Perpustakaan Digital ITB

Tugas Akhir ini berfokus pada pemanfaatan Sequential Pattern Mining (SPM) sebagai metode preproses masukan Enhanced Graph Embedding with Side Information atau EGES (Wang dkk., 2018). Tujuan dari penelitian ini adalah membangun graph embedding yang memiliki kepastian transaksi yang tinggi dengan mengganti masukan yang semula berupa histori akses laman item menjadi data histori pembelian item pada e-commerce. EGES menerima masukan berupa data histori akses laman dan informasi tambahan setiap item. Meskipun kinerjanya lebih baik dibanding metode graph embedding lain, EGES membutuhkan data yang besar agar kinerjanya baik. Penggunaan data histori pembelian yang jumlahnya lebih sedikit akan berpengaruh pada embedding yang dihasilkan. Dengan menggunakan SPM, data transaksi diubah menjadi sequential pattern yang memiliki frekuensi kemunculan relatif tinggi, sehingga data masukan lebih pasti. Hasil embedding dari EGES diproses menggunakan logistic regression, kemudian kinerjanya dibandingkan terhadap hasil embedding dari EGES tanpa SPM untuk mengetahui pengaruh penggunaan sequential pattern. Berdasarkan hasil pengujian, metode yang paling sesuai untuk preproses masukan EGES adalah SPADE (Zaki, 2001) dan SPAM (Ayres dkk., 2002) dengan nilai AUC mencapai 0.5757, 5-6% lebih tinggi dibandingkan EGES tanpa SPM, dan nilai AUPR mencapai 0.7867, 40% lebih tinggi dibanding EGES tanpa SPM. Berdasarkan analisis dan eksperimen, SPM merupakan metode yang sesuai untuk preproses masukan EGES, dan bentuk sequential pattern sesuai untuk digunakan sebagai masukan EGES. Selain metode SPM, hal-hal yang memengaruhi kualitas prediksi model dari EGES adalah jumlah data, keseimbangan jumlah kelas, dan pemilihan hyperparameter EGES.