ANALISIS REKOMENDASI JUDUL FILM ANIME DENGAN METODE MATRIX FACTORIZATION DAN NEURAL COLLABORATIVE FILTERING ATTENTION BASED MECHANISM

RIZAL, MUHAMMAD (2024) ANALISIS REKOMENDASI JUDUL FILM ANIME DENGAN METODE MATRIX FACTORIZATION DAN NEURAL COLLABORATIVE FILTERING ATTENTION BASED MECHANISM. Other thesis, UPN Veteran Yogyakarta.

	Text SKRIPSI_FULL_MUHAMMAD RIZAL_123170036.pdf Restricted to Repository staff only Download (2MB)
	Text COVER.pdf Download (328kB)
	Text ABSTRAK.pdf Download (31kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (150kB)
	Text PENGESAHAN PENGUJI.pdf Download (132kB)
	Text DAFTAR ISI.pdf Download (181kB)
	Text DAFTAR PUSTAKA.pdf Download (180kB)

Abstract

Perkembangan teknologi informasi dan hiburan membawa implikasi besar terhadap
kebutuhan manusia dalam menentukan preferensi mereka dalam hal hiburan, terutama
dalam konteks film dan animasi. Dalam penelitian ini, kami menyelidiki metode
rekomendasi yang bertujuan untuk membantu pengguna mengatasi tantangan
informasi berlebihan yang disebabkan oleh meningkatnya produksi konten animasi
dan film. Sistem rekomendasi memiliki peran penting dalam menyaring informasi dan
menyajikan konten yang sesuai dengan preferensi pengguna. Kami membandingkan
dua pendekatan utama dalam sistem rekomendasi, yaitu Matrix Factorization (MF)
dan Neural Collaborative Filtering (NCF) dengan Attention Mechanism.
Pendekatan Matrix Factorization telah lama menjadi dasar dalam sistem rekomendasi
dengan memanfaatkan dekomposisi matriks untuk mengidentifikasi pola dalam
preferensi pengguna. Di sisi lain, Neural Collaborative Filtering (NCF)
mengintegrasikan kecerdasan buatan melalui jaringan saraf untuk memahami
preferensi pengguna secara lebih kompleks. Kami memperhatikan bagaimana kedua
metode ini menangani tantangan seperti cold-start dan data-sparsity, serta bagaimana
penggunaan Attention Mechanism dapat meningkatkan akurasi rekomendasi.
Penelitian kami menggunakan dataset dari sumber yang tersedia secara publik dan
mengimplementasikan metode-metode tersebut untuk merekomendasikan judul film
anime. Diharapkan penelitian ini dapat menghasilkan sistem rekomendasi yang lebih
baik dalam memenuhi preferensi pengguna dan memperluas pengalaman mereka
dalam menemukan konten hiburan yang sesuai.
Penelitian ini menghasilkan bahwa metode neural collaborative filtering mampu
memberikan hasil rekomendasi yang lebih baik dibandingkan singular value
decompostion (SVD). Hasil ini dibuktikan dengan tingkat error yang lebih rendah
dibandingkan dengan SVD. RMSE dan MAE pada Neural Collaborative Filtering
menghasilkan nilai sebesar 0.311 dan 0.126 sedangkan SVD menghasilkan nilai
sebesar 0.686 dan MAE sebesar 0.142 menunjukkan performa NCF(Neural
Collaborative Filtering) lebih baik dibandingkan dengan SVD (Singular Value
Decompostion).
Kata kunci : Machine Learning, Deep Learning, Sistem Rekomendasi, Neural
Collaborative Filtering, Singular Value Decomposition

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Machine Learning, Deep Learning, Sistem Rekomendasi, Neural Collaborative Filtering, Singular Value Decomposition
Subjects:	H Social Sciences > H Social Sciences (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	27 Jun 2024 07:18
Last Modified:	27 Jun 2024 07:18
URI:	http://eprints.upnyk.ac.id/id/eprint/39989

Actions (login required)

View Item