Sistem Rekomendasi Pembelian Smartphone berbasis Algoritma K-Means dan Singular Value Decomposition

Ivan Zuhdiansyah(1*), Ardytha Luthfiarta(2)
(1) Universitas Dian Nuswantoro
(2) Universitas Dian Nuswantoro
(*) Corresponding Author



Abstrak


Perkembangan teknologi informasi yang pesat, memberi dampak pada ketesedian informasi yang berlimpah. Hal ini menjadikan suatu masalah yang disebut kelebihan informasi, menyebabkan pengguna internet sulit memahami dan membuat keptusan. E-commerce merupakan salah satu yang terdampak dari kelebihan informasi, dengan banyaknya produk dan pengguna baik dari penjual maupun pembeli yang ada. Sistem rekomendasi adalah bagian penting dari e-commerce yang menjadi salah satu cara menangani kelebihan informasi, dengan memberikan rekomendasi produk kepada pembeli agar membantu menentukan pilihan. Dalam sistem rekomendasi memiliki permasalahan scalability, dimana banyaknya produk yang tersedia membuatnya menjadi tidak efektif dan efisien dalam memberikan rekomendasi kepada pembeli. Maka, penelitian ini mengusulkan metode sistem rekomendasi yang dikombinasikan teknik clustering. Menggunakan algoritma K-Means untuk mengelompokkan produk, kemudian algoritma Singular Value Decomposition (SVD) untuk membuat rekomendasi di dalam cluster yang terbentuk. Hasil keluaran model yaitu, rekomendasi produk dan prediksi rating yang diberikan pembeli dari produk yang direkomendasikan. Evaluasi model mendapatkan nilai dbi sebesar 0,703 untuk clustering, nilai rata-rata terbaik MAE 0.8150 dan RMSE 1.1781 untuk rekomendasi yang dihasilkan. Kesimpulan yang didapat bahwa metode ini dapat menangani masalah scalability dan memberikan rekomendasi yang akurat dengan nilai evaluasi yang lebih baik dibandingkan penelitian sebelumnya.

Kata Kunci


Sistem Rekomendasi; Collaborative Filtering; K-Means Clustering; Singular Value Decomposition (SVD)


Teks Lengkap:

PDF


Referensi


[1] D. Bawden and L. Robinson, Information Overload: An Introduction. 2020.

[2] B. A. Al-Youzbaky and R. D. Hanna, “The Effect of Information Overload, and Social Media Fatigue on Online Consumers Purchasing Decisions: The Mediating Role of Technostress and Information Anxiety,” J. Syst. Manag. Sci., vol. 12, no. 2, pp. 201–226, 2022, doi: 10.33168/JSMS.2022.0209.

[3] P. M. Alamdari, N. J. Navimipour, M. Hosseinzadeh, A. A. Safaei, and A. Darwesh, “A Systematic Study on the Recommender Systems in the E-Commerce,” IEEE Access, vol. 8, pp. 115694–115716, 2020, doi: 10.1109/ACCESS.2020.3002803.

[4] F. Alyari and N. Jafari Navimipour, “Recommender systems: A systematic review of the state of the art literature and suggestions for future research,” Kybernetes, vol. 47, no. 5, pp. 985–1017, 2018, doi: 10.1108/K-06-2017-0196.

[5] D. Roy and M. Dutta, “A systematic review and research perspective on recommender systems,” J. Big Data, vol. 9, no. 1, 2022, doi: 10.1186/s40537-022-00592-5.

[6] F. A. Prayoga and K. Kusnawi, “Smartphone Recommendation System Using Model-Based Collaborative Filtering Method,” J. Tek. Inform., vol. 3, no. 6, pp. 1613–1622, 2022, doi: 10.20884/1.jutif.2022.3.6.413.

[7] E. Ahmed and A. Letta, “Book Recommendation Using Collaborative Filtering Algorithm,” Appl. Comput. Intell. Soft Comput., vol. 2023, 2023, doi: 10.1155/2023/1514801.

[8] D. D. A. Yani, H. S. Pratiwi, and H. Muhardi, “Implementasi Web Scraping untuk Pengambilan Data pada Situs Marketplace,” J. Sist. dan Teknol. Inf., vol. 7, no. 4, p. 257, 2019, doi: 10.26418/justin.v7i4.30930.

[9] K. Maharana, S. Mondal, and B. Nemade, “A review: Data pre-processing and data augmentation techniques,” Glob. Transitions Proc., vol. 3, no. 1, pp. 91–99, 2022, doi: 10.1016/j.gltp.2022.04.020.

[10] S. Garcia, J. Luengo, and F. Herrera, Data Preprocessing in Data Mining. Intelligent Systems Reference Library. 2015, vol. 10. 2015.

[11] M. Johari and A. Laksito, “The Hybrid Recommender System of the Indonesian Online Market Products using IMDb weight rating and TF-IDF,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 5, pp. 977–983, 2021, doi: 10.29207/resti.v5i5.3486.

[12] S. Ray, “Introduction to Machine Learning and Different types of Machine Learning Algorithms,” Proc. Int. Conf. Mach. Learn. Big Data, Cloud Parallel Comput. Trends, Prespectives Prospect. Com. 2019, pp. 35–39, 2019.

[13] F. Indriyani and E. Irfiani, “Clustering Data Penjualan pada Toko Perlengkapan Outdoor Menggunakan Metode K-Means,” JUITA J. Inform., vol. 7, no. 2, p. 109, 2019, doi: 10.30595/juita.v7i2.5529.

[14] F. Anowar, S. Sadaoui, and B. Selim, “Conceptual and empirical comparison of dimensionality reduction,” Comput. Sci. Rev., vol. 40, p. 100378, 2021, doi: 10.1016/j.cosrev.2021.100378.

[15] S. Ramadhani, D. Azzahra, and T. Z, “Comparison of K-Means and K-Medoids Algorithms in Text Mining based on Davies Bouldin Index Testing for Classification of Student’s Thesis,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 13, no. 1, pp. 24–33, 2022, doi: 10.31849/digitalzone.v13i1.9292.

[16] H. Santoso, H. Magdalena, and H. Wardhana, “Aplikasi Dynamic Cluster pada K-Means BerbasisWeb untuk Klasifikasi Data Industri Rumahan,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 3, pp. 541–554, 2022, doi: 10.30812/matrik.v21i3.1720.

[17] W. Fu, J. Liu, and Y. Lai, “Collaborative filtering recommendation algorithm towards intelligent community,” Discret. Contin. Dyn. Syst. - Ser. S, vol. 12, no. 4–5, pp. 811–822, 2019, doi: 10.3934/dcdss.2019054.

[18] S. G. K. Patro et al., “A Hybrid Action-Related K-Nearest Neighbour (HAR-KNN) Approach for Recommendation Systems,” IEEE Access, vol. 8, pp. 90978–90991, 2020, doi: 10.1109/ACCESS.2020.2994056.

[19] A. J. Onumanyi, D. N. Molokomme, S. J. Isaac, and A. M. Abu-Mahfouz,"AutoElbow: An Automatic Elbow Detection Method for Estimating the Number of Clusters in a Dataset,” Appl. Sci. 2022, Vol. 12, Page 7515, vol. 12, no. 15, p. 7515, Jul. 2022, doi: 10.3390/APP12157515.

[20] M. Wang and F. Hu, “The application of nltk library for python natural language processing in corpus research,” Theory Pract. Lang. Stud., vol. 11, no. 9, pp. 1041–1049, 2021, doi: 10.17507/tpls.1109.09.

[21] J. Hao and T. K. Ho, “Machine Learning Made Easy: A Review of Scikit-learn Package in Python Programming Language,” J. Educ. Behav. Stat., vol. 44, no. 3, pp. 348–361, 2019, doi: 10.3102/1076998619832248.

[22] N. Hug, “Surprise: A Python library for recommender systems,” J. Open Source Softw., vol. 5, no. 52, p. 2174, 2020, doi: 10.21105/joss.02174.

[23] A. A. Patoulia, A. Kiourtis, A. Mavrogiorgou, and D. Kyriazis, “A Comparative Study of Collaborative Filtering in Product Recommendation,” Emerg. Sci. J., vol. 7, no. 1, pp. 1–15, 2023, doi: 10.28991/ESJ-2023-07-01-01.


Artikel Statistik

Abstrak telah dilihat : 9 kali
PDF telah dilihat : 7 kali

Refbacks

  • Saat ini tidak ada refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Alamat Redaksi :
Departemen Sistem Informasi, Fakultas Teknologi Informasi
Universitas Andalas
Kampus Limau Manis, Padang 25163, Sumatera Barat

email: teknosi@fti.unand.ac.id

  Jumlah Pengunjung :

 

Creative Commons License
This work by JSI-Unand and licensed under a CC BY-SA 4.0 International License.