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 :
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<>br> Dalam persaingan yang ketat di dunia industri, khususnya dalam industri telekomunikasi semakin ketat. Oleh karena itu, masing-masing operator telekomunikasi berlomba-lomba untuk memberikan layanan terbaik agar dapat menarik konsumen yang lebih banyak. Namun, sebelum membuat suatu layanan telekomunikasi, haruslah ada analisis pasar khususnya pelanggan, agar dapat diketahui layanan seperti apa yang dibutuhkan dan diinginkan oleh pelanggan tersebut. Dengan perkembangan sistem informasi, analisis menggunakan data mining menjadi pilihan. Dalam penelitian ini dibuat suatu model KDD Knowledge Discovery Data dengan menggunakan algoritma sistem rekomendasi yang dikombinasikan dengan social network analysis untuk memprediksi suatu layanan apakah diterima oleh pelanggan atau tidak. Dalam penelitian ini terdapat empat macam model sistem rekomendasi, yaitu collaborative filtering, content based filtering, hybrid filtering dan stochastic gradient descent. Kemudian hybrid filtering dan stochastic gradient descent dikombinasikan dengan hasil analisis dari jaringan sosial yang berupa nilai-nilai pagerank, eigenvector, modularity, degree dan sebagainya. Hasil dari kombinasi hybrid filtering dengan hasil analisis jaringan sosial tidak terlalu signifikan dan cenderung tetap, sedangkan hasil dari kombinasi stochastic gradient descent dengan hasil dari analisa jaringan sosial dapat menurunkan nilai RMSE dan MAE sebesar 0,001 sampai 0,010 dan 0,011 sampai 0,013.

---

ABSTRACT<>br> In the fierce competition in the industrial world, especially in the telecommunications industry is getting tighter. Therefore, each telecommunicationoperator will compete to provide the best service to attract more consumers. However, before performing a telecommunication service, there must be a market analysis, especially customers, to know what kind of service is needed and desired by the customer. With the development of information systems, analysis using data mining becomes an option. In this research will be made a model of KDD Knowledge Discovery Data using a recommendation system algorithm combined with social network analysis to predict a service whether received by customers or not. In this research, there are four models of the recommendation system they are collaborative filtering, content based filtering, hybrid filtering and stochastic gradient descent. Then hybrid filtering and stochastic gradient descent combined with the results of analysis of social networks in the form of PageRank values, eigenvector, modularity, degree and so forth. The result of hybrid filtering combination with social network analysis result is not very significant and tends to remain, while the result of stochastic gradient descent combination with result of social network analysis can decrease RMSE and MAE value about 0.001 to 0.010 and 0.011 to 0.013.

Abstrak :
Sistem rekomendasi dan pemelajaran mesin berbasis graf adalah bidang ilmu yang sedang berkembang dan populer. Sistem rekomendasi telah banyak digunakan sebagai alat yang dapat memberikan rekomendasi produk kepada pengguna. Sistem rekomendasi dapat digunakan untuk melakukan prediksi produk perbankan yang akan disarankan kepada pengguna, sehingga memudahkan pengguna untuk memilih produk perbankan yang tepat dan sudah dipersonalisasi. Perkembangan pemelajaran mesin berbasis graf dapat diimplementasikan dalam segala hal yang dapat direpresentasikan dalam bentuk graf. Rekomendasi produk perbankan dapat diterapkan dalam bentuk graf yaitu dengan menghubungkan nasabah yang pernah membeli produk ataupun nasabah yang memiliki profil yang mirip. Dari graf yang telah dibentuk, akan dilakukan prediksi sehingga nasabah baru dapat diklasifikasikan sebagai direkomendasikan dengan menghubungkan nasabah tersebut kedalam graf. Dalam penelitian ini, diterapkan tiga model rekomendasi berbasis graf dan tiga model rekomendasi berbasis pohon. Model berbasis graf yang digunakan adalah GraphSAGE, GAT dan GCN. Model berbasis pohon yang digunakan adalah Random Forest, LightGBM dan XGBoost. Dari keenam model yang dibuat, dilakukan perbandingan terhadap performa dan waktu inferensi. Hasil eksperimen menunjukkan bahwa model rekomendasi berbasis graf menghasilkan nilai AUC tertinggi 0,974 sedangkan untuk model rekomendasi berbasis pohon mendapatkan nilai AUC tertinggi 0,863 yang menunjukan bahwa model berbasis graf memiliki performa yang lebih baik dibandingkan model berbasis pohon. Pada penelitian ini juga didapatkan bahwa waktu inferensi dari model berbasis pohon lebih cepat 900 kali lipat dibandingkan waktu inferensi model berbasis graf. ......Recommendation systems and graph-based machine learning are growing and popular fields nowadays. Recommendation system has been widely used as a tool that can provide product recommendations to users. Recommendation system can be used to predict banking products that will be suggested to users, making it easier for users to choose the right and personalized banking products. The development of graph-based machine learning can be implemented in everything that can be represented in the form of a graph. Recommendations for banking products can be applied in the form of graphs with connecting customers who have purchased the product or customers who have a similar profile to customers who have purchased the product. From the graph that has been formed, predictions will be made so that new customers can be classified as recommended by connecting these customers to the graph. In this study, three graph-based recommendation models and three tree-based recommendation models were applied. The graph-based models used are GraphSAGE, GAT and GCN. The tree-based models used are Random Forest, LightGBM and XGBoost. Comparison was made on the performance and inference time from the six models that have been made. The experiment results show that the graph-based recommendation model get highest AUC score 0.974 and tree-based recommendation model get highest AUC score 0.863 which indicates that graph-based recommendation model get better performace than tree-based recommendation model. It also fount that time inference of the tree-based model is 900 times faster than the inference time of the graph-based model.

Abstrak :
ABSTRAK
PergiKuliner adalah perusahaan penyedia layanan informasi restoran secara online. PergiKuliner berdiri untuk menjadi teman pergi kuliner dengan menyediakan informasi yang tepat, akurat, dan terpercaya. Sayangnya, saat ini PergiKuliner kalah bersaing dengan para kompetitornya. Dilihat dari teknologi yang dimiliki oleh kompetitor, PergiKuliner belum memiliki sistem rekomendasi restoran berdasarkan preferensi pengguna. Oleh karena itu, PergiKuliner perlu mengembangkan teknologi tersebut untuk dapat bersaing dengan para kompetitornya.Penelitian ini menghasilkan sebuah sistem rekomendasi menggunakan pendekatan hybird filtering dengan mengkombinasikan fitur dari pendekatan collaborative filtering dan content based filtering untuk menghasilkan sebuah model. Model terbaik yang dapat digunakan oleh sistem ini adalah model yang dibangun berdasarkan item similarity.

---

ABSTRACT
PergiKuliner is a company that provides restaurant 39 s information online. PergiKuliner is founded for being the best eat out partner by providing information precisely, accurately, and trusted. Unfortunately, PergiKuliner is falling behind compared to the competitors. In terms of technology, PergiKuliner hasn 39 t yet had any restaurant recommendation system features based on user preferences. Therefore, PergiKuliner needs to develop this features in order to compete with its competitors.This research has been developed restaurant recommedation system using hybrid filtering approach that combines features from collaborative filtering and content based filtering to create a model. A model built on item similarity is the best model that this system can use.

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.

Abstrak :
ABSTRAK
Penggunaan word embedding sebagai pemodelan topik telah banyak dilakukan. Hasil dari pemodelan topik tersebut turut membantu dalam mengubah pola pikir para peneliti tentang teks sebagai suatu nilai. Menurut studi yang dilakukan oleh Mikolov et al. (2013) mengenai word embedding, mereka mengubah teks-teks tersebut menjadi suatu vektor yang dapat divisualisasikan dalam ruang vektor kontinu yang secara fleksibel dapat dihitung jarak kedekatannya dan dapat diolah lebih lanjut dengan menggabungkannya dengan metode yang lain seperti LSTM (Long Short Term Memory), CNN (Convolutional Neural Network), dll untuk berbagai keperluan penelitian. Beragam penelitian berkembang menggunakan hasil dari nilai embedding tersebut untuk tujuan yang lebih kompleks, mendorong penulis untuk kembali mengkaji manfaat dasar dari hal tersebut kemudian menggalinya untuk tujuan akhir lain yang belum pernah dilakukan penelitian lain sebelumnya.

Penelitian ini menggunakan nilai akhir embedding secara sederhana sebagai sistem rekomendasi berbasis konten yang kemudian berkembang dengan kebaruan untuk digunakan sebagai alat bantu untuk melakukan tinjauan sistematis. Hasil penelitian ini menunjukkan bahwa kebaikan penggunaan metode word embedding sangat bervariasi tergantung dari dataset dan hyperparameter yang digunakan.

---

ABSTRACT
The utilization of word embedding as topic modeling has been widely carried out. The results helped to change the researchers' mindset regarding text as a value. According to a study conducted by Mikolov et al. (2013) regarding word embedding, they convert these texts into vectors that can be visualized in a continuous vector space which can be flexibly calculated of its proximity and can be further processed by combining it with other methods such as LSTM (Long Short Term Memory), CNN (Convolutional Neural Network), etc. for various research purposes. Various studies have been developing by using the embedding value for more complex purposes, thus encouraging the author to re-examine the basic benefits of it then explore it for other purposes that have never been done by other studies before.

This study simply used embedding value as a content-based recommendation system which then it developed with novelty to be used as a tool to conduct systematic review. The results of this study indicate that the merits of using word embedding method vary greatly depending on the dataset and hyperparameters used.

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 :
Peningkatan kunjungan di situs web Online Public Access Catalog (OPAC) Perpustakaan Universitas Indonesia perlu disertai dengan peningkatan kualitas pelayanan, salah satunya melalui penyusunan sistem rekomendasi buku dalam situs web OPAC. Untuk menyusun sistem tersebut, penggalian pola asosiasi antar buku dilakukan dengan menggunakan salah satu metode data mining yaitu association rules. Dua algoritma digunakan yakni algoritma Apriori dan Apriori Inverse. Untuk menguji dan menyeleksi pola yang dihasilkan, objective interestingness measure dilakukan dan menghasilkan sembilan belas pola asosiasi sebagai luaran (output) akhir penelitian. ......An increasing use of Online Public Access Catalog (OPAC) Universitas Indonesia Library's website should be followed by a service quality improvement, such as organizing a book recommendation system. To build mentioned system, user behaviors in terms of loaned books were discovered by using one of data mining techniques namely association rules. In this research, two algorithms were used which are Apriori and Apriori Inverse. After all association rules were gathered, objective interestingness measure were conducted to evaluate the quality of association rules and resulted nineteen association rules as final output.

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.