Implementasi K-Means Dalam Mengatasi Masalah Cold Star Pada Collaborative Filtering

Sylvia Sylvia, Sri Lestari

Abstract


Perkembangan sistem rekomendasi saat ini berkembang secara pesat. Sistem rekomendasi merupakan teknologi yang dapat merekomendasikan suatu item tertentu kepada pengguna. Salah satu metode yang kerap digunakan ialah collaborative filtering. Cara kerja dari collaborative filtering adalah dengan memberikan rekomendasi kepada user berdasarkan penilaian dari pengguna lain. Namun, ada sebuah masalah yang ditemukan yaitu adanya pengguna baru (cold star) yang mempengaruhi kinerja dari sistem rekomendasi, sehingga sistem rokomendasi mengalami kesulitan untuk menganalisa arah peminatan pengguna dimana pengguna baru belum memberikan rating terhadap suatu produk yang mengakibatkan tidak dapatnya suatu sistem merekomendasikan sesuatu. Maka dari itu dibutuhkan suatu algoritma untuk meringankan masalah cold star dengan pendekatan clustering menggunakan K- Means. Penelitian proses clustering menggunakan data dari Movielens.com, melalui seleksi atribut k-means membagi data demografi menjadi 15 cluster.

Keywords: Klastering; K-Means; Rapid Miner; Cold Star


Full Text:

PDF

References


Hu, Y. C. (2014). Recommendation using neighborhood methods with preference-relation-based similarity. Information Sciences, 284, 18–30. https://doi.org/10.1016/j.ins.2014.06.043

Lien, D. T., & Phuong, N. D. (2014). Collaborative filtering with a graph-based similarity measure. 2014 International Conference on Computing, Management and Telecommunications, ComManTel 2014, 251–256. https://doi.org/10.1109/ComManTel.2014.6825613

Huang, B. H., & Dai, B. R. (2015). A Weighted Distance Similarity Model to Improve the Accuracy of Collaborative Recommender System. Proceedings - IEEE International Conference on Mobile Data Management, 2, 104–109. https://doi.org/10.1109/MDM.2015.43

Ruswanda, G. A. P., Baizal, Z. A., & Nasution, E. (2015). Penanganan Masalah Cold Start Dan Diversity Rekomendasi Menggunakan Item-Based Clustering Hybrid Method. E- Proceeding of Engineering, 2(3), 8035–8041.

Al-Bashiri, H., Abdulgabber, M. A., Romli, A., & Hujainah, F. (2017). Collaborative filtering recommender system: Overview and challenges. Advanced Science Letters, 23(9), 9045– 9049. https://doi.org/10.1166/asl.2017.10020

Tripathi, P., Vishwakarma, S. K., & Lala, A. (2016). Sentiment Analysis of English Tweets Using Rapid Miner. Proceedings - 2015 International Conference on Computational Intelligence and Communication Networks, CICN 2015, 668–672. https://doi.org/10.1109/CICN.2015.137

Laksana, E. A. (2014). Collaborative Filtering dan Aplikasinya. Jurnal Ilmiah Teknologi Informasi Terapan, 1(2407–3911), 36–40.

Min, Z., & Shuzhen, Y. (2015). A collaborative filtering recommender algorithm based on the user interest model. Proceedings - 17th IEEE International Conference on Computational Science and Engineering, CSE 2014, Jointly with 13th IEEE International Conference on Ubiquitous Computing and Communications, IUCC 2014, 13th International Symposium on Pervasive Systems, , 198–202. https://doi.org/10.1109/CSE.2014.67

Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional. Jurnal Tekno Kompak, 15(1), 131. https://doi.org/10.33365/jtk.v15i1.744

Nasution, D. A., Khotimah, H. H., & Chamidah, N. (2019). Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN. Computer Engineering, Science and System Journal, 4(1), 78. https://doi.org/10.24114/cess.v4i1.11458

Wulan Sari, R., Wanto, A., & Perdana Windarto, A. (2018). KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) IMPLEMENTASI RAPIDMINER DENGAN METODE K-MEANS (STUDY KASUS: IMUNISASI CAMPAK PADA BALITA BERDASARKAN

PROVINSI). 2(1), 224–230. http://ejurnal.stmik-budidarma.ac.id/index.php/komik

E. Prasetyo, "Reduksi Dimensi Set Data dengan DRC pada Metode Klasifikasi SVM dengan Upaya Penambahan Komponen Ketiga", Prosiding SNATIF, 2014, 293-300.


Refbacks

  • There are currently no refbacks.


Prosiding Seminar Nasional Darmajaya is abstracting and indexing in the following databases:

PROSIDING SEMINAR NASIONAL DARMAJAYA

Diatur Oleh: Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM)

Diterbitkan Oleh: IIB Darmajaya
Alamat: Jl. Z.A. Pagar Alam No. 93 Gedong Meneng, Bandar Lampung Lampung
Website: jurnal.darmajaya.ac.id

E-mail: ProsidingSemnasDJ@darmajaya.ac.id