Skripsi

Analisis metode collaborative filtering menggunakan KNN dan SVD++ untuk rekomendasi produk E-Commerce tokopedia / Chalista Yulia Hazizah

Abstrak
Perkembangan pesat teknologi internet mendorong peningkatan adopsi e-commerce. Namun perusahaan menghadapi tantangan dalam meningkatkan pengalaman belanja pengguna. Untuk membantu pengguna menemukan produk sesuai preferensi diperlukan analisis rekomendasi yang relevan. Penelitian ini bertujuan membandingkan efektivitas algoritma K-Nearest Neighbors (KNN) dan Singular Value Decomposition Plus Plus (SVD ) dalam memberikan rekomendasi produk ecommerce. Data berasal dari dataset Tokopedia Product Reviews di Kaggle yang mencakup 40.893 ulasan produk dengan atribut ulasan rating id_product dan id_shop. Penelitian melalui tahapan data collection untuk menyiapkan data ulasan dan rating. Tahapan preprocessing melibatkan penghapusan duplikat penggantian nilai hilang menggunakan rata-rata dan normalisasi rating menggunakan MinMaxScaler. Pada tahap processing KNN dan SVD diterapkan untuk memprediksi rating menggunakan cosine similarity dan matriks faktor. Evaluasi dilakukan menggunakan Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa SVD unggul dengan MAE 0 161176 dan RMSE 0 185252 dibandingkan KNN yang memiliki MAE 0 163964 dan RMSE 0 197045. SVD terbukti lebih baik memberikan akurasi dan menangkap kompleksitas data karena kemampuannya memodelkan interaksi laten antara pengguna dan item. Penelitian ini menunjukkan potensi peningkatan efektivitas rekomendasi di e-commerce yang berkontribusi dalam meningkatkan kepuasan pengguna untuk menemukan produk sesuai preferensi mereka dengan efisien.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2024.

Deskripsi Fisik

vii, 29 hlm. : ilus.

Bahasa

Indonesia

No Reg

0130/RS/25

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2024

Subjek

Pembimbing

1. Triyanna Widiyaningtyas, M.t.

Lampiran Berkas