IMPLEMENTASI TEKNIK CROSS DOMAIN PADA SISTEM REKOMENDASI

Amrullah, Muhammad Laska Adief (2022) IMPLEMENTASI TEKNIK CROSS DOMAIN PADA SISTEM REKOMENDASI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (510kB)
	Text (BAB I) BAB I.pdf Download (240kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (455kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (258kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (556kB)
	Text (BAB V) BAB V.pdf Download (69kB)
	Text (DAFTAR PUSTAKA) Datar Pustaka.pdf Restricted to Registered users only Download (142kB)
	Archive (SOURCE CODE) Source Code-18.61.0132-Muhammad Laska Adief Amrullah.rar Restricted to Repository staff only Download (37kB)
	Text (PUBLIKASI) Publikasi-18.61.0132-Muhammad Laska Adief Amrullah.pdf Restricted to Repository staff only Download (361kB)

Abstract

Sistem rekomendasi merupakan sebuah sistem yang memberikan saran atau rekomendasi pada sebuah item. Dengan memanfaatkan sumber data yang ada dan nantinya akan dilakukan analisis berdasarkan dari interaksi yang dilakukan oleh user, akan menghasilkan ketertarikan dan preferensi user yang menjadi indikator untuk prediksi pilihan bagi user lain. Collaborative Filtering merupakan salah satu metode sistem rekomendasi yang menggunakan data rating yang diberikan oleh user terhadap suatu item sebagai datanya. Dengan mengasumsikan jika preferensi penilaian user sama dengan user lainnya, maka kemungkinan akan setuju dengan item lainnya yang dimiliki user tersebut. Namun dalam teknik Collaborative Filtering memiliki kekurangan yaitu Cold Start Problem dan Sparsity Problem. Dengan mengimplementasikan teknik cross domain dimana menggunakan dua atau lebih domain sebagai data, dengan domain yang memiliki data lebih kaya digunakan sebagai source domain untuk meningkatkan akurasi rekomendasi pada target domain. Pada penelitian ini dengan mengimplementasikan teknik cross domain menggunakan dataset buku sebagai domain sumber dan dataset movie sebagai domain target dan menggunakan algoritma SVD dan NMF untuk membangun model sistem rekomendasi dapat meningkatkan tingkat akurasi pada sistem rekomendasi. Menggunakan cross validation pada algoritma SVD mendapatkan nilai RMSE = 1.0463 dan nilai MAE = 0.7771 dan NMF mendapatkan nilai RMSE = 1.2109 dan MAE = 0.9247. Jadi dapat disumpulkan bahwa algoritma SVD memiliki nilai akurasi lebih baik dari algoritma NMF.

Actions (login required)

View Item