Al Amin, Annas (2021) IMPLEMENTASI METODE HYBRID FILTERING PADA SISTEM REKOMENDASI UNTUK MENINGKATKAN KUALITAS REKOMENDASI. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (THESIS)
19.51.1276-AnnasAlAmin.pdf Download (3MB) |
Abstract
Sistem rekomendasi banyak digunakan pada platform website seperti ecommerce, marketplace, dan streaming film untuk menghasilkan rekomendasi item yang sesuai kepada setiap pengguna. Metode tradisional Collaborative Filtering (CF) berbasis memory dan Content Based Filtering (CBF) saat ini masih banyak digunakan dalam sistem rekomendasi. Metode CF bertumpu pada rating item pengguna terhadap item sebagai pendekatan dasar untuk menghitung kesamaan respon pengguna terhadap produk untuk memprediksi item yang akan direkomendasikan, sedangkan metode CBF memanfaatkan kesamaan data konten item sebagai dasar untuk menghasilkan rekomendasi item. Terdapat kelemahan pada metode CF berbasis memory yaitu error prediksi tinggi, sedangkan pada metode CBF hasil rekomendasi itemnya tidak personalized. Penelitian ini bertujuan untuk mereduksi error prediksi dari pendekatan CF berbasis memory dan mampu menghasilkan rekomendasi item yang personalized menggunakan metode Hybrid Filtering (HF) untuk meningkatkan kualitas sistem rekomendasi. Metode HF merupakan kombinasi dari pendekatan CF berbasis model Matrix Factorization dan CBF yang mampu mengurangi error prediksi untuk menghasilkan rekomendasi item yang akurat dan personalized. Metode yang diusulkan dievaluasi berdasarkan 2 kondisi yaitu data non sparsity dan sparsity menggunakan RMSE dan MAPE untuk mengukur error prediksi. Setelah evaluasi kedua kondisi selesai dilakukan, metode Hybrid CF mampu mereduksi error prediksi lebih kecil dibandingkan dengan CF berbasis memory dengan penurunan nilai RMSE 0,10, MAPE 5,57% pada kondisi pertama, penurunan nilai RMSE 0,11, MAPE 4,81% pada kondisi kedua, dan mampu memberikan rekomendasi item yang personalized. Berdasarkan hasil, pendekatan HF lebih baik daripada CF berbasis memory dan CBF.
| Item Type: | Thesis (S2 - Magister) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Recommender System, Hybrid Filtering, Matrix Factorization, Collaborative Filtering, Content Based Filtering. | ||
| Subjects: | 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 > 005 Pemrograman komputer, program dan data |
||
| Divisions: | Pascasarjana MTI > Magister Teknik Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 30 Jun 2022 03:04 | ||
| Last Modified: | 30 Jun 2022 03:04 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/3323 |
Actions (login required)
 |
View Item |