SISTEM REKOMENDASI PRODUK SEPATU DENGAN MENGGUNAKAN METODE COLLABORATIVE FILTERING
|
|
- Ivan Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 SISTEM REKOMENDASI PRODUK SEPATU DENGAN MENGGUNAKAN METODE COLLABORATIVE FILTERING Arif Kurniawan Program Studi Informatika, Fakultas MIPA, Universitas Jenderal Achmad Yani Jl. Terusan Jendral Sudirman, Cimahi, Jawa Barat Telp. (022) ABSTRACT Shoes Platinum is a store that is engaged in the sale of shoes. A large number of products offered, making some customers difficulty in determining the choice about what products customers select and match their tastes. This is what makes the need for a recommendation system that can provide personalized product recommendations to facilitate customers in choosing products to be purchased. This study uses the Item-Based Collaborative Filtering, which the system will look for similarities purchase models (similarity item) to another. Furthermore, the system will look for ratings between items based on the degree of similarity there. After the inter-item rating obtained, then the rating will be used calculated value of the similarity between items by using Adjusted Cosine Similarity approach. Results of similarity between items of calculation will be used for the next stage. This stage predict the value rating that has never been done by the customer to a particular item. This approach uses the Sum formula Weighted the prediction value will be recommended to customers. Keywords: Item-Based Collaborative Filtering, Adjusted Cosine Similarity, Weighted Sum. ABSTRAK Platinum Shoes merupakan sebuah toko yang bergerak dibidang penjualan sepatu. Banyaknya jumlah produk yang ditawarkan, membuat beberapa pelanggan kesulitan dalam menentukan pilihan mengenai produk apa yang pelanggan pilih dan cocok dengan selera pelanggan. Hal ini yang menjadikan perlunya sebuah sistem rekomendasi yang mampu memberikan rekomendasi produk yang sesuai selera pelanggan untuk memudahkan dalam memilih produk yang akan dibeli. Penelitian ini menggunakan metode Item- Based Collaborative Filtering, dimana sistem akan mencari kesamaan model pembelian (similarity item) dengan yang lainnya. Selanjutnya, sistem akan mencari rating antara item-item berdasarkan tingkat kemiripan yang ada. Setelah rating antar item didapat, maka rating ini akan digunakan dihitung nilai kemiripan antara item dengan menggunakan pendekatan Adjusted Cosine Similarity. Hasil dari dari perhitungan kemiripan antar item akan digunakan untuk tahap selanjutnya. Tahapan ini memprediksi nilai rating yang belum pernah dilakukan oleh pelanggan terhadap item tertentu. Pendekatan ini menggunakan rumus Weigted Sum yang nilai prediksinya akan dijadikan rekomendasi kepada pelanggan. Kata Kunci: Item-Based Collaborative Filtering, Adjusted Cosine Similarity, Weighted Sum. 1. PENDAHULUAN Platinum Shoes merupakan toko yang bergerak dibidang penjualan bebagai produk sepatu. Toko Platinum Shoes mulai berdiri pada tahun 2013 akhir dan beralamat dijalan Warung Cendol - Karangpawitan No. 35 Garut. Biasanya ketika pelanggan berkunjung akan dihadapkan pada beberapa produk pilihan produk yang ada. Sebelum berkunjung ke tempat tersebut terlebih dahulu pelanggan mempunyai pilihan terhadap suatu produk yang dicarinya. Tetapi ada juga pelanggan yang berkunjung tanpa ada tujuan produk yang dicarinya. Bagi pelanggan yang belum ada pilihan kemungkinan merasa kesulitan dengan adanya beberapa produk produk yang ada. Untuk itu diperlukan suatu rekomendasi yang dapat menangani masalah tersebut. Sistem rekomendasi adalah suatu sistem yang menyarankan informasi yang berguna atau menduga apa yang akan dilakukan pelanggan untuk mencapai tujuannya, misalnya seperti memilih produk tertentu. Sehingga pelanggan memilih produk dapat lebih efektif dalam menentukan produk yang diinginkannya. Terdapat beberapa metode dua diantaranya adalah user-based dan item-based. Metode yang digunakan dalam penelitina ini adalah itembased collaborative filtering. Metode ini menggunakan rekomendasi kepada user dihitung dengan menentukan item yang mirip dengan item lain yang disukai oleh pelanggan tersebut. Pada metode ini hubungan atara item-item lebih statis, sehingga membutuhkan perhitungan yang lebih sedikit tetapi mempunyai kualitas yang sama dibandingkan dengan metode user-based. 610
2 Dalam penelitian yang menggunakan collaborative filtering untuk metode untuk menghasilkan sebuah sistem yang dapat merekomendasikan produk kepada pelanggan. Hasil dari penelitian tersebut adalah dapat menyediakan rekomendasi daftar produk cake sehingga pelanggan dapat memilih dan mengambil keputusan untuk memilih cake yang sesuai dengan profil dirinya. menggunakan pengujian algoritma pearson correlation dengan pendekatan conten-based collaborative filtering. Dengan demikian sistem rekomendasi yang akan dibangun menggunakan pendekatan item-based collaborative filtering dan pengujian algoritma adjusted cosine similarity. Dengan adanya sitem rekomendasi, perusahaan berupaya untuk memberikan informasi produk lebih mudah kepada pelanggan untuk memilih produk yang sedang dicari maupun yang direkomendasikan oleh sistem. 2. LANDASAN TEORI 2.1 Konsep Dasar Collaborative Filtering Collaborative filtering merupakan proses penyaringan atau menggunakan opini orang lain (Schafer dkk, 2007). Collaborative filtering melakukan penyaringan data berdasarkan kemiripan karakteristik konsumen sehingga mampu memberikan informasi yang baru kepada konsumen karena system memberikan informasi berdasarkan pola satu kelompok konsumen yang hamper sama. Perbedaan minat pada beberapa anggota kelompok menjadikan sumber informasi baru yang mungkin bermanfaat bagi anggota kelompok lainnya. 2.2 Algoritma Collaborative Filtering Schafer membagi algoritma collaborative filtering ke dalam dua kelas yang berbeda, yaitu : a) User Based Collaborative Filtering User based nearest neighbor algorithm menggunakan teknik statistika untuk menemukan sekumpulan pengguna, dikenal sebagai tetangga. Yang memiliki sejarah setuju dengan pengguna yang menjadi sasaran. Setelah sekumpuulan tetangga terbentuk sistem menggunakan algoritma yang berbeda untuk menggabungkan kesukaan neighbours untuk menghasilkan predikis atau rekomendasi N-teratas untuk active user. (Sarwar dkk, 2001). b) Item Base Collaborative Filtering Item based collaborative filtering merupakan metode rekomendasi yang didasri atas adanya kesamaan antara pemberian rating terhadap suatu produk dengan produk yang dibeli. Dari tingkat kesamaan produk, kemudian dibagi dengan parameter kebutuhan pelanggan untuk memperoleh nilai kegunaan produk. Produk yang memiliki nilai kegunaan tertinggilah yang kemudian dijadikan rekomendasi (Purwanto, 2009). Metode ini muncul sebagai solusi untuk beberapa permasalahan pada user based collaborative filtering yaitu pada masalah keterbatasan (sparsity) dan skalabilitas serta masalah waktu dan memori. Pada metode item based collaborative fitering melakukan similaritas dengan membentuk suatu model similairtas secara offline yang secara otomatis akan menghemat waktu dan memori yang digunakan untuk perhitungan pada saat pengguna mengakses halaman situs. 3. METODE PENELITIAN Di bawah ini merupakan diagram pemrosesan sistem rekomendasi menggunakan item based collaborative filtering : Input Output nilai rating Matriks iterm rating Perhitungan Nilai Similarity Similarity Item-rating uεu Ru, i Ru Ru, j Ru uεu(ru, i Ru) 2 uεu(ru, j Ru)2 Perhitungan Prediksi Rating Prediksi item yang belum pernah di rating iεi Ru, i Si, j iεi Si. j Hasil Prediksi Hasil Rekomendasi Gambar 1. Diagram pemrosesan Pada perancangan sistem rekomendasi yang akan dibangun, menggunakan metode item-based collaborative filtering dimana masukan data awal adalah nilai rating dari pelanggan. Setelah itu dicari kemiripan antar item untuk melakukan prediksi antar item yang belum pernah di rating sebelumnya. Menghitung kemiripan antar data menggunakan adjusted cosine similarity dan weight sum untuk prediksi antar item. 3.1 Proses Data Masukan Data masukan dalam sistem adalah data berupa nilai rating yang di pilih oleh pelanggan pada sistem berupa nilai dari 1-5 dengan keterangan bagus hingga kurang bagus. Terdapat 6 produk yaitu (a, b, c, d,,e dan f) dan 6 user/pelanggan (p1, p2, p3, p4, p5, p6) Berikut Tabel
3 Tabel 3.1 Rating Pelanggan a b c d e f Rat a2 rati ng P P P P P P Mencari Adjusted Cosine Similarity Tahap pada algoritma ini adalah mencari nilai kemiripan antar produk yang dibandingkan. Beriktu tahapannya : 1. Mengecek antara nilai rating yang dimilika oleh produk b dan c 2. cek kolom dan baris pertama produk b dan c apabila ditemukan nilai yaitu 5 dan 4. Jika salah satu diantara produk yang memilik nilai rating maka tidak akan dapat dihitung kemiripannya. 3. Cek kolom dan baris kedua produk b dan c dan mendapatkan nilai rating 2 dan Pengecekan kolo dan baris akan terus dilakukan hingga baris terakhir yaitu baris ke Setelah mendapatkan nilai rating antar produk selanjutnya adalah menghitung nilai kemiripan dari nilai rating yang sudah didapat. Dengan mnggunakan persamaan (1) yaitu : Keterangan : S(i,j) = Nilai kemiripan antara item i dengan item j u maupun item j Ru,i = Rating user u pada item i = Nilai user yang me-rating baik item i Ru,j = Rating user u pada item j Ru = Nilai rating rata-rata user u 3.3 Hasil Perhitungan Adjusted Cosine Similarity Pada Tabel 3.2 menggambarkan antara nilai rating produk b dan c yang pada kolom dan baris pertama b dan c mempunyai nilai 5 dan 4. Dilakukan tehap seterusnya yaitu pindah ke baris dan kolom kedua, Dimana produk c yang mempunyai nilai 3 dan b kosong. Maka tidak dapat dijadikan perhitungan karna tidak memenuhi syarat perhitunga. Syarat perhitungan yang akan dikerjakan jika kedua nilai produk yang berdekatan harus mempunyai nilai rating. Dengan tahap yang sama didapatkan nilai rating 2 dan 2. Contoh selanjutnya adalah perhitungan nilai similairity dengan persamaan. Tabel 3.2 Representasi Adjusted Cosine Similarity User Ru,i Ru,j Ru P P = Setelah melakukan perhitungan dengan menggunakan persamaan adjusted cosine similarity untuk mencari nilai kemiripan antara produk b dan c makan didapat hasil kemiripan dengan nilai 0, Maka nilai kemiripan antara produk b dan b adalah 0, Setelah melakukan perhitungan dengan cara sama maka didapat hasil kemiripan antar produk pada Tabel 3.3 berikut : Tabel 3.3 Hasil Perhitungan Keseluruhan Produk yang dibandingkan Produk yang dibandingkan Nilai Kemiripan A D -1 B C B D B E -1 C D C E 1 C F D E -1 D F E F
4 Proses Tabel 3.3 adalah hasil keseluruhan perhitungan nilai similarity antar produk. Dimana dari perbandingan nilai tersebut didapat nilai similarity yang akan digunakan dalam perhitungan prediksi yaitu , 1 dan Setelah nilai kemiripan didapat maka tahap selanjutnya perhitungan pencarian nilai prediksi untuk produk yang belum pernah di rating oleh pelanggan sebelumnya dan akan direkomendasikan kepada pelanggan. Nilai yang akan diambil untuk dijadikan perhitungan adalah <1 dan >= 0.7. c dan e adalah 1 dan produk d dan f adalah jadi yang akan dicari nilai prediksinya adalah produk e dan f. dan setalah dilakukan perhitungan maka untuk produk e mendapatkan prediksi rating 4 dan untuk produk f mendapatkan prediksi 3. Berikut perhitungannya menggunakan persamaan 2.2. Table 3.4 Perhitungan Prediksi User Produk Ru,i(c) Si,j P1 E Weighted Sum Weigted sum akan digunakan untuk mencari nilai prediksi produk yang akan direkomendasikan kepada pelanggan. Pertama akan mencari nilai dari user p1 (hermansyah). perhitungannya dimulai dari kolom user yang belum pernah dirating. Ada 3 kolom produk yang belum rating oleh pelanggan yaitu kolom produk a, e dan f. Tahapan perhitungan sebagai berikut : 1. Pada kolom pertma a akan dicari nilai rating yang tidak kosong yaitu didapat nilai rating produk b yaitu 5 2. Setelah mendapatkan nilai produk 5 maka akan dihitung dengan nilai rating pada produk (b - similairty (a, b) / similarity (a, b)). 3. Sebelumnya dibandingkan apakah similiarity dari kolom produk yang kosong memenuhi syarat perhitungan. Karna a dan b tidak lah mempunyai nilai kemirpan. 4. selanjutnya maju pada kolom yang kosong atau yang akan dicari prediksi nilainya dan dimulai mencari kolom yang ada nilai ratingnya. Setelah mendapatkan nilai rating pada kolom maka dibandingkan kembali apakah similarity antara produk yang ada nilai ratingnya dengan produk yang kosong tersebut. Berikut representasinya pada Gambar (dihitung) Persamaannya ; P(p1,e) = = = 4 Dari Tabel 3.5 dapat dilihat cara perhitunganya dengan hasil prediksi untuk produk e adalah 4. Dan menggunakan rumus yang sama didapat prediksi produk f adalah 3. Dengan menggunakan perhitungan yang sama maka didapat hasil prediksi pada Tabel 3.5. Tabel 3.5 Hasil Prediksi Pelanggan Produk Hasil Prediksi (u,j) P1 E 4 F 3 P2 B 3 P3 C 3 D 3 P6 C 5 F 4 Nilai kemeripan Nilai kemiripan 1 (dihitung) A B C D E F Hermansyah P1 Nilai kemirpan Nilai kemirpan 0 Nilai kemiripan -1 Nilai kemiripan 0 Nilai kemiripan -1 Gambar 3.1 Representasi Prediksi Pada Gambar 3.4 dijelaskan bahwa setiap nilai prediksi yang akan dicari makan akan dibandingkan terlebih dahulu untuk melihat apakan diantaranya ada yang memenuhi syarat perhitungan yaitu nilai kemiripan antara produk 3.5 Use Case Sistem Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem dan merepresentasikan sebuah interaksi antara aktor dengan sistem. Dilihat dari business use case yang ada untuk sistem pada penelitian ini, dapat dilihat pada Gambar
5 login proses System Metode Item-based Collaborative Filtering. Jurnal Ilmu Komputer Agri-Informatika. Pelanggan Produk Rekomendasi Registrasi Kelola pelanggan histori Admin Rizki Dwi kelimutu Sistem Rekomendasi Komunitas Pemuda Di Kota Semarang Berbasis Item-Based Collaborative Filtering Dengan Adjusted Cosine Similarity. Skripsi, Fakultas Ilmu Komputer. Universitas Dian Nuswantoro. kelola persediaan Gambar 3.2 Use Case Sistem 4. KESIMPULAN. Berdasarkan hasil perancangan dan pengujian, dapat diketahui bahwa untuk fungsionalitas sistem rekomendasi dengan menggunakan secara umum berfungsi susuai dengan perencanaan. Dengan demikian dari hasil tersebut dapat disimpulkan bahwa penelitiam ini sesuai dengan tujuan. Dengan menggunakan persamaan item-based filtering produk yang direkomendasikan adalah yang belum pernah di rating oleh pelanggan sebelumnya. Produk yang direkomendasikan adalah yang mempunyai nilai prediksi tertinggi contoh id_pelanggan 2 mendapatkan rekomendasi produk sepatu vans dan sepatu nb dengan nilai prediksi 4 dan 3. Hasil pengujian pada sistem ini mencapai nilai 95.68% sehingga telah membuktikan bahwa perangkat lunak tealh memenuhi fungsionalitas dan sesuai dengan kebutuhan Schafer, J.B., Frankowski, D.,Herlocker,J. dan Sen, S. (2007), Collaborative Filtering Recommender System. Springer-Verlag, Berlin, Heidelberg, McGinty, L. dan Smyth,B. (2006), Adaptive Selection : analysis of critiquing and preference based feed back in conversational recommender systems International Journal Of Electronic Commerce.II(2), pp Lemire, Daniel, Anna Maclachlan. Slope One prediction for online rating-based collaborative filtering. SIAM Data Mining (SDM 05) Sarwar, B. M., Karypis, G., Konstan, J. A., and Riedl. J. (2000). Analysis Of Recommendation Algorithms For E-Commerce. In Proccedings of the ACM EC 00 Conference. Minneapolis, MN. Pp PUSTAKA Yudhistira Adhitya Pratama, David Wijaya. Dkk. April Digital Cakery Dengan Algoritma Collaborative Filtering, Jurnal Teknik Informatika, Shofwatul Uyun, Imam Fahrurrozi, Agus Mulyanto. Febuari Item-based Collaborative Filtering Untuk Rekomendasi Pembelian Buku Secara Online Jurnal Teknik Informatika, Kristiani Dewi, Umi Proboyekti Implementasi Weighted Sum Model Dan Least Square Method Dalam Pemberian Nilai Dukung Kelayakan Penerbitan Buku, Bahtera, Putra Jaya Bangun., Sisca Octarina., Gusti Virgo Ahta Pembuatan Modul Rekomendasi pada OpenCart Menggunakan 614
DIGITAL 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 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 terperinciItem Collaborative Filtering untuk
JUSI Vol. 1, No. 1 ISSN 2087-8737 Februari 2011 Item Collaborative Filtering untuk Rekomendasi Pembelian Buku secara Online Shofwatul Uyun *, Imam Fahrurrozi, Agus Mulyanto Program Studi Teknik Informatika,
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 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 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 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 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 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 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 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 terperinciPENDAHULUAN. 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 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 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 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 terperinciREKOMENDASI PAKET PEMBELIAN BARANG PADA TOKO ONLINE DENGAN COLLABORATIVE FILTERING
REKOMENDASI PAKET PEMBELIAN BARANG PADA TOKO ONLINE DENGAN COLLABORATIVE FILTERING Devi Dwi Purwanto Sistem Informasi, Sekolah Tinggi Teknik Surabaya devi@stts.edu ABSTRACT Currently there are many case
Lebih terperinciPROTOTYPE SISTEM REKOMENDASI RUMAH MAKAN MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERBASIS WEB
PROTOTYPE SISTEM REKOMENDASI RUMAH MAKAN MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERBASIS WEB Muhammad Azhar Adipradana 1, Ayu Pertiwi 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas
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 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 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 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 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 terperinciSISTEM REKOMENDASI KOMUNITAS PEMUDA DI KOTA SEMARANG BERBASIS ITEM BASED COLLABORATIVE FILTERING DENGAN METODE ADJUSTED COSINE SIMILARITY
SISTEM REKOMENDASI KOMUNITAS PEMUDA DI KOTA SEMARANG BERBASIS ITEM BASED COLLABORATIVE FILTERING DENGAN METODE ADJUSTED COSINE SIMILARITY Rizki Dwi Kelimutu, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciPERANCANGAN SISTEM REKOMENDASI PENDISTRIBUSIAN KAOS PADA INDUSTRI PAKAIAN JADI MENGGUNAKAN ITEM BASED COLLABORATIVE FILTERING
PERANCANGAN SISTEM REKOMENDASI PENDISTRIBUSIAN KAOS PADA INDUSTRI PAKAIAN JADI MENGGUNAKAN ITEM BASED COLLABORATIVE FILTERING Jurusan Informatika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
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 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 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 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 terperinciSISTEM REKOMENDASI PERSONAL PADA TOKO BUKU ONLINE MENGGUNAKAN PENDEKATAN COLLABORATIVE FILTERING DAN ALGORITMA SLOPE ONE
SISTEM REKOMENDASI PERSONAL PADA TOKO BUKU ONLINE MENGGUNAKAN PENDEKATAN COLLABORATIVE FILTERING DAN ALGORITMA SLOPE ONE Syandra Sari 1), Ayu Permata Sary 2) 1,2) Jurusan Informatika, Fakultas Teknologi
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 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 terperinciRecommendation System
May 28, 2014 Introduction Recommenders vs Search Engines Kategori recommendation system Input recommendation system Collaborative Filtering Content-based Evaluasi recommendation system Masalah dalam recommendation
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 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 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 terperinciIMPLEMENTASI METODE MARKET BASKET ANALYSIS (MBA) PADA APLIKASI E-COMMERCE STUDI KASUS ANANDA SHOP
IMPLEMENTASI METODE MARKET BASKET ANALYSIS (MBA) PADA APLIKASI E-COMMERCE STUDI KASUS ANANDA SHOP 1 RitaSaraswati, 2 Astria Hijriani, M.Kom, 3 Febi Eka Febriansyah,M.T 1 Jurusan Ilmu Komputer FMIPA Unila
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 terperinciAplikasi Rekomendasi Film menggunakan Pendekatan Collaborative Filtering dan Euclidean Distance sebagai ukuran kemiripan rating
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 135 Aplikasi Rekomendasi Film menggunakan Pendekatan Collaborative Filtering dan Euclidean Distance sebagai ukuran kemiripan
Lebih terperinciKLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST NEIGHBORS (K-NN)
Klasifikasi Helpdesk Universitas Jenderal Achmad ni... (Herawan dkk.) KLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST
Lebih terperinciBAB III METODOLOGI PENELITIAN
III-1 BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan suatu cara atau tindakan peneliti dalam pencarian data dan menggunakan data tersebut untuk dapat dijadikan sebagai sebuah informasi yang
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI SISTEM REKOMENDASI PENCARIAN BUKU PERPUSTAKAAN MENGGUNAKAN METODE VECTOR SPACE MODEL
PERANCANGAN DAN IMPLEMENTASI SISTEM REKOMENDASI PENCARIAN BUKU PERPUSTAKAAN MENGGUNAKAN METODE VECTOR SPACE MODEL (Studi Kasus Perpustakaan Universitas Udayana) LEMBAR JUDUL KOMPETENSI RPL SKRIPSI NI MADE
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 terperinciSISTEM REKOMENDASI PENENTUAN DOSEN PEMBIMBING TUGAS AKHIR DENGAN MENGGUNAKAN ALGORITMA RABIN-KARP
Techno.COM, Vol. 14, No. 3, Agustus 2015: 225-233 SISTEM REKOMENDASI PENENTUAN DOSEN PEMBIMBING TUGAS AKHIR DENGAN MENGGUNAKAN ALGORITMA RABIN-KARP Abu Salam 1, Verdian Putra Wicaksana 2, Khafiizh Hastuti
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 I PENDAHULUAN. kecelakaan, kehilangan, kematian, kerusakan atau sakit.
1 BAB I PENDAHULUAN 1.1 Latar Belakang Asuransi merupakan perjanjian antar dua pihak atau lebih yang melibatkan pembayaran premi secara teratur dalam jangka tertentu sebagai ganti polis yang menjamin perlindungan
Lebih terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
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 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. 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 terperinciIMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN PADA SUPPLIER FURNITURE MENGGUNAKAN MODEL PROMETHEE ABSTRAK
IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN PADA SUPPLIER FURNITURE MENGGUNAKAN MODEL PROMETHEE Alexander Setiawan, Agustinus Noertjahyana, Willy Saputra Jurusan Teknik Informatika, Fakultas Teknologi Industri
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 terperinciBAB IV ANALISA DAN PERANCANGAN
IV- BAB IV ANALISA DAN PERANCANGAN 4 Analisa Sistem Rekomendasi Pada analisa sistem rekomendasi berikut ini akan membahas tentang analisa pokok analisa sistem lama analisa sistem baru analisa kebutuhan
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 terperinciIMPLEMENTASI HYBRID (CONTENT BASED DAN COLLABORATIVE FILTERING) PADA SISTEM REKOMENDASI SOFTWARE ANTIVIRUS DENGAN MULTI-CRITERIA RATING SKRIPSI
IMPLEMENTASI HYBRID (CONTENT BASED DAN COLLABORATIVE FILTERING) PADA SISTEM REKOMENDASI SOFTWARE ANTIVIRUS DENGAN MULTI-CRITERIA RATING SKRIPSI WILDAN AFIFI 091402043 PROGRAM STUDI S1 TEKNOLOGI INFORMASI
Lebih terperinciIMPLEMENTASI METODE COLLABORATIVE TAGGING PADA SISTEM REKOMENDASI ARTIKEL PUBLIKASI ILMIAH SKRIPSI HASMI FARHANDANI ANSARI
IMPLEMENTASI METODE COLLABORATIVE TAGGING PADA SISTEM REKOMENDASI ARTIKEL PUBLIKASI ILMIAH SKRIPSI HASMI FARHANDANI ANSARI 091402061 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
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 terperinciCase Base Reasoning Penentuan Harga Rumah Dengan Menggunakan Metode Tversky (Studi Kasus: Kota Pontianak)
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 1, (2017) 1 Case Base Reasoning Penentuan Harga Rumah Dengan Menggunakan Metode Tversky (Studi Kasus: Kota Pontianak) Hendra 1, Tursina 2, Rudy
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 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 terperinciPEMETAAN SEKOLAH MENENGAH ATAS BERBASIS WEB SISTEM INFORMASI GEOGRAFIS
PEMETAAN SEKOLAH MENENGAH ATAS BERBASIS WEB SISTEM INFORMASI GEOGRAFIS Bagus Satria Aditama 1, Slamet Sudaryanto N. 2 Jurusan Tehnik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl.
Lebih terperinciImplementasi Sistem Informasi Penjualan Untuk Minimarket
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Implementasi Sistem Informasi Penjualan Untuk Minimarket Ni Kadek Sukerti Sistem Informasi STMIK STIKOM Bali Jl. Raya Puputan
Lebih terperinciModel Penentuan Jenis Beasiswa Menggunakan Algoritma K-NN Kombinasi Basis Aturan Dan Basis Pengetahuan
ISSN: 2089-3787 579 Model Penentuan Jenis Beasiswa Menggunakan Algoritma K-NN Kombinasi Basis Aturan Dan Basis Pengetahuan Bahar, Nidia Rosmawanti STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru bahararahman@gmail.com,
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 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 terperinciSISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING
Seminar Nasional Sistem Informasi Indonesia, 22 September 2014 SISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING Arief Samuel Gunawan 1), Evasaria Magdalena
Lebih terperinciBAB I PENDAHULUAN. signifikan terhadap proses bisnis di setiap organisasi. Sebagai contoh, dengan
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi yang sangat pesat memberikan dampak yang signifikan terhadap proses bisnis di setiap organisasi. Sebagai contoh, dengan menggunakan
Lebih terperinciSISTEM INFORMASI PEGAWAI BERBASIS WEB DENGAN METODE WATERFALL PADA SMA AISYIYAH 1 PALEMBANG
SISTEM INFORMASI PEGAWAI BERBASIS WEB DENGAN METODE WATERFALL PADA SMA AISYIYAH 1 PALEMBANG Nia Oktaviani Sistem Informasi, Fakultas Ilmu Komputer, Universitas Bina Darma Palembang E-mail: niaoktaviani@binadarma.ac.id,
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 terperinciPEMBANGUNAN APLIKASI E-COMMERCE PADA TOKO MSA (Mandiri Sejahtera Abadi) Andriyan # Teknik Informatika,Universitas Komputer Indonesia
PEMBANGUNAN APLIKASI E-COMMERCE PADA TOKO MSA (Mandiri Sejahtera Abadi) Andriyan - 10106814 # Teknik Informatika,Universitas Komputer Indonesia Jl. Dipati Ukur 112-116 Bandung 40132 andry_gp@yahoo.co.id
Lebih terperinciABSTRAK. Kata Kunci: AHP, DSS, kriteria, supplier
ABSTRAK. Teknologi dewasa ini perkembangannya sudah sedemikian pesat. Perkembangan yang pesat ini tidak hanya teknologi perangkat keras dan perangkat lunak saja, tetapi metode komputasi juga ikut berkembang.
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 II TINJAUAN PUSTAKA DAN DASAR TEORI. dilakukan. Dengan demikian, pengembang mendapatkan rujukan pendukung,
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka, pengembang mengawali dengan menelaah penelitian terdahulu yang memiliki keterkaitan serta relevansi dengan penelitian
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 terperinciE-COMMERCE PADA UKM (Usaha Kecil Menengah) MEBEL DI KABUPATEN KUDUS
E-COMMERCE PADA UKM (Usaha Kecil Menengah) MEBEL DI KABUPATEN KUDUS Oleh: MARIA KRISTANTI 2009-51-145 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA KOMPUTER PROGRAM STUDI TEKNIK
Lebih terperinciPEMBUATAN SISTEM INFORMASI GEOGRAFIS SHOWROOM DAN BENGKEL MOBIL DI SURABAYA BERBASIS WEB
PEMBUATAN SISTEM INFORMASI GEOGRAFIS SHOWROOM DAN BENGKEL MOBIL DI SURABAYA BERBASIS WEB Johan Pison Jurusan Teknik Informatika / Fakultas Teknik Universitas Surabaya ti2.jhanz@gmail.com Abstrak - Kesulitan
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 terperinci3.1 Analisa Kebutuhan 3.2 Perancangan Penelitian 3.3 Teknik Analisis 3.4 Jadwal Penelitian. 3.1 Analisa Kebutuhan
JUDUL TA : PENERAPAN COLLABORATIVE FILTERING UNTUK SISTEM REKOMENDASI PADA RENTAL VCD HAPPY BAB III. METODE PENELITIAN 3.1 Analisa Kebutuhan 3.2 Perancangan Penelitian 3.3 Teknik Analisis 3.4 Jadwal Penelitian
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 terperinciSISTEM INFORMASI PENJUALAN PRODUK BENANG PADA PT. CENTRAL GEORGETTE NUSANTARA CIMAHI
SISTEM INFORMASI PENJUALAN PRODUK BENANG PADA PT. CENTRAL GEORGETTE NUSANTARA CIMAHI Mohamad Aris Hardianto 1*, Wina witanti 2*,Agus Komarudin 3* 1,2,3 Program Studi Informatika, Fakultas MIPA, Universitas
Lebih terperinciABSTRAK. Kata kunci : Information Retrieval system, Generalized Vector Space Model. Universitas Kristen Maranatha
ABSTRAK Information retrieval (IR) system adalah sistem yang secara otomatis melakukan pencarian atau penemuan kembali informasi yang relevan terhadap kebutuhan pengguna. Kebutuhan pengguna, diekspresikan
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 terperinciPEMBANGUNAN MEDIA E-COMMERCE FAJAR TOSERBA TALAGA
D.5 PEMBANGUNAN MEDIA E-COMMERCE FAJAR TOSERBA TALAGA Siti Widiani *, Tacbir Hendro Pudjiantoro, Asep Id Hadiana Program Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Jenderal
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 terperinciLAPORAN TUGAS AKHIR SISTEM PEMILIHAN PERUMAHAN DI BANYUMAS DENGAN METODE ANALYTIC HIERARCHY PROCESS
LAPORAN TUGAS AKHIR SISTEM PEMILIHAN PERUMAHAN DI BANYUMAS DENGAN METODE ANALYTIC HIERARCHY PROCESS Diajukan untuk memenuhi salah satu syarat memperoleh derajat Sarjana Komputer ARIF RAGIL NUGROHO 0903040020
Lebih terperinciSISTEM PEMILIHAN KOPI FAVORITE
LAPORAN SKRIPSI SISTEM PEMILIHAN KOPI FAVORITE UNTUK MEMPERMUDAH DAN MENINGKATKAN LAYANAN KONSUMEN DI ESTU KOPI BERBASIS WEB DENGAN METODE WEIGHTING PRODUCT ORIN HILDA KARINA NIM. 2012-53-020 DOSEN PEMBIMBING
Lebih terperinciPEMANFAATAN SISTEM INFORMASI DALAM MENINGKATKAN PENJUALAN DI CV. JAPURAN KOTA TEGAL
PEMANFAATAN SISTEM INFORMASI DALAM MENINGKATKAN PENJUALAN DI CV. JAPURAN KOTA TEGAL M. Nasif Irawan A12.2008.03287 Dr. Abdul Syukur, Drs, M.M S1 Sistem Informasi Fakultas Ilmu Komputer Universitas Dian
Lebih terperinciVol.17 No.2. Agustus 2015 Jurnal Momentum ISSN : X CASED BASED REASONING UNTUK PEMILIHAN KEGIATAN ORGANISASI MAHASISWA
CASED BASED REASONING UNTUK PEMILIHAN KEGIATAN ORGANISASI MAHASISWA Oleh: Arif Rohmadi* *)Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Abstrak Organisasi
Lebih terperinciSistem Informasi Penjualan Online Pada Toko Yusuf Bekasi
Vol.2 No.2, November 2017, pp. 24~30 ISSN: 2527-449X E-ISSN: 2549-7421 24 Sistem Informasi Penjualan Online Pada Toko Yusuf Bekasi Miwan Kurniawan Hidayat 1, Retno Catur Pangestu Ningrum 2 1 Program Studi
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN Pada bagian ini akan dijelaskan tentang pendahuluan dalam penyusunan laporan tugas akhir, yang meliputi latar belakang masalah, identifikasi masalah, rumusan masalah, maksud dan tujuan
Lebih terperinciAPLIKASI DATA MINING UNTUK ANALISIS ASOSIASI POLA PEMBELIAN DENGAN ALGORITMA APRIORI
APLIKASI DATA MINING UNTUK ANALISIS ASOSIASI POLA PEMBELIAN DENGAN ALGORITMA APRIORI SKRIPSI Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer pada Departemen Ilmu Komputer/ Informatika
Lebih terperinciTEKNIK VECTOR SPACE MODEL (VSM) DALAM PENENTUAN PENANGANAN DAMPAK GAME ONLINE PADA ANAK
F.13 TEKNIK VECTOR SPACE MODEL (VSM) DALAM PENENTUAN PENANGANAN DAMPAK GAME ONLINE PADA ANAK Bania Amburika 1*,Yulison Herry Chrisnanto 1, Wisnu Uriawan 2 1 Jurusan Informatika, Fakultas MIPA, Universitas
Lebih terperinciKLASIFIKASI KEIKUTSERTAAN KELUARGA DALAM PROGRAM KELUARGA BERENCANA (KB) DI KOTA SEMARANG MENGGUNAKAN METODE MARS DAN FK-NNC
KLASIFIKASI KEIKUTSERTAAN KELUARGA DALAM PROGRAM KELUARGA BERENCANA (KB) DI KOTA SEMARANG MENGGUNAKAN METODE MARS DAN FK-NNC SKRIPSI Oleh : ARYONO RAHMAD HAKIM NIM : 24010211140104 DEPARTEMEN STATISTIKA
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 terperinciPERANCANGAN UML Penyewaan Alat Musik
Cover PERANCANGAN UML Penyewaan Alat Musik Disusun oleh: Juri Anta Tarigan (13111056) Dimas Agus Sardhika UNIVERSITAS MERCUBUANA YOGYAKARTA PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI
Lebih terperinciRANCANG BANGUN APLIKASI MARKET BASKET ANALYSIS (MBA) PADA MINIMARKET UD. DIANI DENGAN ALGORITMA CT-PRO
RANCANG BANGUN APLIKASI MARKET BASKET ANALYSIS (MBA) PADA MINIMARKET UD. DIANI DENGAN ALGORITMA CT-PRO Oleh Gede Agus Eka Kharisma Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan Universitas
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 terperinciPEMBUATAN WEBSITE MOVIE DENGAN SISTEM RECOMMENDER FILM BERBASIS METODE COLLABORATIVE FILTERING ABSTRAK
PEMBUATAN WEBSITE MOVIE DENGAN SISTEM RECOMMENDER FILM BERBASIS METODE COLLABORATIVE FILTERING *)Devi Dwi Purwanto, **)Yosi Kristian *)Sistem Informasi, **)Teknik Informatika Sekolah Tinggi Teknik Surabaya
Lebih terperinciSISTEM PENENTUAN PEMASANGAN SALURAN AIR PDAM KOTA CIMAHI DENGAN MENGGUNAKAN CBR DAN ALGORITMA NEAREST NEIGHBORS
SISTEM PENENTUAN PEMASANGAN SALURAN AIR PDAM KOTA CIMAHI DENGAN MENGGUNAKAN CBR DAN ALGORITMA NEAREST NEIGHBORS ABSTRAKS Feri Frasetiyono 1, Gunawan Abdillah 2, Asep Id Hadiana 3 Program Studi Informatika,
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 terperinciPERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO
PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO Rizky Mei Anggraeni Program Studi Teknik Informatika,
Lebih terperinci