PEMODELAN COLLABORATIVE FILTERING MENGGUNAKAN NAIVE BAYES PADA DATASET MOVIELENS

Kurniawan, Rahmat (2021) PEMODELAN COLLABORATIVE FILTERING MENGGUNAKAN NAIVE BAYES PADA DATASET MOVIELENS. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (676kB)
	Text (BAB I) BAB I.pdf Download (222kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (718kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (1MB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (680kB)
	Text (BAB V) BAB V.pdf Download (35kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (73kB)
	Archive (SOURCE CODE) Source Code-19.22.2232-Rahmat Kurniawan - Rahmat Kurniawan.zip Restricted to Repository staff only Download (100MB)
	Text (PUBLIKASI) Publikasi-19.22.2232-Rahmat Kurniawan - Rahmat Kurniawan.pdf Restricted to Repository staff only Download (837kB)

Abstract

Sistem rekomendasi sebagai salah satu alat yang banyak digunakan di beberapa situs e-commerce, market place, maupun entertainment kini telah banyak mengadopsi metode-metode dalam sistem pakar dan model-model matriks faktorisasi dalam disiplin ilmu matematika dalam segi pengembangannya, sehingga hasil yang didapat dalam proses pembuatan sistem rekomendasi itu sendiri dapat lebih optimal dengan mengurangi informasi yang berlebih bagi pengguna dalam web. Secara garis besar ada dua pendekatan yang dapat dilakukan selama proses pengembangan sistem rekomendasi itu sendiri, yakni memory-based dimana hasil rekomendasinya tidak begitu akurat namun mudah dijelaskan, dan model-based dimana hasil rekomendasinya lebih akurat namun sulit untuk dipahami. Penulis mengajukan pemodelan collaborative filtering dengan menggunakan naive bayes pada algoritmanya dalam proses pengembangan sistem rekomendasi yang dapat merekomendasikan item dengan menggunakan keserupaan informasi user dan item yang ada berdasarkan data tertentu. Pada penelitian ini penulis menggunakan dataset pada MovieLens yang dikumpulkan oleh tim GroupLens Research Project dari Universitas Minnesota, Amerika Serikat. Data didapat dari laman resmi MovieLens dan dikumpulkan selama periode 7 bulan dari 19 September 1997 hingga 22 April 1998. Dan penulis menggunakan MSE(Mean Squared Error) untuk pengujiannya. Adapun hasil yang didapat dari penelitian ini adalah bahwa metode pendekatan berbasis item collaborative filtering dapat diterapkan pada aplikasi sistem rekomendasi MovieLens, hasil yang didapat dari pengujian dinilai kurang akurat menggunakan MSE karena hasil prediksi masih diatas 1, setelah dihitung dengan jumlah neighbor yang berbeda prediksi rating dinilai cukup dengan ratarata akurasi 53,8%, dan kurang akuratnya hasil dari penelitian setidaknya dikarenakan sedikitnya jumlah keragaman data (sparsity) yang digunakan sehingga sistem menampilkan hasil yang kurang akurat.

Actions (login required)

View Item