Disertasi

SVD-GORANK: algoritma rekomendasi menggunakan Singular Value Decomposition dan Gower\'s Ranking / Ilham Saifudin

Abstrak
Penelitian ini mengusulkan algoritma rekomendasi baru bernama SVD-GoRank yang menggabungkan teknik Singular Value Decomposition (SVD) dengan metode Gower rsquo s Ranking. SVD digunakan untuk melakukan faktorisasi matriks sehingga mampu menangkap pola laten antara pengguna dan item sedangkan Gower rsquo s Ranking dimanfaatkan untuk mengagregasi bobot kesamaan berbasis Gower rsquo s Coefficient. Kombinasi ini dirancang untuk mengatasi masalah umum dalam sistem rekomendasi berbasis collaborative filtering yaitu rendahnya akurasi akibat sparsitas data dan perlunya efisiensi waktu komputasi. Dalam eksperimen algoritma SVD-GoRank diuji menggunakan tujuh dataset populer yaitu MovieLens-100K MovieLens-1M MovieLens-10M Book-Crossing Ciao Epinions dan Flixster. Evaluasi dilakukan dengan enam metrik penting dalam sistem rekomendasi berorientasi ranking yaitu NDCG (Normalized Discounted Cumulative Gain) Precision Recall MRR (Mean Reciprocal Rank) Hit Rate dan Running Time. Hasil pengujian menunjukkan bahwa SVD-GoRank secara konsisten mengungguli algoritma pembanding seperti BordaRank WP-Rank SVD-Borda dan SVD-WPR dalam hampir semua metrik evaluasi. Secara khusus SVD-GoRank mencatat nilai tinggi pada metrik NDCG dan MRR yang menunjukkan kemampuannya menempatkan item relevan di posisi teratas daftar rekomendasi. Selain itu algoritma ini juga menunjukkan performa terbaik pada Hit Rate dan Recall menegaskan keandalannya dalam menjangkau item relevan lebih banyak dibanding algoritma lain. Lebih jauh SVD-GoRank terbukti efisien dalam hal waktu eksekusi/running time bahkan lebih cepat dibanding algoritma berbasis SVD lain seperti SVD-WPR sehingga cocok diterapkan pada skenario real-time yang membutuhkan hasil cepat tanpa mengorbankan akurasi. Dengan hasil tersebut penelitian ini menyimpulkan bahwa SVD-GoRank adalah algoritma rekomendasi berorientasi ranking yang optimal karena mampu mengatasi masalah sparsitas data skalabilitas akurasi sekaligus menjaga efisiensi running time. Algoritma ini berpotensi besar untuk diterapkan dalam berbagai aplikasi nyata mulai dari e-commerce hingga sistem rekomendasi hiburan yang membutuhkan daftar rekomendasi cepat dan relevan di posisi teratas.

Informasi Detail

DDC

Rd 005.1 SAI s

Prodi

Universitas Negeri Malang. Program Studi Teknik Elektro dan Informatika, 2025.

Deskripsi Fisik

xv, 116 lembar : ilus. ; 30 cm.

Bahasa

Indonesia

No Reg

00276/RD/25

Edisi

Disertasi (Pascasarjana)--Universitas Negeri Malang. 2025

Subjek

1. ALGORITMA KOMPUTER - SINGULAR VALUE DECOMPOSITION
2. ALGORITMA KOMPUTER - GOWERS RANKING
3. COMPUTER ALGORITHM - SINGULAR VALUE DECOMPOSITION

Pembimbing

1. Triyanna Widiyaningtyas, M.t.; 2. Ilham Ari Elbaith Zaeni, S.t., M.t., Ph.d

Lampiran Berkas