PENERAPAN PENGGABUNGAN ALGORITMA KNN COLLABORATIVE FILTERING DAN SINGULAR VALUE DECOMPOSITION SECARA LINEAR HYBRID PADA SISTEM REKOMENDASI FILM

M. FADLI, M. FADLI (2023) PENERAPAN PENGGABUNGAN ALGORITMA KNN COLLABORATIVE FILTERING DAN SINGULAR VALUE DECOMPOSITION SECARA LINEAR HYBRID PADA SISTEM REKOMENDASI FILM. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text 123180038_M.Fadli_TugasAkhir_Full_.pdf Restricted to Repository staff only Download (4MB)
	Text 123180038_M.Fadli_Abstrak_.pdf Download (160kB)
	Text 123180038_M.Fadli_Cover_.pdf Download (115kB)
	Text 123180038_M.Fadli_Daftar_Isi.pdf Download (138kB)
	Text 123180038_M.Fadli_Daftar_Isi.pdf Download (138kB)
	Text 123180038_M.Fadli_Daftar_Pustaka_.pdf Download (145kB)
	Text 123180038_M.Fadli_Halaman_Pengesahan_.pdf Download (707kB)

Abstract

Kegiatan menonton film sudah menjadi kebiasaan masyarakat dalam mengisi
waktu luang. Sehingga beberapa situs layanan hiburan perfilman semakin berkembang
dikalangan masyarakat. Banyaknya peminat hiburan perfilman mengakibatkan peningkatan
perkembangan total film disetiap tahunnya, sehingga menyulitkan pengguna dalam
menentukan film yang ingin ditonton. Sistem rekomendasi bisa menjadi solusi dari
masalah tersebut, karena sistem rekomendasi merupakan salah satu jenis sistem yang
mampu memberi pendapat atau usulan dalam menentukan pilihan ketika adanya data yang
begitu besar atau banyak. Ada beberapa metode yang sering digunakan dalam sistem rekomendasi seperti
content-based filtering, colaborative filtering dan hybrid. Content-based filtering memiliki
kelemahan dimana bisa memberikan rekomendasi yang kurang beragam atau
overspecialization. Overspecialization dapat diatasi dengan metode Collaborative-filtering. Collaborative-filtering terbagi menjadi dua yaitu memory-based collaborative filtering dan
model-based collaborative filtering. Penggabungan kedua metode ini umumnya memiliki
peforma yang lebih baik dibanding dengan memory-based collaborative filtering murni
dan model-based collaborative filtering murni. Sehingga pada penelitian ini akan
menerapkan metode penggabungan secara linear hybrid antara memory-based
collaborative filtering yang menggunakan algoritma knn collaborative filtering dan model- based collaborative filtering yang menggunakan algoritma singular value decomposition
dengan tujuan mengetahui peforma rekomendasi yang dihasilkan. Data yang digunakan
adalah dataset movielens yang telah disaring berdasarkan jumlah rating pengguna yang
berkisar 150 sampai 200. Pengujian dilakukan dengan menghitung nilai MAE dan RMSE. Untuk mendapatkan hasil pengujian model terbaik, skenario yang akan dilakukan adalah
mengubah parameter pada setiap pengujian model. Parameter pengujian pada knn
collaborative filtering yang dicoba adalah menggunakan parameter K pada nilai 5, 10, 25, 50 dan 60. Pada singular value decomposition parameter yang dicoba adalah iterasi dengan
nilai 20, 25, 30 dan parameter k-feature dengan nilai 50, 100, 150. Sedangkan pada linear
hybrid akan menggunakan kombinasi penggabungan parameter knn collaborative filtering
dan parameter singular value decomposition. Hasil penelitian menunjukkan nilai pengujian terbaik pada penggabungan secara
linear hybrid berada pada parameter K=50, iterasi=25, k-feature=100 dengan MAE
sebesar 0.7416 dan RMSE sebesar 0.9354. Hasil ini lebih bagus dari pada hasil terbaik knn
collaborative filtering pada parameter K=50 yang memiliki MAE sebesar 0.7883 dan
RMSE sebesar 0.9968. Namun tidak lebih baik dari pada hasil terbaik singular value
decomposition parameter iterasi=20 dan k-feature=50 yang memiliki MAE sebesar 0.7331
dan RMSE sebesar 0.9314. Kata kunci : sistem rekomendasi, linear hybrid, knn collaborative filtering, singular value
decomposition

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	sistem rekomendasi, linear hybrid, knn collaborative filtering, singular value decomposition
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	14 Jul 2023 03:02
Last Modified:	14 Jul 2023 03:04
URI:	http://eprints.upnyk.ac.id/id/eprint/36437

Actions (login required)

View Item