Docsity
Log inSign up
Docsity
Prepare for your exams
Prepare for your exams

Study with the several resources on Docsity

Earn points to download
Earn points to download

Earn points by helping other students or get them with a premium plan

Guidelines and tips
Guidelines and tips
Sell on Docsity
Sell on Docsity
Log inSign up

Prepare for your exams

Study with the several resources on Docsity

Find documents

Prepare for your exams with the study notes shared by other students like you on Docsity

Search Store documents

The best documents sold by students who completed their studies

Search through all study resources
Docsity AINEW

Summarize your documents, ask them questions, convert them into quizzes and concept maps

Explore questions

Clear up your doubts by reading the answers to questions asked by your fellow students

Earn points to download

Earn points by helping other students or get them with a premium plan

Share documents
download point icon20 Points

For each uploaded document

Answer questions
download point icon5 Points

For each given answer (max 1 per day)

All the ways to get free points
Get points immediately

Choose a premium plan with all the points you need

Study Opportunities

Choose your next study program

Get in touch with the best universities in the world. Search through thousands of universities and official partners

Community

Ask the community

Ask the community for help and clear up your study doubts

University Rankings

Discover the best universities in your country according to Docsity users

Free resources

Our save-the-student-ebooks!

Download our free guides on studying techniques, anxiety management strategies, and thesis advice from Docsity tutors

From our blog

Exams and Study
Go to the blog

optimalisasi algoitma Caloborative filtering, Papers of System Programming

University of Amikom Yogyakarta (UAY)System Programming

optimalisasi algoitma Caloborative filtering

Typology: Papers

2021/2022

Available from 02/14/2023

Fetrusjari
Fetrusjari 🇮🇩

2 documents

1 / 10

Toggle sidebar

This page cannot be seen from the preview

Don't miss anything!

bg1
Optimalisasi Metode Item-Base pada
Algoritma Collaborative Filtering Untuk
menentukan rekomendasi musik bagi
pengguna Baru
Anggota Kelompok :
Fetrus Jari Harianto 20.11.3314
Ngarvan Dwi Bachtiar 20.11.3359
Senopati Gilas Prahara 20.11.3324
Galih Wiyatno 20.11.3805
Devi Nur Azizah 20.11.3357
UNIVERSITAS AMIKOM YOGYAKARTA
2023
pf3
pf4
pf5
pf8
pf9
pfa

Partial preview of the text

Download optimalisasi algoitma Caloborative filtering and more Papers System Programming in PDF only on Docsity!

Optimalisasi Metode Item-Base pada

Algoritma Collaborative Filtering Untuk

menentukan rekomendasi musik bagi

pengguna Baru

Anggota Kelompok :

Fetrus Jari Harianto 20.11.

Ngarvan Dwi Bachtiar 20.11.

Senopati Gilas Prahara 20.11.

Galih Wiyatno 20.11.

Devi Nur Azizah 20.11.

UNIVERSITAS AMIKOM YOGYAKARTA

Latar Belakang Saat ini ada beberapa teknologi baru karena perkembangan teknologi yang sangat pesat. Munculnya teknologi baru juga mempengaruhi munculnya keterampilan baru yang harus dikuasai oleh pencari kerja. Ada banyak pengguna baru yang mendaftar maka system tentunya harus dapat merekomendasikan music kepada pengguna baru. Oleh karena itu, penelitian ini mengembangkan sistem rekomendasi yang memberikan saran kepada pengguna baru tentang music yang kemungkinan mereka sukai. Penelitian ini menggunakan informasi dari data set Spotify untuk menemukan data yang dibutuhkan nantinya. Studi ini menggunakan Algoritma Collaborative Filtering dengan Item-Base, karena teknik ini tidak memerlukan informasi apa pun dalam bentuk preferensi, cocok untuk digunakan dalam keterampilan, karena tidak ada informasi preferensi yang tersedia untuk keterampilan yang sudah dimiliki pengguna. Pada penelitian ini disimpulkan bahwa dengan metode yang diusulkan, rekomendasi kompetensi dapat diperoleh dengan benar. Waktu yang dibutuhkan untuk membuat rekomendasi meningkat seiring dengan jumlah data yang akan diproses. Kiranya penelitian ini dapat membantu beberapa pihak yang ingin menggunakan algoritma Collaborative filtering untuk memprediksi rekomendasi music kesukaan pengguna baru.

Metode dan Alur

  1. Pre-processing Pre-processing adalah langkah di mana data dibersihkan dan diproses untuk memastikan kualitas data baik sebelum digunakan saat analisis data. Pre-processing merupakan langkah penting karena data yang bersih dan diproses dapat diproses lebih mudah dengan model pembelajaran mesin untuk menghasilkan hasil yang lebih baik.
  2. Split Data Split Data atau Split Data adalah teknik membagi data menjadi dua bagian atau lebih yang membentuk subset dari data tersebut. Secara umum, pemisahan data memisahkan dua bagian ini, bagian pertama digunakan untuk mengevaluasi atau menguji data dan data lainnya digunakan untuk melatih model.
  3. Modelling Suatu proses analisis data yang menggunakan perangkat lunak untuk menemukan pola atau aturan tertentu dalam data dalam jumlah besar dan diharapkan dapat memberikan wawasan untuk mendukung pengambilan keputusan.
  4. Evaluasi Evaluasi merupakan mengukur seberapa baik model pembelajaran mesin dapat memprediksi keluaran berdasarkan masukan yang diberikan. Evaluasi merupakan langkah penting dalam pembelajaran mesin, karena melalui evaluasi kita mengetahui seberapa baik model dapat digunakan untuk memprediksi hasil data nyata.

Implementasi Metode

  1. Pro-Processing Pada Tahap ini Kami menggunakan pro-Processing untuk menghapus data yang memiliki data kosong serta Mengubah tipe data yang sesuai dengan yang dibutuhkan nantinya.kemudian data tersebut di filtering agar nantinya dapat memilih data yang akan digunakan. 1.1. Mengubah tipe data string ke tipe data int 1.2. Memfilter data agar menampilkan column Popularity diatas 50
  1. Evaluasi 4.1. Menampilkan 10 rekomendasi lagu teratas untuk setiap artis 4.2. Menampilkan 10 rekomendasi lagu teratas untuk setiap musik

Kesimpulan Dari beberapa langkah-langkah yang telah dilakukan diatas kami mendapatkan kesimpulan bahwa rekomendasi lagu dari data testing music cukup akurat di lihat dari tingkat error menggunakan RMSE sangat kecil. Hal tersebut bisa kami nyatakan bahwa nilai dari akurasi cukup, Maka dari hasil penelitian ini kami dapat menyimpulkan bahwa penggunaan Algoritma Collaborative Filtering sangat baik dan tentunya akurat untuk merekomendasikan music kepada pengguna baru nantinya.

Referensi https://realpython.com/train-test-split-python-data/ https://spark.apache.org/docs/latest/mllib-collaborative-filtering.html