Perpustakaan Digital ITB

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.