IMPLEMENTASI HYBRID RECOMMENDER SYSTEM UNTUK OPTIMALISASI REKOMENDASI PADA E-KATALOG BUKU

ANGGANA, DEMAS ARVIN PURBA (2023) IMPLEMENTASI HYBRID RECOMMENDER SYSTEM UNTUK OPTIMALISASI REKOMENDASI PADA E-KATALOG BUKU. Other thesis, UPN "Veteran" Yogyakarta.

	Text ABSTRAK.pdf Download (112kB)
	Text COVER.pdf Download (123kB)
	Text DAFTAR ISI.pdf Download (115kB)
	Text DAFTAR PUSTAKA.pdf Download (118kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (120kB)
	Text PENGESAHAN PENGUJI.pdf Download (125kB)
	Text SKRIPSI FULL_DEMAS ARVIN PURBA ANGGANA_123180171.pdf Restricted to Repository staff only Download (2MB)

Abstract

Meningkatnya jumlah buku yang beredar akan menyulitkan dalam menemukan sebuah
buku yang relevan sesuai dengan minat dan kebutuhan seseorang. Penggunaan sistem
rekomendasi dapat menjadi solusi permasalahan tersebut dengan menghasilkan rekomendasi
sesuai dengan preferensi atau kesukaan penggunanya. Ada beberapa metode sistem
rekomendasi yang dikenal, yaitu content based filtering, collaborative filtering dan hybrid.
Content based filtering dapat memberikan rekomendasi item tanpa adanya parameter rating,
namun content based filtering memiliki masalah utama yaitu dapat menghasilkan item
rekomendasi yang kurang beragam. Penggunaan collaborative filtering dapat memberikan
rekomendasi yang lebih beragam, tetapi metode ini masih memiliki kekurangan berupa cold
start yaitu tidak dapat menghasilkan rekomendasi dikarenakan tidak memiliki informasi yang
cukup tentang data rating dari suatu item. Pembuatan sistem rekomendasi memerlukan model
rekomendasi yang tepat karena selain akurasi, keberagam rekomendasi juga menentukan
kualitas dari sistem rekomendasi. Penggabungan metode content based filtering dan
collaborative filtering menjadi hybrid akan memberikan hasil rekomendasi yang baik dengan
memberikan daftar rekomendasi yang lebih beragam namun tetap sesuai dengan minat dan
kebutuhan dari user. Hal ini dikarenakan metode-metode yang digabungkan akan saling
mengatasi kekurangan dari metode satu sama lain.
Data yang digunakan penelitian ini adalah data “GoodBook10k” yang berisi 2 jenis data
yaitu data buku dan data rating. Model yang dibangun adalah model hybrid dengan
penggabungan dari model content based filtering dan collaborative filtering secara linear.
Sebelum model dibangun, data buku akan dilakukan proses preprocessing data berupa
modifikasi tabel, case folding, cleansing, tokenization, stopwords removal, dan stemming. Data
buku hasil preprocessing data kemudian digunakan untuk pembuatan model content based
filtering dengan cara menghitung bobot pada setiap term pada buku dengan TF-IDF dan
menghitung similaritas tiap buku dengan cosine similarity, sehingga nilai similaritas tertinggi
digunakan sebagai acuan dalam memberikan rekomendasi. Kemudian untuk data rating
digunakan untuk pembuatan model collaborative filtering dengan cara melakukan split data
dengan perbandingan 80% data latih dan 20% data uji lalu melakukan training model
menggunakan algoritma cosine similarity dan k-Nearest Neighbors (KNN) untuk mendapatkan
prediksi rating dari item sebagai acuan dalam memberikan rekomendasi. Lalu hasil
rekomendasi dari kedua model digabung menjadi model hybrid untuk dapat menghasilkan
rekomendasi akhir yang diterima pengguna.
Pengujian dilakukan dengan menggunakan Mean Absolute Error (MAE) untuk
mengukur tingkat error pada model dalam memprediksi rating, semakin kecil nilai yang
dihasilkan menunjukan model yang semakin baik dan menghasilkan parameter k paling optimal
yang digunakan pada model. Kemudian pengujian dengan Intra-list Similarity untuk mengukur
keberagaman yang dihasilkan oleh model, semakin kecil nilai yang dihasilkan maka
rekomendasi yang dihasilkan oleh model semakin beragam. Hasil penelitian menunjukan bahwa
nilai MAE terbaik pada k = 40 yaitu sebesar 0,682. Kemudian nilai Intra-list Similarity terbaik
ada pada top-10 rekomendasi model hybrid yaitu sebesar 0,532.
Kata Kunci : Buku, Sistem Rekomendasi, Hybrid

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Buku, Sistem Rekomendasi, Hybrid
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Apriliani Kusuma Wardhani
Date Deposited:	24 Aug 2023 03:03
Last Modified:	24 Aug 2023 03:03
URI:	http://eprints.upnyk.ac.id/id/eprint/37122

Actions (login required)

View Item