DUAL VIEW CONTRASTIVE LEARNING DALAM SISTEM REKOMENDASI SEKUENSIAL MELALUI PENGGABUNGAN SASREC DAN GNN

Athalah, Faisa Aditya (2026) DUAL VIEW CONTRASTIVE LEARNING DALAM SISTEM REKOMENDASI SEKUENSIAL MELALUI PENGGABUNGAN SASREC DAN GNN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (568kB)
	Text (BAB I) BAB I.pdf - Published Version Download (239kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (802kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (606kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (272kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (58kB)
	Text (PUBLIKASI) Surat Pernyataan Publish di Luar.pdf - Published Version Restricted to Repository staff only Download (200kB)

Abstract

Sistem 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 digital

Actions (login required)

View Item