Penerapan Collaborative Filtering, PCA dan K-Means dalam Pembangunan Sistem Rekomendasi Ongoing dan Upcoming Film Animasi Jepang

Mu'tashim Billah, Muhammad Aidil Zartesya, Desy Komalasari

Abstract


Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi anime menggunakan kombinasi dari Collaborative Filtering, PCA, dan K-Means. Metode PCA diterapkan pada data agar waktu yang dibutuhkan saat proses clustering lebih cepat. Rata-rata kompleksitas waktu yang dihasilkan adalah 2.99602. Proses clustering akan menentukan karakteristik seorang user berdasarkan tingkat kemiripan dengan user lainnya. Didapatkan hasil k terbaik dari pengujian Silhouette Coefficient dan pengujian Elbow terletak pada k = 3. Rekomendasi yang dihasilkan kemudian dihitung dengan Mean Reciprocal Rank (MRR) untuk mengetahui tingkat ketepatan sebuah rekomendasi. Rata-rata MRR yang dihasilkan adalah 0.5619. Dari nilai tersebut dapat dikatakan rekomendasi yang dihasilkan cukup tepat.

Keywords


Collaborative Filtering, Film, K-Means Clustering, Mean Reciprocal Rank, PCA, Sistem Rekomendasi

References


B. T. W. Utomo and A. W. Anggriawan, “Sistem Rekomendasi Paket Wisata Se-Malang Raya Menggunakan Metode Hybrid Content Based Dan Collaborative,” J. Ilm. Teknol. Inf. Asia, vol. 9, no. 1, pp. 6–13, 2015.

M. Nilashi, K. Bagherifard, O. Ibrahim, H. Alizadeh, L. A. Nojeem, and N. Roozegar, “Collaborative filtering recommender systems,” Res. J. Appl. Sci. Eng. Technol., vol. 5, no. 16, pp. 4168–4182,

F. XUE, X. HE, X. WANG, J. XU, K. LIU, and R. HONG, “Deep item-based collaborative filtering for top-n recommendation,” arXiv, vol. 37, no. 3, 2018.

Z. Tan and L. He, “An Efficient Similarity Measure for User-Based Collaborative Filtering Recommender Systems Inspired by the Physical Resonance Principle,” IEEE Access, vol. 5, pp. 27211–27228, 2017, doi: 10.1109/ACCESS.2017.2778424.

J. Lever, M. Krzywinski, and N. Altman, “Points of Significance: Principal component analysis,” Nat. Methods, vol. 14, no. 7, pp. 641–642, 2017, doi: 10.1038/nmeth.4346.

M. A. Syakur, B. K. Khotimah, E. M. S. Rochman, and B. D. Satoto, “Integration K-Means Clustering Method and Elbow Method for Identification of the Best Customer Profile Cluster,” IOP Conf. Ser. Mater. Sci. Eng., vol. 336, no. 1, 2018, doi: 10.1088/1757-899X/336/1/012017.

R. Lletí, M. C. Ortiz, L. A. Sarabia, and M. S. Sánchez, “Selecting variables for k-means cluster analysis by using a genetic algorithm that optimises the silhouettes,” Anal. Chim. Acta, vol. 515, no. 1, pp. 87–100, 2004, doi: 10.1016/j.aca.2003.12.020.

Y. Shi, A. Karatzoglou, L. Baltrunas, M. Larson, N. Oliver, and A. Hanjalic, “CLiMF,” p. 139, 2012, doi: 10.1145/2365952.2365981.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Senamika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.