Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pesatnya perkembangan teknologi telah mengubah perdagangan konvensional menjadi sistem perdagangan modern. Agar e-commerce berhasil harus dikembangkan menggunakan sistem yang akurat. Salah satu metode pada pendekatan collaborative filtering yaitu latent variable models berdasarkan faktorisasi matriks. Jika setiap vector pu yang menyatakan ketertarikan pengguna ke-u terhadap variabel tersembunyi dan setiap vector qi yang menyatakan hubungan item i dengan variabel tersembunyi dapat ditentukan, maka tingkat ketertarikan antara semua pengguna u pada setiap item i dapat ditentukan. Untuk menghindari terjadinya overfitting proses update pu dan qi dilakukan menggunakan metode gradient descent dengan regularisasi. Penelitian ini menentukan parameter k (banyaknya variabel tersembunyi) dan parameter (nilai regularisasi) agar model optimal. ......The rapid development of technology has changed the conventional trade into a modern trading system. In order for successful e-commerce must be developed using an accurate system. One method in collaborative filtering approach that is latent variable models based on matrix factorization. If any vector pu that expressed interest u user to a hidden variable and each qi vector expressing the relation item i with hidden variables can be determined, then the level of interest among all users u on every item i can be determined. To avoid overfitting the update process on pu vector and qi vector performed using gradient descent method with regularization. This study determines the parameter k (the number of hidden variables) and parameter (value regularization) that makes the model becomes optimal.

Abstrak :
Saat ini transaksi perdagangan tidak hanya menggunakan cara konvensional namun telah memanfaatkan perkembangan teknologi, informasi dan komunikasi yaitu transaksi jual beli secara elektronik atau online. Salah satu aplikasi yang diterapkan dalam jual beli secara online adalah sistem rekomendasi. Salah satu strategi dalam sistem rekomendasi adalah collaborative filtering dengan metode latent variable model. Latent variable model merupakan metode perekomendasian yang menganalisis pola hubungan diantara pengguna dan produk secara langsung, yaitu berdasarkan kemiripan/jarak antara pengguna dan produk. Hal ini dapat terjadi karena baik pengguna maupun produk memiliki fitur yang sama. Metode latent variable model yang sering digunakan pada sistem rekomendasi adalah faktorisasi matriks. Salah satu metode optimasi dalam faktorisasi matriks adalah metode gradient descent. Namun karena data yang tersedia dalam membangun model sistem rekomendasi cukup banyak bervariasi maka memungkinkan terjadinya overfitting dan bias. Oleh karena itu pada penelitian ini akan menganalisis akurasi model faktorisasi matriks berbasis metode gradient descent dengan regularisasi dan bias. Eksperimen dilakukan melalui simulasi komputasi untuk mendapatkan parameter model yang optimal. Berdasarkan eksperimen yang telah dilakukan pada saat 𝑘=5 dan 𝜆1=0.05 model faktorisasi matriks berbasis metode gradient descent dengan regularisasi dan bias memiliki tingkat akurasi yang lebih baik dengan model faktorisasi matriks berbasis metode gradient descent dengan regularisasi saja yaitu 0.93552 dan 1.19219. ......Nowdays transactions of trade does not only do conventionally but using technology development, information and communication, such as electronic trade or online. One of application which uses in online trade is recommender systems. One of strategy in recommendation system is collaborative filtering with latent variable model. Latent variable model is recommendation method which analyze pattern of relationship among user and product. This thing can occurred because user and product have the same feature. Latent variable model which commonly use is matrix factorization. One of optimist method in matrix factorization is gradient decsent method. But because many data and variation data, its will be overfitting and bias. Because of that, in this research will analyse accuracy of matrix factorization model based on gradient descent method with regularization and bias. Experiment is done by simulating computation to get optimal model parameter. Based on experiment when 𝑘=5 and 𝜆1=0.05 matrix factorization model based on gradient descent method with regularization and bias had better accuracy than matrix factorization model based on gradient descent method with only regularization, it?s 0.93552 and 1.19219.