Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Marketplace terus mengalami perkembangan yang ditunjukkan oleh jumlah pelanggan dan jumlah penjualan yang terus mengalami peningkatan. Namun, penjualan secara online seperti marketplace memiliki beberapa keterbatasan untuk memberikan pengalaman pembelian yang personal. Sistem rekomendasi dapat membantu marketplace untuk mengatasi keterbatasan tersebut, sehingga pelanggan dapat menemukan produk atau layanan berdasarkan preferensi mereka. Pada penelitian ini, kami mengusulkan untuk mengembangkan sistem rekomendasi produk menggunakan algoritma Neural Collaborative Filtering (NCF). NCF adalah algoritma collaborative filtering berbasis deep learning dan faktorisasi matriks. Sistem rekomendasi produk yang akan dibangun menggunakan data umpan balik implisit dalam bentuk data pembelian dari pelanggan. Umpan balik implisit adalah jenis data yang dapat diandalkan untuk membangun sistem rekomendasi. Hasil penelitian telah menunjukkan bahwa NCF mencapai kinerja terbaik dan paling unggul dibanding metode yang lain.

---

ABSTRACT
Marketplace continuesly growth as indicated by the number of customers and the number of sales that continue to increase. However, online sales like a marketplace have several limitations to provide a personal purchasing experience. The recommendation system can help the online market to overcome these limitations, so that customers can find products or services based on their preferences. In this study, we propose to develop a product recommendation system using the Neural Collaborative Filtering (NCF) algorithm. NCF is a collaborative filtering algorithm based on deep learning and matrix factorization. The product recommendation system will be built using implicit feedback data in the form of customer purchase data. Implicit feedback is a type of data that can be relied upon to build a recommendation system. The results of the study have shown that NCF achieves the best performance compared to state-of-the-arts methods.

Abstrak :
ABSTRAK
Pada dunia ritel grosir, keragaman pembelian barang oleh pelanggan berkaitan erat terhadap laba. Pembelian satu barang yang sama dalam jumlah besar akan mendapatkan potongan harga yang lebih besar. Pemotongan harga ini mengurangi laba dari perusahaan ritel. Oleh karena itu, pelanggan selalu diharapkan untuk membeli banyak barang yang berbeda. PT Lotte Shopping Indonesia telah menetapkan target pencapaian untuk keragaman pembelian barang pada segmen pelanggan ritel dan horeka. Namun saat ini target tersebut masih belum dapat terpenuhi. Kesulitan yang dialami adalah menawarkan barang yang tepat kepada pelanggan. Inovasi yang dapat diterapkan adalah pengembangan sistem rekomendasi untuk menawarkan barang yang relevan. Penelitian ini menggunakan pendekatan collaborative filtering untuk membangun model sistem rekomendasi. Penelitian dilakukan terhadap data penjualan 2,5 tahun terakhir dengan jumlah transaksi mencapai 4,6 juta. Hasil dari penelitian menunjukkan bahwa metode memory-based k-Nearest Neighbors mengungguli metode model-based Singular Value Decomposition. Selain itu ditemukan bahwa segmentasi pelanggan tidak berhasil meningkatkan kinerja sistem.

---

ABSTRACT
The variety of goods purchased by customer closely related to retailer rsquo s profit. When an item purchased in large amount, it will get a larger discount which hurts retailer rsquo s profit. Big retailer chain always tries to entice customer to buy many different set of items. PT Lotte Shopping Indonesia has targets for variety of goods purchased in their retail and horeca segments. This target has not achieved regularly. Marketing team have trouble in offering right products. Recommendation system used in many e commerce retailers to offer relevant products. This study uses collaborative filtering approach to build recommendation system. The study conducted on sales data in the last 2.5 years with numbers transactions of 4.6 million. The result shows that memory based k Nearest Neighbors method outperformed the model based Singular Value Decomposition method. In addition, it was found that customer segmentation could not improve system performance.

Abstrak :
ABSTRAK Pesatnya perkembangan teknologi infomzasi saat ini, telah berdampak terhadap tmnsaksi perdagangan, dimana proses perdagangan tidak hanya menggunakan cara konvensional teiapi telah memanfaatkan teknologi informasi. Keberadaan suatu sistem yang dapat memberikan rekomendasi kepada pengguna atau lebih dikenal dengan istilah sistem rekomendasi mulai banyak diperhitungkan. Yang menjadi permasalahan adalah apakah nekomendasi yang diberikan telah sesuai dengan keinginan dan kebutuhkan pcngguna. Tesis ini menguraikan tentang analisis akurasi prediksi yang diperoleh dari sistem rekomcndasi berdasarkan metode collaborative _filtering dengan menggunakan teknik Non-Negative Matrix Factor-ization (NA09. Hasii pengujian menunjukkan bahwa akurasi prediksi yang dihasilkan telah relatifbaik dengan nilai kesalahan sebesar 0,95049l.

---

Abstract Perfomance Analysis of Non-Negative Matrix Factorization (NMF) in Recommendation Systems The rapid development of infonnation technology today, has an impact on trade transactions, where the trade is not only using conventional means but it has been using infonnation technology. The existence of a system that can provide recommendations to the user, or better known as a recommendation system began many counts. What matters is whether the recommendations are in accordance with the wishes and the needs of users. This thesis describes the analysis ofthe accuracy of predictions obtained from a recommendation system based on collaborative filtering method using the technique of Non-Negative Matrix Factorization (NMF). Test mults show that the resulting prediction accuracy was relatively good with an error value of 0.950491.

Abstrak :
Sistem rekomendasi merupakan model penyelesaian masalah yang menerapkan teknik-teknik tertentu untuk memberikan rekomendasi suatu infomaasi, produk dan jasa. Salah sam pendekatan yang digunakan dalam sistem rekomendasi yaitu melalui pendekatan collaborative filtering dengan menggunakan teknik/metode faktorisasi matriks (matrix factorization). Seberapa baik suatu metode diterapkan dalam sistem rekomendasi diukur dari kinerja atau akurasi model tersebut. Penelitian ini menguji kinelja metode Regularized Incremental Simultaneous Matrix Factorization (RISMF) dalarn sistem rekomendasi melalui studi eksprimen. Eksperimen dilakukan melalui simulasi komputasi untuk mendapatkan parameter model yang optimal. Hasihmya menunjukkan bahwa akurasi model pada saat parameter mencapai optimal sebesar 0.93. Hasil tersebut membuktikan bahwa metode RISMF cukup baik digunakan dalam sistem rekomendasi. ......Recommendation System is a problem solving model by using methods to give recommendation some infomtations, products and services. Matrix Factorization for collaborative filtering is one of approach in recommendation system. How well a applied method in recommendation system measure from performance or accuration this model. This research examined performance of Regularized Incremental Simultaneous Matrix Factorization (RISMF) method on recommendation system by experimental study. Experiment was done for get optimum parameter model. The result shown that accuracy value on parameter optimum is 0.93. The result proof that RISMF method good enough used in recommendation system.

Abstrak :
ABSTRAK Di era New economy, industri influencer merupakan bentuk nyata dari perkembangan ekonomi. Industri influencer yang terdiri dari tiga unsur yaitu influencer marketing, influencer media sosial, dan audiens media sosial. Dalam mengkaji studi ini, fokus analisis saya adalah audiens media sosial yang terbagi menjadi digital immigrant dan digital native. Bagi kedua kategori audiens media social, influencer merupakan collaborative filtering yang berguna sebagai penyaring informasi. Walaupun influencer media social lebih berguna menjadi collaborative filtering bagi audiens digital native dibanding dengan audiens digital immigrant.

---

ABSTRACT In the New economy era, the influencer industry is a tangible form of economic development. The influencer industry consists of three elements such as influencer marketing, social media influencer, and social media audience. In reviewing this study, my focus on analysis was a social media audience that divided into digital immigrant and digital native. For both categories of social media audiences, influenceres are a form of collaborative filtering that is useful as information filters. Altough social media influencers are more useful as filters for digital native audiences compared to digital immigrant audiences.

Abstrak :
ABSTRAK
Di tengah persaingan e-commerce di Indonesia yang semakin ketat, membuat perusahaan e-commerce dituntut dapat bersaing dalam memberikan nilai tambah layanan bagi pelanggannya agar dapat meningkatkan jumlah pelanggan dan disertai dengan angka pemesanan yang meningkat juga. Hal ini juga berlaku bagi e-commerce dalam industri pariwisata, salah satunya Triptrus. Salah satu tantangan yang dihadapi Triptrus adalah untuk meningkatkan angka conversion rate. Salah satu cara peningkatan angka conversion rate adalah pemberian fitur rekomendasi produk. Penelitian ini bertujuan untuk mencari metode yang dapat memberikan rekomendasi terbaik yang pada akhirnya bertujuan agar dapat meningkatkan angka conversion rate dari Triptrus yang masih rendah. Pada penelitian ini dilakukan pencarian metode rekomendasi yang terbaik disesuaikan dengan data internal yang dimiliki Triptrus. Penelitian ini bermula dari pengumpulan data internal untuk kemudian dibangum model rekomendasi menggunakan beberapa metode. Metode yang digunakan dalam penelitian ini diantaranya collaborative filtering, content based filtering, Hybrid Filtering dan stochastic gradient descent. Berdasarkan hasil penelitian, metode collaborative filtering, content based, dan hybrid kurang mampu memberikan rekomendasi yang cukup baik terhadap data Triptrus. Hasil terbaik dari ketiga metode ini didapatkan metode hybrid dengan nilai error RMSE 0.71. Di sisi lain algoritma stochastic gradient descent dapat memberikan rekomendasi paling baik dan memberikan ratio error RMSE paling kecil yaitu 0.11. Hasil penelitian ini adalah model rekomendasi produk yang dapat memberikan rekomendasi terbaik berdasarkan data internal Triptrus yaitu model yang dihasilkan menggunakan metode stochastic gradient descent.

---

ABSTRACT
Indonesian e commerce markets are getting more tight. This condition forces e commerce companies to provide value added services for their customer in order to increase numbers of customer, which also followed by increasing number of purchases. This also happened in tourism e commerce company, Triptrus. The challenge that triptrus faces is how to increase their conversion rates. One way to increase the number of conversion rate is the provision of a product recommendation feature. The purpose of this research is to find the best recommendation method that can improve conversion rate in Triptrus. In this research we looked for the best recommendation method that adapted to internal data of Triptrus. This research started with gathering internal data that followed by build recommendation based on several methods. Methods that used in this research are collaborative filtering, content based filtering, hybrid filtering and stochastic gradient descent. Based on the research result, collaborative filtering, content based, and hybrid lack of capability to give good recommendation. The best result from these three methods is hybrid with an error 0.71. In the other side stochastic gradient descent could gave best recommendation with smallest error ratio RMSE at 0.11. The result of this research is recommendation model that can give best recommendation adapted to Triptrus internal data. Best recommendation model is model that generated by stochastic gradient descent.

Abstrak :
Sistem rekomendasi kini telah menjadi fitur yang umum digunakan pada berbagai situs, termasuk situs katalog buku dan toko buku daring. Adanya sistem rekomendasi pada situs-situs tersebut berperan penting dalam proses pengambilan keputusan pengguna. Dua jenis sistem rekomendasi yang umum digunakan adalah content-based filtering dan collaborative filtering. Penelitian terdahulu menunjukkan bahwa statistical metrics bukan merupakan ukuran yang tepat untuk menentukan kualitas suatu sistem rekomendasi. Salah satu pendekatan lain adalah mengevaluasi sistem rekomendasi berdasarkan persepsi dari pengguna yang menggunakannya. Pada penelitian ini, dilakukan perbandingan antara persepsi pengguna terhadap content-based filtering dengan top-N recommendations dan collaborative filtering dengan matrix factorization menggunakan metode survei kuantitatif yang mengukur accuracy, diversity, novelty, perceived usefulnes, overall satisfaction dan use intention terhadap rekomendasi yang dihasilkan kedua jenis sistem rekomendasi. Hasil penelitian menunjukkan bahwa sistem rekomendasi content-based filtering memiliki accuracy, diversity, perceived usefulness, overall satisfaction dan use intention yang lebih tinggi daripada sistem rekomendasi collaborative filtering. Namun, tidak terdapat perbedaan nilai novelty yang signifikan antara sistem rekomendasi content-based filtering dan collaborative filtering. ......Recommendation system is now a common feature used in various sites, including online book catalogs and bookshops. The existence of recommendation systems on these sites has an important role in users' decision-making processes. Two of the most commonly used types of recommendation systems are content-based filtering and collaborative filtering. Literature has shown that statistical metrics are not suitable to measure the quality of recommendation systems. Instead, a recommendation system can be evaluated based on its users’ perceived qualities. Through this research, a comparison of users’ perception of content-based filtering with top-N recommendations and collaborative filtering with matrix factorization is conducted with a quantitative survey method which evaluates accuracy, diversity, novelty, perceived usefulness, overall satisfaction and use intention of recommendations produced by both recommendation systems. The results suggest that the content-based recommendation system has higher accuracy, diversity, perceived usefulness, overall satisfaction and use intention than collaborative filtering ones. However, there is not any significant difference between the novelty values of content-based and collaborative filtering recommendation systems.