Mereduksi Error Prediksi Pada Sistem Rekomendasi Menggunakan Pendekatan Colalborative Filtering Berbasis Model Matrix Factorization

Annas Al Amin

Abstract

Sistem pemberi rekomendasi banyak digunakan pada banyak website seperti marketplace, streaming film, e-commerce, dll untuk menghasilkan rekomendasi item yang sesuai dan disukai kepada setiap penggunanya. Pendekatan tradisional collaborative filtering berbasis memory saat ini masih banyak digunakan dalam sistem rekomendasi. Pendekatan ini bertumpu pada rating yang diberikan oleh pengguna terhadap suatu item sebagai pendekatan dasar untuk menghitung kesamaan respon pengguna terhadap produk untuk memberikan rekomendasi item, namum kelemahannya error prediksi yang dihasilkan saat memberikan rekomendasi item tinggi. Penelitian ini bertujuan untuk mereduksi error prediksi dari pendekatan collaborative filtering berbasis memory dengan menggunakan collaborative filtering berbasis model matrix factorization supaya dapat memperbaiki metode pada penelitian sebelumnya. Pendekatan collaborative filtering berbasis model matrix factorization merupakan salah satu pendekatan dalam sistem rekomendasi yang mampu mengurangi error prediksi untuk menghasilkan rekomendasi item yang akurat. Metode yang diusulkan telah dievaluasi sebanyak 5 kali iterasi menggunakan root mean squared error untuk mengukur error prediksi. Hasilnya, pendekatan collaborative filtering berbasis model matrix factorization yang kami usulkan mampu menghasilkan error prediksi terkecil sebesar 0,6814 sedangkan collaborative filtering berbasis memory menghasilkan error prediksi lebih besar yaitu 2,984.

Keywords

Recommender System; Collaborative Filtering; Matrix Factorization; SVD; Machine Learning;

Full Text:

PDF

References

N. Nassar, A. Jafar, and Y. Rahhal, “A novel deep multi-criteria collaborative filtering model for recommendation system,” Knowledge-Based Syst., vol. 187, p. 104811, 2020, doi: 10.1016/j.knosys.2019.06.019.

S. Jiang, S. C. Fang, Q. An, and J. E. Lavery, “A sub-one quasi-norm-based similarity measure for collaborative filtering in recommender systems,” Inf. Sci. (Ny)., vol. 487, pp. 142–155, 2019, doi: 10.1016/j.ins.2019.03.011.

Y. Lv, Y. Zheng, F. Wei, C. Wang, and C. Wang, “AICF: Attention-based item collaborative filtering,” Adv. Eng. Informatics, vol. 44, no. February, p. 101090, 2020, doi: 10.1016/j.aei.2020.101090.

K. Li, X. Zhou, F. Lin, W. Zeng, B. Wang, and G. Alterovitz, “Sparse online collaborative filtering with dynamic regularization,” Inf. Sci. (Ny)., vol. 505, pp. 535–548, 2019, doi: 10.1016/j.ins.2019.07.093.

S. Rahmawati, D. Nurjanah, and R. Rismala, “Analisis dan Implementasi pendekatan Hybrid untuk Sistem Rekomendasi Pekerjaan dengan Metode Knowledge Based dan Collaborative Filtering,” Indones. J. Comput., vol. 3, no. 2, p. 11, 2018, doi: 10.21108/indojc.2018.3.2.210.

A. S. Tewari, “Generating Items Recommendations by Fusing Content and User-Item based Collaborative Filtering,” Procedia Comput. Sci., vol. 167, no. 2019, pp. 1934–1940, 2020, doi: 10.1016/j.procs.2020.03.215.

S. Natarajan, S. Vairavasundaram, S. Natarajan, and A. H. Gandomi, “Resolving data sparsity and cold start problem in collaborative filtering recommender system using Linked Open Data,” Expert Syst. Appl., vol. 149, p. 113248, 2020, doi: 10.1016/j.eswa.2020.113248.

Y. Hu, F. Xiong, D. Lu, X. Wang, X. Xiong, and H. Chen, “Movie collaborative filtering with multiplex implicit feedbacks,” Neurocomputing, no. xxxx, 2019, doi: 10.1016/j.neucom.2019.03.098.

A. E. Wijaya and D. Alfian, “Sistem Rekomendasi Laptop Menggunakan Collaborative Filtering Dan Content-Based Filtering,” J. Comput. Bisnis, vol. 12, no. 1, pp. 11–27, 2018.

B. Prasetyo, H. Haryanto, S. Astuti, E. Z. Astuti, and Y. Rahayu, “Implementasi Metode Item-Based Collaborative Filtering dalam Pemberian Rekomendasi Calon Pembeli Aksesoris Smartphone,” Eksplora Inform., vol. 9, no. 1, pp. 17–27, 2019, doi: 10.30864/eksplora.v9i1.244.

H. Hwangbo, Y. S. Kim, and K. J. Cha, “Recommendation system development for fashion retail e-commerce,” Electron. Commer. Res. Appl., vol. 28, pp. 94–101, 2018, doi: 10.1016/j.elerap.2018.01.012.

C. Feng, J. Liang, P. Song, and Z. Wang, “A fusion collaborative filtering method for sparse data in recommender systems,” Inf. Sci. (Ny)., vol. 521, pp. 365–379, 2020, doi: 10.1016/j.ins.2020.02.052.

G. Geetha, M. Safa, C. Fancy, and D. Saranya, “A Hybrid Approach using Collaborative filtering and Content based Filtering for Recommender System,” J. Phys. Conf. Ser., vol. 1000, no. 1, 2018, doi: 10.1088/1742-6596/1000/1/012101.

Hanafi, N. Suryana, and A. S. B. H. Basari, “Hybridization approach to eliminate sparse data based on nonnegative matrix factorization & deep learning,” J. Theor. Appl. Inf. Technol., vol. 96, no. 14, pp. 4502–4512, 2018.

F. M. Harper and J. A. Konstan, “The movielens datasets: History and context,” ACM Trans. Interact. Intell. Syst., vol. 5, no. 4, pp. 1–19, 2015, doi: 10.1145/2827872.

DOI: https://doi.org/10.35200/explore.v11i2.434

Refbacks

  • There are currently no refbacks.