Mengatasi Cold Start Problem pada sistem rekomendasi collaborative filtering menggunakan pendekatan hybrid dan keyword extraction

Sucipto, Fazar Budiman Eka (2025) Mengatasi Cold Start Problem pada sistem rekomendasi collaborative filtering menggunakan pendekatan hybrid dan keyword extraction. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (219kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (210kB) | Preview
Preview	Text (SKBEBASPLAGIARISM) 3_skbebasplagiarism.pdf Download (353kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (204kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (335kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (568kB)
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (299kB)
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (741kB)
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (201kB)
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (203kB)

Abstract

Sistem rekomendasi berbasis collaborative filtering merupakan pendekatan yang umum digunakan untuk memberikan rekomendasi berdasarkan riwayat interaksi antara pengguna dan item. Namun, pendekatan ini memiliki keterbatasan dalam menghadapi cold start problem, yaitu ketika pengguna baru (new user) atau item baru (new item) belum memiliki data historis interaksi. Ketiadaan data ini menyebabkan sistem tidak mampu memberikan rekomendasi yang relevan kepada pengguna baru dan tidak dapat menyertakan item baru pada daftar rekomendasinya. Penelitian ini mengusulkan pendekatan untuk mengatasi cold start problem dengan mengintegrasikan model ekstraksi kata kunci ke dalam sistem rekomendasi berbasis collaborative filtering dan knowledge based, yang membentuk sebuah hybrid recommender system. Dua skenario integrasi yang dikembangkan dalam penelitian ini, yaitu penggunaan model KeyBERT dan YAKE sebagai model ekstraksi kata kunci. Ekstraksi kata kunci digunakan untuk membentuk profil awal dari preferensi eksplisit pengguna baru. Kata kunci hasil ekstraksi digunakan untuk menghasilkan item preferensi, yang kemudian dikombinasikan dengan hasil dari collaborative filtering menggunakan pendekatan hybrid recommender system dengan teknik berbobot (weighted). Metode yang dikembangkan dievaluasi menggunakan empat metrik evaluasi, yaitu precision@15, recall@15, novelty, dan catalog coverage. Hasil pengujian menunjukkan bahwa integrasi KeyBERT menghasilkan precision@15 sebesar 0.64, recall@15 sebesar 0.75, novelty sebesar 0.54, dan catalog coverage sebesar 0.93. Sementara itu, integrasi YAKE memberikan hasil precision@15 sebesar 0.61, recall@15 sebesar 0.71, novelty sebesar 0.54, dan catalog coverage sebesar 0.91. Selain itu, evaluasi akurasi prediksi menggunakan mean absolute error (MAE) dari collaborative filtering menunjukkan nilai sebesar 0.30. Berdasarkan hasil tersebut, pendekatan yang diusulkan dinilai cukup efektif dalam menangani cold start problem, baik new user maupun new item.

Actions (login required)

View Item