PENERAPAN SINGULAR VALUE DECOMPOSITION DAN COSINE SIMILARITY PADA SISTEM REKOMENDASI PRODUK E-COMMERCE

ABDURRAHMAN, IMAN (2024) PENERAPAN SINGULAR VALUE DECOMPOSITION DAN COSINE SIMILARITY PADA SISTEM REKOMENDASI PRODUK E-COMMERCE. Other thesis, UPN Veteran Yogyakarta.

	Text SKRIPSI_FULL_IMAN ABDURRAHMAN_123200167.pdf Restricted to Repository staff only Download (4MB)
	Text COVER_IMAN ABDURRAHMAN_123200167.pdf Download (447kB)
	Text ABSTRAK_IMAN ABDURRAHMAN_123200167.pdf Download (567kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (114kB)
	Text PENGESAHAN PENGUJI.pdf Download (125kB)
	Text DAFTAR ISI_IMAN ABDURRAHMAN_123200167.pdf Download (3MB)
	Text DAFTAR PUSTAKA_IMAN ABDURRAHMAN_123200167.pdf Download (527kB)

Abstract

Perkembangan era digital yang semakin modern menyebabkan terjadinya pergeseran
perilaku konsumen dari proses transaksi langsung yang tradisional melalui toko menjadi
belanja online dan salah satunya e-commerce. E-commerce mampu merubah perilaku
konsumsi dalam menentukan keputusan untuk membeli sebuah produk. Namun, karena
produk yang ditawarkan sangat banyak, terdapat suatu masalah, yaitu pengguna sulit
menemukan barang yang tepat sesuai dengan keinginan dengan cepat karena informasi yang
diberikan terlalu banyak. Masalah tersebut dapat ditangai dengan mengembangkan sistem
rekomendasi. Terdapat beberapa metode sistem rekomendasi, yaitu collaborative filtering,
content-based filtering, dan hybrid. Collaborative filtering memberikan rekomendasi
berdasarkan perilaku pengguna yang memiliki masalah cold start terjadi saat pengguna
belum memiliki banyak interaki antara pengguna dan produk sehingga rekomendasi yang
diberikan tidak akurat dan content-based filtering memberikan rekomendasi berdasarkan
kesamaan deskripsi produk yang memiliki masalah overspecialization terjadi karena hasil
rekomendasi bergantung pada kemiripan deskripsi produk. Metode hybrid penggabungan
metode collaborative filtering dan content-based filtering akan mengatasi kedua masalah
tersebut dan memberikan daftar rekomendasi yang lebih beragam dan sesuai dengan
pengguna.
Penelitian ini menggunakan data produk Amazon kategori all beauty, appliances, dan
luxury beauty dari bulan Mei 1996 sampai Oktober 2018. Data yang didapatkan akan
dilakukan preprocessing dahulu berupa modifikasi tabel, pembuatan dataset baru, dan data
splitting. Hasil preprocessing didapatkan tiga dataset yang digunakan untuk pembuatan
model. Data rating digunakan untuk metode collaborative filtering dengan algoritma
Singular Value Decomposition (SVD) untuk memprediksi rating dari produk, sedangkan
data deskripsi produk digunakan untuk metode content-based filtering dengan algoritma
Cosine Similarity. Metode hybrid yang dilakukan secara linear dengan menggabungkan hasil
dari kedua pelatihan model.
Pengujian pada penelitian ini menggunakan Mean Absolute Error (MAE) yang
digunakan untuk mengukur tingkat error dalam memprediksi rating pada metode
collaborative filtering. Hasil pengujian MAE terkecil pada kombinasi nilai k-features
sebesar 50 dan nilai epochs sebesar 30 yang menghasilkan nilai MAE sebesar 0.6514 pada
dataset rated 3, 0.4344 pada dataset rated 5, dan 0.3275 pada dataset rated 7. Kemudian
untuk mengukur keberagaman rekomendasi yang diberikan kepada pengguna dilakukan
pengujian intra-diversity, semakin kecil nilai pengujian yang dihasilkan artinya semakin
beragam rekomendasi yang diberikan. Hasil pengujian intra-diversity menunjukkan bahwa
metode hybrid memiliki nilai terkecil pada tiga dataset yang diujikan dengan nilai 0.7313
pada dataset rated 3, 0.8116 pada dataset rated 5, dan 0.8734 pada dataset rated 7.
Kata Kunci : E-commerce, sistem rekomendasi, hybrid, singular value decomposition

Item Type:	Thesis (Other)
Uncontrolled Keywords:	E-commerce, sistem rekomendasi, hybrid, singular value decomposition
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	26 Jul 2024 02:50
Last Modified:	26 Jul 2024 02:50
URI:	http://eprints.upnyk.ac.id/id/eprint/40462

Actions (login required)

View Item