Perpustakaan Digital ITB

Pemanfaatan metode faktorisasi matriks dalam upaya membuat suatu sistem rekomendasi dipelajari pada tugas akhir ini. Permasalahan membuat suatu rekomendasi ini muncul ketika penemuan World Wide Web atau WWW yang kemudian aksesnya dibuka untuk umum. Sejak saat itu, informasi apapun menjadi sangat terbuka di internet. Hal ini dipercaya memiliki dampak positif seperti kemudahan akses informasi dan juga mempercepat ekskalasi ilmu pengetahuan. Akan tetapi, ada juga dampak negatif dari hal ini. Kemudahan dan keterbukaan akses ini dipercaya menjadi salah satu penyebab Information Overloaded dan juga Decision Fatigue. Pada tugas akhir ini, kami akan berusaha untuk menyelesaikan masalah yang telah disebutkan dengan membuat suatu sistem rekomendasi. Lebih tepatnya, sistem rekomendasi ini akan diperuntukan untuk pengguna layanan Dicoding Indonesia dalam upaya untuk meningkatkan pengalamannya. Peningkatan pengalaman ini didasari dari pendekatan Personalized Learning Experience dalam bentuk rekomendasi kelas dari suatu sistem rekomendasi yang kami buat. Algoritma yang kami gunakan dalam upaya membangun sistem rekomendasi adalah algoritma yang berdasarkan metode faktorisasi matriks. Tentunya nanti kami akan membuat baik dari algoritma yang sederhana atau yang tradisional hingga ke algoritma yang memanfaatkan jaringan saraf buatan. Tidak lupa, setelah membuat suatu sistem rekomendasi, kita melakukan proses evaluasi. Ada berbagai macam proses evaluasi yang kami gunakan baik dari sisi membangun modelnya maupun dari segi penggunannya. Dari berbagai model yang digunakan dalam Tugas Akhir, model SVD memiliki hasil memberikan hasil yang paling seimbang untuk metrik regresi dengan RMSE sebesar 0.3136 0 dan nilai metrik klasifikasi dengan nilai Precision@K dan Recall@K sebesar 0.8758 dan 0.9037 . Namun model yang memanfaatkan interaksi fitur rendah-tinggi dan juga jaringan saraf buatan memberikan hasil yang terbaik untuk metrik regresi dengan nilai RMSE 0.2493.