Recommendation System
|
|
- Hendra Hengki Tan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 May 28, 2014
2 Introduction Recommenders vs Search Engines Kategori recommendation system Input recommendation system Collaborative Filtering Content-based Evaluasi recommendation system Masalah dalam recommendation system
3 Introduction Recommenders vs Search Engines Kategori recommendation system Input recommendation system Collaborative Filtering Content-based Evaluasi recommendation system Masalah dalam recommendation system
4 Introduction Apa recommendation system (sistem rekomendasi)? Contoh?
5 Introduction Apa recommendation system (sistem rekomendasi)? Contoh?
6 Introduction
7 Introduction
8 Recommender system Memberikan rekomendasi, biasanya barang, kepada orang (user) Misalnya :
9 Recommender system Memberikan rekomendasi, biasanya barang, kepada orang (user) Misalnya : Kamera digital mana yang harus saya beli?
10 Recommender system Memberikan rekomendasi, biasanya barang, kepada orang (user) Misalnya : Kamera digital mana yang harus saya beli? Akun twitter mana yang akan harus saya follow?
11 Recommender system Memberikan rekomendasi, biasanya barang, kepada orang (user) Misalnya : Kamera digital mana yang harus saya beli? Akun twitter mana yang akan harus saya follow? Universitas mana yang tepat bagi saya?
12 Recommender system Kegunaan recommender system : Mempersempit information overload
13 Recommender system Kegunaan recommender system : Mempersempit information overload Kegunaan bagi user : mendapatkan hal yang menarik, mempersempit pilihan, menemukan hal yang baru
14 Recommender system Kegunaan recommender system : Mempersempit information overload Kegunaan bagi user : mendapatkan hal yang menarik, mempersempit pilihan, menemukan hal yang baru Kegunaan bagi provider : memberikan rekomendasi yang lebih personal kepada user-nya, meningkatkan loyalitas user, meningkatkan pembelian, peluang untuk promosi, mendapatkan pengetahuan tentang user-nya
15 Introduction Recommenders vs Search Engines Kategori recommendation system Input recommendation system Collaborative Filtering Content-based Evaluasi recommendation system Masalah dalam recommendation system
16 Recommenders vs Search Engines Search engines bukan sebuah sistem rekomendasi
17 Recommenders vs Search Engines Search engines bukan sebuah sistem rekomendasi Query untuk mencari rekomendasi pada search engine menghasilkan kumpulan sistem rekomendasi
18 Recommenders vs Search Engines
19 Introduction Recommenders vs Search Engines Kategori recommendation system Input recommendation system Collaborative Filtering Content-based Evaluasi recommendation system Masalah dalam recommendation system
20 Kategori Content based filtering: Rekomendasikan buku yang sesuai dengan tipe buku yang saya suka. Biasanya menggunakan fitur barang.
21 Kategori Content based filtering: Rekomendasikan buku yang sesuai dengan tipe buku yang saya suka. Biasanya menggunakan fitur barang. Collaborative filtering: Rekomendasikan buku yang disukai oleh teman-teman saya. Menggunakan preferensi komunitas.
22 Kategori Content based filtering: Rekomendasikan buku yang sesuai dengan tipe buku yang saya suka. Biasanya menggunakan fitur barang. Collaborative filtering: Rekomendasikan buku yang disukai oleh teman-teman saya. Menggunakan preferensi komunitas. Hybrid: Kombinasi dari CF dan content-based
23 Introduction Recommenders vs Search Engines Kategori recommendation system Input recommendation system Collaborative Filtering Content-based Evaluasi recommendation system Masalah dalam recommendation system
24 Input (Vozalis & Margaritis, 2003) menyatakan input sistem rekomendasi ada tiga:
25 Input (Vozalis & Margaritis, 2003) menyatakan input sistem rekomendasi ada tiga: Demographic data : umur, jenis kelamin, dll
26 Input (Vozalis & Margaritis, 2003) menyatakan input sistem rekomendasi ada tiga: Demographic data : umur, jenis kelamin, dll Content data : analisis tekstual dari barang-barang yg pernah dibeli oleh user
27 Input (Vozalis & Margaritis, 2003) menyatakan input sistem rekomendasi ada tiga: Demographic data : umur, jenis kelamin, dll Content data : analisis tekstual dari barang-barang yg pernah dibeli oleh user Ratings : scalar, binary, unary. Selain itu ada juga rating implisit dan eksplisit.
28 Introduction Recommenders vs Search Engines Kategori recommendation system Input recommendation system Collaborative Filtering Content-based Evaluasi recommendation system Masalah dalam recommendation system
29 Collaborative Filtering wisdom of crowd
30 CF : Keuntungan (Melville et al., 2002) menyebutkan dua keuntungan CF:
31 CF : Keuntungan (Melville et al., 2002) menyebutkan dua keuntungan CF: bisa digunakan pada domains dimana di dalamnya terdapat content yangx tidak berhubungan dengan items
32 CF : Keuntungan (Melville et al., 2002) menyebutkan dua keuntungan CF: bisa digunakan pada domains dimana di dalamnya terdapat content yangx tidak berhubungan dengan items serendipitious recommendations
33 CF : Input Input dari CF : matriks user-item ratings
34 CF : Output Output dari CF : top-n list, prediksi rating score
35 CF : Metode Nearest Neighbour user-to-user
36 CF : Metode Nearest Neighbour user-to-user item-to-item
37 CF : User-to-user Terdapat sebuah matriks berisi rating. Kira-kira berapa rating Alice untuk item5?
38 CF User-to-user : Pearson correlation coefficient Bagaimana caranya mengukur kesamaan antar user? Solusi: Pearson correlation coefficient sim(a, b) = p P (r a,p r a )(r b,p r b ) p P (r a,p r a ) 2 p P (r b,p r b ) 2 Variables a, b: users P: items, yang sudah dirating oleh a dan b r a,p : rating dari user a untuk item p
39 CF User-to-user : Menentukan prediksi Weighted normalized adjusted average pred(a, b) = b N r a + sim(a, b) (r b,p r b ) sim(a, b) b N
40 CF User-to-user : Menentukan prediksi Lainnya : Simple average Weighted average
41 CF User-to-user : Menentukan prediksi Jika kita ambil 2-Nearest-Neighbour P Alice,item5 = = 3.5
42 CF : Item-to-item Memberikan prediksi berdasarkan kesamaan antar barang (items)
43 CF Item-to-item : Cosine similarity Kesamaan dihitung dengan cosine similarity (yang paling sering digunakan), dimana ratings dianggap sebagai vektor Cosine similarity sim( a, b ) = a. b a b
44 CF Item-to-item : Cosine similarity Opsi lain adalah adjusted cosine similarity yang menggunakan rata-rata ratings dari user untuk mengubah rating awal Adjusted Cosine similarity sim( a, b ) = u U (r u,a r u )(r u,b r u ) u U (r u,a r u ) 2 u U (r u,b r u ) 2 Variables U: satu set users yang sudah melakukan rating terhadap items a dan b
45 CF Item-to-item : Menentukan prediksi Prediction function pred(u, p) = i rateditems(u) sim(i, p) r u,i sim(i, p) i rateditem(u)
46 CF Item-to-item : Menentukan prediksi
47 Introduction Recommenders vs Search Engines Kategori recommendation system Input recommendation system Collaborative Filtering Content-based Evaluasi recommendation system Masalah dalam recommendation system
48 Content-based Membutuhkan informasi barang, tidak perlu informasi komunitas
49 Content-based Membutuhkan informasi barang, tidak perlu informasi komunitas Dibutuhkan : informasi tentangg konten barang informasi tentang apa yg disukai oleh user
50 Content-based Membutuhkan informasi barang, tidak perlu informasi komunitas Dibutuhkan : informasi tentangg konten barang informasi tentang apa yg disukai oleh user Biasanya dipakai untuk text-based, misalnya berita text classification
51 Content-based : Keuntungan Keuntungan dari content-based:
52 Content-based : Keuntungan Keuntungan dari content-based: komunitas tidak diperlukan
53 Content-based : Keuntungan Keuntungan dari content-based: komunitas tidak diperlukan lebih mudah daripada CF?
54 Content-based : tf-idf Karena merupakan text classification maka digunakan tf-idf dan classifiers klasik seperti Naive Bayes dan SVM
55 Introduction Recommenders vs Search Engines Kategori recommendation system Input recommendation system Collaborative Filtering Content-based Evaluasi recommendation system Masalah dalam recommendation system
56 Evaluasi Statistical accuracy metrics: Mean Absolute Error (MAE), Root Mean Squared Error (RMSE)
57 Evaluasi Statistical accuracy metrics: Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) Decision support accuracy: biasanya untuk data binary, menunjukkan kualitas dari barang yang direkomendasi : Precision, Recall, ROC
58 Introduction Recommenders vs Search Engines Kategori recommendation system Input recommendation system Collaborative Filtering Content-based Evaluasi recommendation system Masalah dalam recommendation system
59 Masalah dalam Data sparsity Solusi? SVD (Singular Value Decomposition)
60 Masalah dalam Data sparsity Solusi? SVD (Singular Value Decomposition) Cold start First rater problem
61 Masalah dalam Data sparsity Solusi? SVD (Singular Value Decomposition) Cold start First rater problem Shilling attacks Biased ratings
PENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan diterangkan teori-teori yang mendasari dari penelitian yang akan dilakukan oleh penulis yang diantaranya meliputi : UKM Wisata, Sistem Rekomendasi, Collaborative
Lebih terperinciKONSEP MULTICRITERIA COLLABORATIVE FILTERING UNTUK PERBAIKAN REKOMENDASI
KONSEP MULTICRITERIA COLLABORATIVE FILTERING UNTUK PERBAIKAN REKOMENDASI Wiranto 1), Edi Winarko 2) 1) Jurusan Teknik Informatika, Universitas Sebelas Maret E-mail : wir@uns.ac.id 2) Program Studi Ilmu
Lebih terperinciKONSEP MULTICRITERIA COLLABORATIVE FILTERING UNTUK PERBAIKAN REKOMENDASI
KONSEP MULTICRITERIA COLLABORATIVE FILTERING UNTUK PERBAIKAN REKOMENDASI Wiranto 1, Edi Winarko 2 1 Jurusan Teknik Informatika, Universitas Sebelas Maret 2 Program Studi Ilmu Komputer, Universitas Gajah
Lebih terperinciBAB II LANDASAN TEORI
II-1 BAB II LANDASAN TEORI 2.1 Pengertian Perpustakaan Defenisi Perpustakaan Menurut Undang-Undang Nomor 43 Tahun 2007 tentang perpustakaan, perpustakaan adalah institusi pengelola karya tulis, karya cetak,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Di dalam landasan teori ini, akan dibahas tentang teori teori dan konsep dasar yang mendukung pembahasan dari sistem yang akan dibuat. 2.1 Basis Data (Database) Basis data diperlukan
Lebih terperinciSistem Rekomendasi Bacaan Tugas Akhir Jurusan Teknik Informatika Universitas Sriwijaya menggunakan Metode Collaborative Filtering dan Naive Bayes
Sistem Rekomendasi Bacaan Tugas Akhir Jurusan Teknik Informatika Universitas Sriwijaya menggunakan Metode Collaborative Filtering Naive Bayes Riri Intan Aprilia 1 Teknik Informatika Fakultas Ilmu Komputer
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di jaman modern sekarang ini, pilihan tempat makan yang ada sangat banyak, berbagai fasilitas dan jenis makanan, dan harga yang ditawarkan Melihat dari jumlah tempat
Lebih terperinciDIGITAL CAKERY DENGAN ALGORITMA COLLABORATIVE FILTERING
DIGITAL CAKERY DENGAN ALGORITMA COLLABORATIVE FILTERING Yudhistira Adhitya Pratama, David Wijaya, Paulus, Arwin Halim STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 yudhistira@mikroskil.ac.id,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Perkembangan volume dan keragaman informasi yang tersedia di internet saat ini sangat pesat sehingga mendorong tumbuhnya media pemberitaan online.
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI SISTEM REKOMENDASI PENGAMBILAN MATA KULIAH PILIHAN MENGGUNAKAN METODE HYBRID
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2013 PERANCANGAN DAN IMPLEMENTASI SISTEM REKOMENDASI PENGAMBILAN MATA KULIAH PILIHAN MENGGUNAKAN METODE HYBRID Hafizh Herdi Naufal¹, Ade Romadhony², Ema Rachmawati³
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI Pada bab ini akan dibahas mengenai beberapa landasan teori yang digunakan untuk perancangan dan pembuatan aplikasi rekomendasi informasi yang bisa dijadikan sebagai acuan. 3.1 Media
Lebih terperinciAnalisis dan Implementasi Prediksi Rating pada Memory-based Collaborative Filtering dengan Menggunakan Smoothing
Analisis dan Implementasi Prediksi Rating pada Memory-based Collaborative Filtering dengan Menggunakan Smoothing Analysis and Implemantation Rating Prediction om memory-based Collaborative Filtering with
Lebih terperinciANALISIS DAN IMPLEMENTASI CLUSTER-SMOOTHED PADA COLLABORATIVE FILTERING ANALYSIS AND IMPLEMENTATION OF CLUSTER-SMOOTHED FOR
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6490 ANALISIS DAN IMPLEMENTASI CLUSTER-SMOOTHED PADA COLLABORATIVE FILTERING ANALYSIS AND IMPLEMENTATION OF CLUSTER-SMOOTHED
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Infrastruktur teknologi informasi dan komunikasi telah berkembang sangat cepat. Hal yang sama juga terjadi pada perangkat gadget yang memberikan banyak fitur dalam
Lebih terperinciANALISIS DAN IMPLEMENTASI METODE ITEM-BASED CLUSTERING HYBRID PADA RECOMMENDER SYSTEM
ANALISIS DAN IMPLEMENTASI METODE ITEM-BASED CLUSTERING HYBRID PADA RECOMMENDER SYSTEM Ramadhanuz A Djamal, Warih Maharani, dan Angelina Prima Kurniati Fakultas Informatika Institut Teknologi Telkom, Bandung
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN BAB 1. PENDAHULUAN 1.1 Latar Belakang Transaksi perdagangan merupakan salah satu kegiatan yang sering kita jumpai pada kehidupan sehari-hari. Transaksi perdagangan tidak hanya menggunakan
Lebih terperinciBAB III Landasan Teori
BAB III Landasan Teori 3.1 Sistem Rekomendasi Sistem rekomendasi merupakan suatu aplikasi untuk menyediakan dan merekomendasikan suatu item dalam membuat suatu keputusan yang diinginkan oleh pengguna (Ungkawa,
Lebih terperinciAnalisis dan Implementasi Imputation-Boosted Neighborhood-Based Collaborative Filtering Menggunakan Genre Film
Analisis dan Implementasi Imputation-Boosted Neighborhood-Based Collaborative Filtering Menggunakan Genre Film Analysis and Implementation of Imputation-Boosted Neighborhood-Based Collaborative Filtering
Lebih terperinciBAB I PENDAHULUAN. Penelitian seputar sistem rekomendasi dalam satu dekade terakhir ini
BAB I PENDAHULUAN 1.1. Latar Belakang Penelitian seputar sistem rekomendasi dalam satu dekade terakhir ini berkembang bang dengan pesat. Lebih dari 200 artikel penelitian yang membahas tentang sistem stem
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1 Sistem Rekomendasi Sistem rekomendasi telah banyak digunakan secara luas hampir di seluruh area bisnis. Salah satunya digunakan di bidang pariwisata yang digunakan untuk membuat
Lebih terperinciSISTEM REKOMENDASI PEMINJAMAN VCD DENGAN METODE ITEM BASED COLLABORATIVE FILTERING
SISTEM REKOMENDASI PEMINJAMAN VCD DENGAN METODE ITEM BASED COLLABORATIVE FILTERING Oleh ROBINSON GULTOM M0104054 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana
Lebih terperinciSISTEM REKOMENDASI PADA BUKU DENGAN MENGGUNAKAN TAGS AND LATENT FACTORS BOOK RECOMMENDATION SYSTEM USING TAGS AND LATENT FACTORS
SISTEM REKOMENDASI PADA BUKU DENGAN MENGGUNAKAN TAGS AND LATENT FACTORS BOOK RECOMMENDATION SYSTEM USING TAGS AND LATENT FACTORS Shendy Krishnamurty #1, Dade Nurjanah #2, Rita Rismala #3 #School of Computing,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1.1 Latar Belakang BAB I PENDAHULUAN Peningkatan jumlah dokumen ilmiah yang ada menimbulkan kebutuhan akan suatu sistem yang dapat memberikan rekomendasi dokumen ilmiah yang baik. Recommendation system
Lebih terperinciANALISIS PERBANDINGAN METODE PEARSON DAN SPEARMAN CORRELATION PADA RECOMMENDER SYSTEM
ANALISIS PERBANDINGAN METODE PEARSON DAN SPEARMAN CORRELATION PADA RECOMMENDER SYSTEM Rika Sania, Warih Maharani, dan Angelina Prima K Fakultas Informatika Institut Teknologi Telkom, Bandung ran_mour@yahoo.com,wrh@ittelkom.ac.id,apk@ittelkom.ac.id.
Lebih terperinciSistem Rekomendasi Film menggunakan Bisecting K-Means dan Collaborative Filtering
Sistem Rekomendasi Film menggunakan Bisecting K-Means dan Collaborative Filtering Arwin Halim 1, Hernawati Gohzali 2, Dita Maria Panjaitan 3, Ilham Maulana 4 1,2,3,4 Jurusan Teknik Informatika, STMIK Mikroskil,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Rekomendasi 2.1.1 Pengantar Sistem Rekomendasi Proses memberitahukan kepada seseorang atau lebih bahwa sesuatu yang dapat dipercaya, dapat juga merekomendasikan diartikan
Lebih terperinciRancang Bangun Movie Recommender System Dengan Metode Cluster-Based Smoothing Collaborative Filtering
Rancang Bangun Movie Recommender System Dengan Metode Cluster-Based Smoothing Collaborative Filtering Teguh Budianto 1, Luh Kesuma Wardhani 2 Jurusan Teknik Informatika, Universitas Islam Negeri Sultan
Lebih terperinciANALISIS DAN IMPLEMENTASI SISTEM REKOMENDASI MENGGUNAKAN MOST-FREQUENT ITEM DAN ASSOCIATION RULE TECHNIQUE
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.3 Desember 2015 Page 7757 ANALISIS DAN IMPLEMENTASI SISTEM REKOMENDASI MENGGUNAKAN MOST-FREQUENT ITEM DAN ASSOCIATION RULE TECHNIQUE ANALYSIS AND
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Sistem Rekomendasi Sistem rekomendasi merupakan sebuah metode untuk memberikan rekomendasi dengan memprediksi nilai sebuah item bagi seorang pengguna dan kemudian mempresentasikan
Lebih terperinciPERBANDINGAN ALGORITMA COSINE SIMILARITY DAN CONFIDENCE PADA SISTEM REKOMENDASI DENGAN METODE ITEM BASED COLLABORATIVE FILTERING
PERBANDINGAN ALGORITMA COSINE SIMILARITY DAN CONFIDENCE PADA SISTEM REKOMENDASI DENGAN METODE ITEM BASED COLLABORATIVE FILTERING SKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata
Lebih terperinciAnalisis Perbandingan Sistem Rekomendasi dengan Faktorisasi Matriks dan Pearson Berbasis Collaborative Filtering Pada Web E-Commerce
Analisis Perbandingan Sistem Rekomendasi dengan Faktorisasi Matriks dan Pearson Berbasis Collaborative Filtering Pada Web E-Commerce 1 Marissa Aflah Syahran 2 Erwin Budi Setiawan 3 Sri Suryani Fakultas
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. Pada penelitian sebelumnya yang dilakukan kan oleh Zhang, L. (Zhang, L.,
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Pada penelitian sebelumnya yang dilakukan kan oleh Zhang, L. (Zhang, L., 2014), ia memanfaatkan algoritma User-Based Collaborative laborative
Lebih terperinciABSTRAK. Kata kunci: collaborative filtering, multicriteria, sistem rekomendasi, traveler. vi Universitas Kristen Maranatha
ABSTRAK Data saat ini bisa didapatkan dengan mudah dan cepat. Hal ini dapat menyebabkan timbulnya ketidakpastian akan keakuratan informasi yang diterima untuk wisatawan. Kesulitan dalam menentukan pilihan
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1. Sistem Rekomendasi Sistem rekomendasi merupakan sebuah perangkat lunak yang bertujuan untuk membantu pengguna dengan cara memberikan rekomendasi kepada pengguna ketika pengguna
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB 1 PENDAHULUAN 1.1 Latar Belakang Informasi dan data saat ini bisa diakses dengan lebih cepat dan mudah melalui internet. Orang-orang dapat dengan mudah mencari dan mendapatkan informasi apa pun yang
Lebih terperinciPenerapan Algoritma Collaborative Filtering Untuk Rekomendasi Games Hardware
ISSN: 2089-3787 305 Penerapan Algoritma Collaborative Filtering Untuk Rekomendasi Games Hardware Norma Yanti, Rustati Rahmi, Ruliah Program Studi Sistem Informasi, STMIK Banjarbaru Jl. A. Yani Km. 33,3
Lebih terperinciBAB 2 LANDASAN TEORI Sistem Rekomendasi
6 BAB 2 LANDASAN TEORI 2.1. Sistem Rekomendasi Sistem rekomendasi merupakan sebuah perangkat lunak yang bertujuan untuk membantu pengguna dengan cara memberikan rekomendasi kepada pengguna ketika pengguna
Lebih terperinciBAB III METODOLOGI PENELITIAN
1.1 Desain Penelitian BAB III METODOLOGI PENELITIAN Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pembuatan rekomendasi objek wisata pada sistem informasi pariwisata menggunakan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Bab ini menjelaskan mengenai pustaka yang digunakan oleh penulis sebagai pembanding dan acuan dalam membuat sistem. Ada beberapa penelitian yang telah dilakukan sebelumnya, penelitian
Lebih terperinciBAB III. Landasan Teori. Bab ini akan menjelaskan mengenai dasar teori yang digunakan oleh penulis sebagai acuan dalam membuat sistem.
BAB III. Landasan Teori Bab ini akan menjelaskan mengenai dasar teori yang digunakan oleh penulis sebagai acuan dalam membuat sistem. 3.1. Sistem Rekomendasi Menurut McGinty dan Smyth, Sistem Rekomendasi
Lebih terperinciBAB I PENDAHULUAN. Pengguna Internet (31 Desember 2000) Afrika 1,037,524,058 4,514, ,609,620 2,527.4%
BAB I PENDAHULUAN 1.1 Latar Belakang Pengguna internet di dunia mengalami peningkatan. Statistik pengguna internet berdasarkan hasil survey Nielsen Online, yaitu pada tanggal 31 Maret 2011 menunjukkan
Lebih terperinciBAB 4 HASIL DAN BAHASAN. dengan melampirkan tabel data precision dan recall serta diagram-diagramnya Precision Recall Interpolasi
67 BAB 4 HASIL DAN BAHASAN 4.1 Hasil Penelitian dan Evaluasi 4.1.1 Hasil Penelitian Berikut disajikan beberapa data hasil query dari penelitian yang dilakukan dengan melampirkan tabel data precision dan
Lebih terperinciPenerapan Kombinasi Algoritma Minhash dan Binary Hamming Distance pada Hybrid Perekomendasi Lagu
Penerapan Kombinasi Algoritma Minhash dan Binary Hamming Distance pada Hybrid Perekomendasi Lagu Lutvi Satriyo Putro Jurusan Informatika Universitas Sebelas Maret Jl. Ir. Sutami 36A Kentingan Surakarta
Lebih terperinciSISTEM REKOMENDASI KREDIT PERUMAHAN RAKYAT DENGAN MENGGUNAKAN METODE COLLABORATIVE FILTERING
SISTEM REKOMENDASI KREDIT PERUMAHAN RAKYAT DENGAN MENGGUNAKAN METODE COLLABORATIVE FILTERING AGUS PAMUJI agus.pamuji@gmail.com Program Studi Teknik Informatika Fakultas Teknik, Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA 2.1 Sistem Rekomendasi Sistem rekomendasi adalah alat dan teknik perangkat lunak yang bisa memberikan saransaran untuk item yang sekiranya bermanfaat bagi pengguna (Ricci, et al.,
Lebih terperinciPembuatan Modul Rekomendasi pada OpenCart Menggunakan Metode Item-Based Collaborative Filtering
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 2 Nomor 1 halaman 9-19 ISSN: 2089-6026 Pembuatan Modul Rekomendasi pada OpenCart Menggunakan Metode Item-Based Collaborative Filtering
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tes Secara harfiah kata tes berasal dari kata bahasa prancis kuno: testum yang berarti piring untuk menyisihkan logam-logam mulia, dalam bahasa Indonesia diterjemahkan dengan
Lebih terperinciSISTEM REKOMENDASI BAHAN AJAR UNTUK ELEARNING
SISTEM REKOMENDASI BAHAN AJAR UNTUK ELEARNING Hervin Islahudin Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Jalan Tamansari 10 Bandung 40132 E-mail: hervin@gmail.com ABSTRAKSI Sistem
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan zaman, kemajuan dalam bidang ilmu pengetahuan dan teknologi informasi berkembang sangat pesat. Maka informasi juga semakin banyak dan membuat
Lebih terperinci#School of Computing, Telkom University Jl. Telekomunikasi No.01, Terusan Buah Batu, Bandung, Jawa Barat, Indonesia
Sistem Rekomendasi pada Buku dengan Menggunakan Metode Trust-Aware Recommendation Recommendation System for book by using Trust-Aware Recommendation Method Mohammad Iqbal Fathurrahman #1, Dade Nurjanah
Lebih terperinciBAB III LANDASAN TEORI. dari masing-masing pendekatan, untuk dapat menghasilkan suatu keakuratan nilai
BAB III LANDASAN TEORI 3.1. Sistem Reomendasi Hibrida Pendekatan sistem rekomendasi hibrida secara umumnya menggabungkan berbagai jenis rekomendasi yang memiliki tujuan dalam membackup kelemahan dari masing-masing
Lebih terperinciBAB I PENDAHULUAN. tanggal 31 Desember Kelebihan atau ledakan informasi pada jaringan internet
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di era teknologi ini, pertumbuhan pengguna Internet sangat pesat. Berdasarkan situs internetworldstats.com, terdapat 55 juta pengguna Internet di Indonesia
Lebih terperinciSISTEM REKOMENDASI PEMINJAMAN BUKU PADA PERPUSTAKAAN UIN SUSKA RIAU DENGAN METODE USER-BASED COLABORATIF FILTERING TUGAS AKHIR
SISTEM REKOMENDASI PEMINJAMAN BUKU PADA PERPUSTAKAAN UIN SUSKA RIAU DENGAN METODE USER-BASED COLABORATIF FILTERING TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Teknik Pada
Lebih terperinciINFORMATION RETRIEVAL SYSTEM PADA PENCARIAN FILE DOKUMEN BERBASIS TEKS DENGAN METODE VECTOR SPACE MODEL DAN ALGORITMA ECS STEMMER
INFORMATION RETRIEVAL SSTEM PADA PENCARIAN FILE DOKUMEN BERBASIS TEKS DENGAN METODE VECTOR SPACE MODEL DAN ALGORITMA ECS STEMMER Muhammad asirzain 1), Suswati 2) 1,2 Teknik Informatika, Fakultas Teknik,
Lebih terperinci5.2.1 Pencarian frequent item FP-Tree Conditional FP-Tree Ekstraksi itemset Implementasi Cosine
5.2.1 Pencarian frequent item... 62 5.2.2 FP-Tree... 63 5.2.3 Conditional FP-Tree... 68 5.2.4 Ekstraksi itemset... 71 5.3 Implementasi Cosine Similarity... 72 5.4 Implementasi Penentuan Rekomendasi...
Lebih terperinciSKRIPSI SISTEM REKOMENDASI WISATA KULINER DI YOGYAKARTA MENGGUNAKAN METODE KOLABORATIF (COLLABORATIVE METHOD)
SKRIPSI SISTEM REKOMENDASI WISATA KULINER DI YOGYAKARTA MENGGUNAKAN METODE KOLABORATIF (COLLABORATIVE METHOD) ANDI NUR SODIK Nomor Mahasiswa : 105410075 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI
Lebih terperinciSISTEM REKOMENDASI MATA KULIAH PILIHAN MAHASISWA DENGAN CONTENT-BASED FILTERING DAN COLLABORATIVE FILTERING (STUDI KASUS: UNIVERSITAS BRAWIJAYA)
SISTEM REKOMENDASI MATA KULIAH PILIHAN MAHASISWA DENGAN CONTENT-BASED FILTERING DAN COLLABORATIVE FILTERING (STUDI KASUS: UNIVERSITAS BRAWIJAYA) Aditya Fitri Hananta Putra 1), Wayan Firdaus Mahmudy 2)
Lebih terperinciBAB 3 PERANCANGAN 3.1 GAMBARAN UMUM PROSES SEGMENTASI DOKUMEN
28 BAB 3 PERANCANGAN Pada bab ini akan dijelaskan mengenai rancangan percobaan pada penelitian segmentasi dokumen ini. Pembahasan akan dimulai dengan penjelasan mengenai gambaran umum proses segmentasi
Lebih terperinciDanang Setyo Nugroho¹, Yanuar Firdaus A.w.², Warih Maharani³. ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2010 ANALISIS DAN IMPLEMENTASI PERBANDINGAN METODE COSINE SIMILARITY DAN CORRELATION BASED SIMILARITY PADA RECOMENDER SYSTEM BERBASIS ITEM-BASED COLLABARATIVE
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA rekomendasi sering diaplikasikan pada area dimana pilihan tersedia dalam jumlah relatif banyak. Bidang turisme dan pariwisata menjadi satu lahan yang menarik untuk digarap, terbukti
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait 2.1.1. Implementasi Opinion Mining Pernah dilakukan penelitian tentang opinion mining membahas tentang ekstraksi data opini publik pada perguruan tinggi.
Lebih terperinciInformation Retrieval
Information Retrieval Budi Susanto Information Retrieval Information items content Feature extraction Structured Structured Document Document representation representation Retrieval model: relevance Similarity?
Lebih terperinciBAB I PENDAHULUAN. penunjang Al-Quran untuk memudahkan untuk mempelajarinya, yang bisa
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dengan kemajuan teknologi yang sangat pesat ini sudah banyak aplikasi penunjang Al-Quran untuk memudahkan untuk mempelajarinya, yang bisa disebut atau di artikan
Lebih terperinciBAB II TINJAUAN PUSTAKA
digilib.uns.ac.id BAB II TINJAUAN PUSTAKA 2.1. Landasan Teori 2.1.1. Twitter API Twitter API terdiri dari dua komponen yang berbeda, REST dan SEARCH API. REST API memungkinkan pengembang/developer Twitter
Lebih terperinciPERANCANGAN WEB RANK MENGGUNAKAN COLLABORATIVE FILTERING BERDASARKAN KEMIRIPAN KONTEN
PERANCANGAN WEB RANK MENGGUNAKAN COLLABORATIVE FILTERING BERDASARKAN KEMIRIPAN KONTEN Eka Budhi Prasetya Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jakarta Jl. Cempaka Putih Tengah 27
Lebih terperinciHybrid Recommendation System Memanfaatkan Penggalian Frequent Itemset dan Perbandingan Keyword
IJCCS, Vol.9, No.2, July 2015, pp. 167~176 ISSN: 1978-1520 167 Hybrid Recommendation System Memanfaatkan Penggalian Frequent Itemset dan Perbandingan Keyword Wayan Gede Suka Parwita* 1, Edi Winarko 2 1
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Selain sebagai media komunikasi, Twitter memberikan akses bagi pihak ketiga yang ingin mengembangkan aplikasi yang memanfaatkan layanannya melalui Twitter API. Salah
Lebih terperinciBAB II LANDASDAN TEORI
DAFTAR ISI HALAMAN SAMPUL... HALAMAN JUDUL... i LEMBAR PERSETUJUAN... ii LEMBAR PENGESAHAN... iii MOTTO DAN PERSEMBAHAN... iv LEMBAR KEASLIAN... v HALAMAN PERNYATAAN PUBLIKASI... vi ABSTAKSI... vii ABSTRACT...
Lebih terperinciSISTEM REKOMENDASI PADA E-COMMERCE MENGGUNAKAN K-NEAREST NEIGHBOR
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) p-issn: 2355-7699 Vol. 4, No. 3, September 2017, hlm. 194-200 e-issn: 2528-6579 SISTEM REKOMENDASI PADA E-COMMERCE MENGGUNAKAN K-NEAREST NEIGHBOR Chandra
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Sistem rekomendasi telah banyak digunakan oleh hampir sebagian besar bisnis area dimana konsumen perlu membuat suatu keputusan atau rekomendasi pilihan dari informasi
Lebih terperinciSistem Rekomendasi Mobil Berdasarkan Demographic dan Content-Based Filtering
Jurnal Telematika, vol. 9 no. 2, Institut Teknologi Harapan Bangsa, Bandung ISSN: 858-256 Sistem Rekomendasi Mobil Berdasarkan Demographic dan Content-Based Filtering Herastia Maharani #, Ferry Alexander
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pekerjaan merupakan aktivitas utama yang dilakukan manusia dengan menyelesaikan suatu tugas atau kerja yang menghasilkan uang bagi seseorang. Pekerjaan biasa disebut
Lebih terperinciERROR-TOLERANT FASCICLES UNTUK COLLABORATIVE FILTERING ABSTRAK
ERROR-TOLERANT FASCICLES UNTUK COLLABORATIVE FILTERING Gunawan, Herman Budianto, Dody Soegiharto, dan Indra Maryati Jurusan Teknik Informatika Sekolah Tinggi Teknik Surabaya gunawan@stts.edu, herman@stts.edu,
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI Pada bab 3 ini akan dijabarkan teori mengenai pariwisata, wisatawan, sistem, sistem rekomendasi, collaborative filtering, jaccard coefisien, mysql, dan framework codeigniter, notepad++,
Lebih terperinci2015 PENERAPAN METODE KNOWLEDGE BASED RECOMMENDATION DAN FORWARD CHAINING UNTUK APLIKASI E-COMMERCE
BAB I PENDAHULUAN Dalam bab ini akan dijelaskan beberapa hal dasar yang menjadi bahan untuk pembuatan skripsi, seperti latar belakang, perumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian,
Lebih terperinciTabel 1.1 Pertumbuhan Panjang Jalan dan Jumlah Kendaraan
BAB I PENDAHULUAN Sebagai negara berkembang, perekonomian Indonesia didorong untuk tumbuh dengan pesat. Salah satu indikator pertumbuhan perekonomian yang baik adalah tingginya daya beli masyarakat. Tingginya
Lebih terperinciBAB II. Tinjauan Pustaka
BAB II. Tinjauan Pustaka Bab ini menjelaskan mengenai pustaka yang digunakan oleh penulis sebagai pembanding dan acuan dalam membuat sistem. Ada beberapa penelitian yang telah dilakukan sebelumnya, penelitian
Lebih terperinciROCCHIO CLASSIFICATION
DOSEN PEMBIMBING : Badriz Zaman, S.Si., M.Kom. 081211632016 S-1 SISTEM INFORMASI UNIVERSITAS AIRLANGGA 1 Informastion retieval system merupakan sebuah sistem yang digunakan untuk mengambil kembali informasi
Lebih terperinciBAB I PENDAHULUAN. Pesatnya pertumbuhan internet saat ini berdampak pada melimpahnya
BAB I PENDAHULUAN 1.1 Latar Belakang Pesatnya pertumbuhan internet saat ini berdampak pada melimpahnya informasi dengan sangat cepat dan jumlah yang sangat besar. Hal ini membuat suatu keadaan dimana kita
Lebih terperinciSISTEM REKOMENDASI DOSEN PEMBIMBING TUGAS AKHIR BERDASARKAN PREFERENSI DAN KEAHLIAN DOSEN MENGGUNAKAN EUCLIDIEN DISTANCE TUGAS AKHIR
SISTEM REKOMENDASI DOSEN PEMBIMBING TUGAS AKHIR BERDASARKAN PREFERENSI DAN KEAHLIAN DOSEN MENGGUNAKAN EUCLIDIEN DISTANCE TUGAS AKHIR Persyaratan Guna Meraih Gelar Sarjana Strata I Teknik Informatika Universitas
Lebih terperinciAssaf Arief. Jurnal PROtek Vol. 03 No. 1, Mei 2016
Jurnal PROtek Vol. 03 No. 1, Mei 2016 Rancang Bangun Sistem Rekomendasi Pariwisata Mobile Advertising Menggunakan Metode Hybrid Filtering Sebagai Pemberdayaan Masyarakat Usaha Kecil Menengah (UKM) di Pulau
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tinjauan Penelitian Terdahulu Penelitian sebelumnya dilakukan oleh Rahmatulloh (2016). Penelitian yang berjudul Rancang Bangun Sistem Informasi Pencarian Benda Hilang Lost &
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang
BAB I PENDAHULUAN A. Latar Belakang Lulus tepat waktu dengan IPK memuaskan, mungkin itu dambaan setiap mahasiswa. Namun kenyataannya saat ini banyak mahasiswa kurang peduli mengenai strategi dan rencana
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini, akan dibahas landasan teori, penelitian terdahulu, kerangka pikir yang mendasari penyelesaian rekomendasi dengan menggunakan metode Simple Additive Weighting (SAW).
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Buku merupakan media informasi yang memiliki peran penting dalam perkembangan ilmu pengetahuan, karena dengan buku kita dapat memperoleh banyak informasi, pengetahuan
Lebih terperinciSISTEM REKOMENDASI PEMILIHAN KERJA UNTUK MAHASISWA UNIVERSITAS ATMAJAYA YOGYAKARTA MENGGUNAKAN METODE CONTENT-BASED FILTERING
SISTEM REKOMENDASI PEMILIHAN KERJA UNTUK MAHASISWA UNIVERSITAS ATMAJAYA YOGYAKARTA MENGGUNAKAN METODE CONTENT-BASED FILTERING TUGAS AKHIR Diajukan Untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Masalah Pemilihan dosen pembimbing Tugas Akhir pada jurusan Teknik Informatika Universitas Muhammadiyah Malang dilakukan mahasiswa secara mandiri, hal
Lebih terperinciBAB I PENDAHULUAN. bermunculan, baik yang menggunakan franchise ataupun yang menggunakan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Makanan merupakan salah satu kebutuhan primer dari manusia (Sasrawan, 2013). Kebutuhan akan makanan akan selalu meningkat karena jumlah penduduk yang semakin
Lebih terperinciSistem Temu-Kembali Informasi Pengantar Perkuliahan
Sistem Temu-Kembali Informasi Pengantar Perkuliahan Husni Program Studi Teknik Informatika Universitas Trunojoyo Madura Semeter Gasal 2015-03 Sep. 2015 Perkenalan... Husni (UGM, ITB) Bidang Minat Sistem
Lebih terperinciStudi Kasus Sistem Rekomendasi
MMA10991 Topik Khusus - Machine Learning Studi Kasus Sistem Rekomendasi Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciPERBANDINGAN EFEKTIFITAS METODE USER-BASED COLLABORATIVE FILTERING DENGAN METODE USER-ITEM BASED COLLABORATIVE FILTERING
PERBANDINGAN EFEKTIFITAS METODE USER-BASED COLLABORATIVE FILTERING DENGAN METODE USER-ITEM BASED COLLABORATIVE FILTERING SKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciE-Tourism Menggunakan Sistem Rekomendasi Item Based Collaborative Filtering
E-Tourism Menggunakan Sistem Rekomendasi Item Based Collaborative Filtering SKRIPSI Disusun Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Komputer Pada Departemen Ilmu Komputer/Informatika Disusun
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada bab ini akan diterangkan tentang analisa dan perancangan sistem sebuah website informasi wisata di Malang menggunakan algoritma Userbased Collaborative Filtering
Lebih terperinciCollaborative Filtering dan Aplikasinya
Collaborative Filtering dan Aplikasinya Eka Angga Laksana Teknik Informatika, Universitas Widyatama Bandung, Indonesia Eka.angga@widyatama.ac.id Abstract Collaborative filtering merupakan salah satu dari
Lebih terperinciLatent Semantic Analysis dan. Similarity untuk Pencarian. oleh : Umi Sa adah
Metode Latent Semantic Analysis dan Algoritma Weighted Tree Similarity untuk Pencarian berbasis b Semantik oleh : Umi Sa adah 5109201030 Pembimbing : Prof. Drs.Ec. Ir. Riyanarto Sarno, M.Sc, Ph.D Umi Laili
Lebih terperinciIntegrasi Peringkas Dokumen Otomatis Dengan Penggabungan Metode Fitur dan Metode Latent Semantic Analysis (LSA) Sebagai Feature Reduction
Integrasi Peringkas Dokumen Otomatis Dengan Penggabungan Metode Fitur dan Metode Latent Semantic Analysis (LSA) Sebagai Feature Reduction Junta Zeniarja 1, Abu Salam 2, Ardytha Luthfiarta 3, L Budi Handoko
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinci