Safitri, Yuni (2024) OPTIMASI SISTEM REKOMENDASI ANIME DENGAN PENDEKATAN HYBRID YANG MENGGABUNGKAN CONTENT- BASED FILTERING DAN COLLABORATIVE FILTERING. Diploma thesis, UPN Veteran Yogyakarta.
![[thumbnail of 1. Skrispi Fulltext_123200088_Yuni Safitri.pdf]](http://eprints.upnyk.ac.id/style/images/fileicons/text.png) |
Text
1. Skrispi Fulltext_123200088_Yuni Safitri.pdf Restricted to Repository staff only Download (3MB) |
|
Text
2. Cover_123200088_Yuni Safitri.pdf Download (130kB) |
|
Text
2. Cover_123200088_Yuni Safitri.pdf Download (130kB) |
|
Text
3. Abstrak_123200088_Yuni Safitri.pdf Download (139kB) |
|
Text
4. Lembar Pengesahan Pembimbing_123200088_Yuni Safitri.pdf Download (238kB) |
|
Text
5. Lembar Pengesahan Penguji_123200088_Yuni Safitri.pdf Download (215kB) |
|
Text
6. Daftar Isi_123200088_Yuni Safitri.pdf Download (162kB) |
|
Text
7. Daftar Pustaka_123200088_Yuni Safitri.pdf Download (43kB) |
Abstract
Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi anime dengan
pendekatan hybrid yang menggabungkan metode content-based filtering dan collaborative
filtering untuk menghasilkan rekomendasi yang optimal dan relevan. Dataset yang
digunakan diperoleh dari situs Kaggle. Proses pengembangan sistem melibatkan
preprocessing data seperti modifikasi tabel, case folding, cleansing, tokenization, stopwords
removal, dan stemming. Dalam metode hybrid yang diusulkan, content-based filtering
menggunakan algoritma TF-IDF dan cosine similarity untuk menganalisis kesamaan antar
item, sementara collaborative filtering memanfaatkan algoritma K-Nearest Neighbor (KNN)
untuk menghitung kesamaan antar pengguna berdasarkan rating. Hasil pengujian
menunjukkan bahwa sistem rekomendasi dengan pendekatan hybrid berhasil mengatasi
masalah cold start dan overspecialization yang sering terjadi pada metode content-based dan
collaborative filtering secara terpisah. Evaluasi kinerja sistem menggunakan metrik Mean
Absolute Error (MAE) menunjukkan nilai terendah pada model hybrid dengan MAE sebesar
0.417. Selain itu, metrik intra-list similarity (ILS) digunakan untuk mengukur diversitas
rekomendasi, yang menunjukkan bahwa metode hybrid memberikan variasi rekomendasi
yang lebih baik dibandingkan metode content-based filtering. Penelitian ini memberikan
kontribusi signifikan dalam pengembangan sistem rekomendasi yang lebih adaptif dan
optimal, terutama dalam konteks anime, dengan memanfaatkan kekuatan dari kedua metode
rekomendasi dan mengurangi kelemahan yang ada.
Kata Kunci: sistem rekomendasi, hybrid filtering, content-based filtering, collaborative
filtering, anime.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | sistem rekomendasi, hybrid filtering, content-based filtering, collaborative filtering, anime. |
| Subjects: | Q Science > Q Science (General) |
| Divisions: | Faculty of Engineering, Science and Mathematics > School of Engineering Sciences |
| Depositing User: | Eny Suparny |
| Date Deposited: | 01 Oct 2024 02:57 |
| Last Modified: | 01 Oct 2024 02:57 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/41367 |
Actions (login required)
 |
View Item |