Cover
PUBLIC karya Abstrak
PUBLIC karya Abstract
PUBLIC karya Lembar Pengesahan
PUBLIC karya Tugas Akhir
PUBLIC karya
Sistem rekomendasi merupakan alat untuk mengatasi information overload pada e-commerce.
Salah satu kiat praktik terbaik untuk sistem rekomendasi e-commerce adalah dengan memberikan
rekomendasi berdasarkan interaksi pengguna lainnya. Hal tersebut dapat diselesaikan dengan
permasalahan link prediction, yaitu persoalan untuk mendeteksi eksistensi atau bobot tautan yang
tidak terlihat antara dua simpul. Sistem rekomendasi berbasis link prediction dengan multilayer
perceptron dapat menyelesaikan masalah sistem rekomendasi yaitu cold start dan data sparsity,
selain itu juga memiliki hasil evaluasi yang lebih baik pada penelitian Hou dan Holder (2017) serta
pada penelitian He dkk (2017).
Pada tugas akhir ini dibangun sistem rekomendasi e-commerce berbasis link prediction dengan
multilayer perceptron. Sistem rekomendasi menerima masukan berupa identitas pengguna dan
menghasilkan top-N rekomendasi barang. Bagian utama sistem rekomendasi adalah model
multilayer perceptron yang menghasilkan bobot interaksi di antara pelanggan dan barang.
Kemudian bobot tersebut diurutkan dari yang paling besar dan diambil N produk teratas untuk
menjadi top-N rekomendasi produk.
Eksperimen pada tugas akhir ini dilakukan untuk mengetahui parameter yang paling
mempengaruhi hasil evaluasi sistem rekomendasi dengan metrik evaluasi RMSE, NDCG, dan
durasi training. Parameter yang digunakan adalah jumlah hidden layer, learning rate, jumlah
epoch, embedding size, dan hidden layer size. Parameter yang paling mempengaruhi adalah
embedding size dan hidden layer size yaitu memiliki signifikansi nilai evaluasi sebesar 0,02.
Sedangkan parameter lain hanya sekitar 0,0001-0,0005.