MESIN REKOMENDASI FILM MENGGUNAKAN METODE DEEPAUTOENCODER

• Main Author: Muhamad Adie Maulana, - (Author)
• Format: Book
• Published: 2020-01-24.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/47713/1/S_S_KOM_1501834_Title.pdf; http://repository.upi.edu/47713/2/S_S_KOM_1501834_Chapter1.pdf; http://repository.upi.edu/47713/3/S_S_SKOM_1501834_Chapter2.pdf; http://repository.upi.edu/47713/4/S_S_SKOM_1501834_Chapter3.pdf; http://repository.upi.edu/47713/5/S_S_SKOM_1501834_Chapter4.pdf; http://repository.upi.edu/47713/6/S_S_SKOM_1501834_Chapter5.pdf; http://repository.upi.edu/47713/7/S_S_SKOM_1501834_Appendix.pdf
• Keywords: L Education (General); N Visual arts (General) For photography, see TR

Semakin banyak perusahaan media menggunakan sistem rekomendasi untuk memberikan layanan yang lebih baik dan lebih cerdas. Salah satu pendekatan sistem rekomendasi yang sering dipakai untuk mendeteksi dan memprediksi tingkat ketertarikan pengguna adalah collaborative filtering. Perkembangan konsep deep learning kini telah menunjukkan kemampuannya dalam mengekstrak fitur dari kumpulan data mentah dengan pelatihan yang bersifat unsupervised. Riset ini berniat untuk mengadopsi konsep deep learning tersebut dan mengintegrasikan autoencoder dalam mesin rekomendasi. Eksperimen yang dilakukan menggunakan kumpulan data set dari website Movielens, data ini terdiri dari 6040 user, 3883 item (film), 1.000.209 ratinge. Nilai rating yang terdapat pada data set adalah 1, 2, 3, 4, dan 5. Dari 1.000.000 rating dan hasilnya telah menunjukkan kemampuannya untuk memprediksi dengan baik. Many media companies are using recommendation systems to provide better and smarter services. One recommendation system approach that is often used to detect and predict the level of user interest is collaborative filtering. The development of the concept of deep learning has now demonstrated its ability to extract features from raw data sets with unsupervised training. This research intends to adopt the concept of deep learning and integrate the autoencoder in the recommendation engine. Experiments carried out using a collection of data sets from the Movielens website, this data consists of 6040 users, 3883 items (films), 1,000,209 ratings. The rating values contained in the data set are 1, 2, 3, 4, and 5. From 1,000,000 ratings and the results have shown their ability to predict well. Key Words: Recommender machine, Collaborative Filtering, Autoencoder, Film