EPrints Universitas Amikom YogyakartaDUAL VIEW CONTRASTIVE LEARNING DALAM SISTEM REKOMENDASI SEKUENSIAL MELALUI PENGGABUNGAN SASREC DAN GNNFaisa AdityaAthalahauthorSistem rekomendasi sekuensial merupakan pendekatan yang bertujuan memprediksi preferensi pengguna berdasarkan urutan interaksi historis. Meskipun telah banyak diterapkan, pendekatan ini masih menghadapi permasalahan utama berupa bias data, gangguan (noise) pada interaksi, serta tingkat sparsitas yang tinggi, sehingga menyulitkan model dalam mempelajari representasi pengguna secara akurat. Bias yang muncul akibat keberadaan false positive dan false negative samples pada proses augmentasi contrastive learning menyebabkan ketidakseimbangan ruang representasi dan berdampak pada penurunan kualitas rekomendasi, terutama pada skenario long-tail dan pengguna dengan interaksi terbatas. Penelitian ini mengusulkan kerangka kerja SimDCL-Parallel Dual-View, yang merupakan pengembangan dari Simple Debiased Contrastive Learning for Sequential Recommendation (SimDCL) dengan mengintegrasikan dua pandangan representasi secara paralel. Kerangka kerja ini memanfaatkan Transformer encoder untuk memodelkan konteks temporal urutan interaksi pengguna dan Graph Neural Network (GNN) untuk menangkap hubungan struktural antar-item dalam paradigma debiased contrastive learning. Metodologi penelitian meliputi pra-pemrosesan data dan pembentukan sekuens interaksi pengguna, pengodean paralel pada kedua encoder, penerapan augmentasi berbasis Gaussian noise dan optimisasi gradien, serta penggunaan fungsi objektif gabungan yang mengombinasikan cross-entropy loss untuk prediksi item berikutnya dengan contrastive loss guna menjaga konsistensi representasi. Eksperimen dilakukan pada dataset Steam, LFM1b-tracks, dan MovieLens-IM yang memiliki karakteristik sparsitas dan pola interaksi pengguna yang berbeda. Hasil pengujian menunjukkan bahwa kerangka kerja yang diusulkan mampu meningkatkan akurasi dan stabilitas representasi dibandingkan model sekuensial berbasis Transformer maupun GNN tunggal, serta memiliki ketahanan yang lebih baik terhadap noise dan data langka. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem rekomendasi sekuensial yang lebih akurat, robust, dan adaptif untuk berbagai platform digital000 Ilmu komputer, informasi dan pekerjaan umum2026-02-24Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.