Efektifitas Penggunaan Metode Autoencoder pada Recommender System Dalam  Domain E-commerce  - Dalam bentuk buku karya ilmiah

JAYANA CITRA AGUNG PRAMU PUTRA

Informasi Umum

Kode

24.04.846

Klasifikasi

001.64 - DATA PROCESSING

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Recommender Systems

Informasi Lainnya

Abstraksi

<p>Pertumbuhan data yang besar dalam pasar online bisa menyebabkan perkara bagi pengguna, salah satunya dalam mencari produk yang sesuai dengan keinginan. Sistem rekomendasi dapat mengatasi masalah tersebut dengan memberikan rekomendasi produk tertentu untuk dipromosikan dan ditawarkan kepada pembeli contohnya dengan Collaborative Filtering. Paradigma Collaborative Filtering terdiri dari teknik Memory-based dan Model-based. Teknik Model-based dianggap dapat melengkapi kekurangan memory-based karena tingginya skalabilitas, akurasi, dan pengurangan dimensi. Jenis model-based yang paling dikenal memiliki hasil yang baik adalah Singular Value Decomposition(SVD) dan yang sedang sering digunakan dalam beberapa waktu ini yaitu deep learning khususnya Autoencoder. Dua model di atas sangat popular digunakan dalam reduksi dimensi sehingga cocok untuk melakukan rekomendasi. Kelebihan Deep Learning adalah metode ini dapat dilakukan tanpa melakukan preprocessing sehingga dapat meminimalisir proses yang harus dilakukan. Hasil evaluasi menunjukkan bahwa error yang dihasilkan SVD dan Autoencoder lebih rendah dibandingkan dengan penelitian lain. RMSE sebesar 0.7 dan MAE sebesar 0.5. Meskipun RMSE dan MAE pada Autoencoder lebih besar dari SVD, hasil uji T- Test menunjukan bahwa tidak terdapat perbedaan yang signifikan pada dua hasil error. Autoencoder terbukti memiliki hasil yang baik tanpa preprocessing dan lebih efektif dengan proses yang lebih singkat serta tidak terdapat perbedaan yang signifikan dengan SVD. Maka, Autoencoder dapat dikatakan layak digunakan dan lebih efektif untuk memberikan rekomendasi.</p>

<p>Kata kunci : Sistem Rekomendasi; Singular Value Decomposition; Collaborative Filtering; Model-Based; Autoencoder</p>