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (353kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (729kB) |
|
Text (BAB V)
BAB V.pdf Download (40kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (160kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Source Code - Hanif Ardhiansyah Yudith.zip Restricted to Repository staff only Download (7kB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (947kB) |
Abstract
Sistem rekomendasi merupakan salah satu hal terpenting saat ini untuk pelaku industri entah itu bidang hiburan maupun bisnis di era digital saat ini. Dalam membangun sistem rekomendasi, pelaku industri harus cermat dalam memilih algoritma yang digunakan supaya pada saat sistem dijalankan, pengguna justru merasa kecewa dan risih dengan rekomendasi yang diberikan karena tidak relevan. Banyak teknik yang dapat digunakan dalam membangun sistem rekomendasi, diantaranya adalah Collaborative Filtering dan Matrix Factorization. Meski Collaborative Filtering banyak dipakai dan memiliki kemampuan yang bagus, tidak menutup kemungkinan bahwa masih ada algoritma yang memiliki performa lebih bagus dan mampu menutupi kekurangan Collaborative Filtering. Singular Value Decomposition atau SVD merupakan salah satu dari banyak teknik Matrix Factorization yang mampu mengatasi hal tersebut. Penelitian ini membahas tentang bagaimana cara SVD bekerja serta bagaimana performanya sebagai sistem rekomendasi. Hasilnya, SVD mampu memberikan hasil akurasi yang bagus sebesar 0.9919, bahkan SVD mampu menandingi dan mengalahkan bebarapa algoritma sistem rekomendasi lainnya seperti KNN (K-Nearest Neighbour), NMF (Nonnegative Matrix Factorization) dan Slope One yang digambarkan secara visual pada penelitian ini.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Collaborative filtering, Matrix factorization, KNN, NMF, SVD, SlopeOne | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 003 Sistem-sistem 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer |
||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 10 Jul 2023 02:34 | ||
| Last Modified: | 14 Jul 2023 06:45 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/20233 |
Actions (login required)
 |
View Item |