SEMINAR IDSEMINAR ID

Journal of Computer System and Informatics (JoSYC)Journal of Computer System and Informatics (JoSYC)

Dalam lanskap digital jejaring sosial, tantangan meningkatkan sistem rekomendasi teman sangat penting untuk meningkatkan interaksi pengguna dan membina koneksi sosial. Menanggapi tantangan ini, studi ini melakukan inovasi dengan menggabungkan Bayesian Personalized Ranking (BPR) dengan Matrix Factorization (MF), menghasilkan model BPR-MF baru yang dirancang untuk kompleksitas hubungan jejaring sosial. Studi ini menggunakan dataset yang kaya dari LastFM, yang terdiri dari 27.806 interaksi di antara 7.624 pengguna, untuk menganalisis pola pengikut yang saling terkait dan meningkatkan ketepatan rekomendasi teman. Melalui praproses yang ketat dan evaluasi sistematis terhadap model BPR-MF dengan berbagai faktor laten, penelitian ini menemukan bahwa konfigurasi dengan 20 faktor laten paling efektif, mencapai RMSE sebesar 0.156 dan AUC ROC sebesar 0.800. Temuan ini mengatasi masalah kritis dalam menyeimbangkan kompleksitas komputasi dengan akurasi prediksi dalam model rekomendasi. Ini juga menunjukkan perlunya pendekatan yang didorong oleh data untuk menghasilkan koneksi sosial yang relevan. Penelitian ini menetapkan arahan baru untuk studi di masa depan yang bertujuan memanfaatkan data interaksi pengguna untuk memberikan saran teman yang tepat, sambil menjaga privasi pengguna dan menghindari ketergantungan pada data pribadi.

Studi ini menunjukkan bahwa integrasi Bayesian Personalized Ranking (BPR) dengan Matrix Factorization (MF) efektif dalam meningkatkan sistem rekomendasi teman di jejaring sosial.Konfigurasi dengan 20 faktor laten menghasilkan AUC ROC sebesar 0.Pendekatan ini mampu menyeimbangkan kompleksitas komputasi dengan akurasi, serta menghasilkan rekomendasi yang personal dan relevan.Studi ini menekankan pentingnya optimasi parameter untuk mencapai keseimbangan antara presisi dan generalisasi dalam sistem rekomendasi.

Untuk penelitian lanjutan, disarankan untuk mengeksplorasi integrasi model BPR-MF dengan teknik deep learning untuk menangkap pola interaksi pengguna yang lebih kompleks. Selain itu, dapat dikembangkan metode yang lebih efisien dalam mengolah data besar dan langka yang sering ditemui dalam jejaring sosial. Penelitian juga dapat fokus pada pengembangan sistem rekomendasi yang lebih memperhatikan aspek privasi pengguna dengan mengurangi ketergantungan pada data pribadi. Kombinasi dari pendekatan ini diharapkan dapat menghasilkan sistem rekomendasi yang lebih akurat dan efisien dalam berbagai konteks jejaring sosial.

  1. LastFM Asia Social Network - UCI Machine Learning Repository. uci machine learning repository lastfm... doi.org/10.24432/C5S904LastFM Asia Social Network UCI Machine Learning Repository uci machine learning repository lastfm doi 10 24432 C5S904
  2. Weighted matrix factorization with Bayesian personalized ranking | IEEE Conference Publication | IEEE... ieeexplore.ieee.org/document/8252119Weighted matrix factorization with Bayesian personalized ranking IEEE Conference Publication IEEE ieeexplore ieee document 8252119
  3. BayDNN | Proceedings of the 2017 ACM on Conference on Information and Knowledge Management. baydnn proceedings... dl.acm.org/doi/10.1145/3132847.3132941BayDNN Proceedings of the 2017 ACM on Conference on Information and Knowledge Management baydnn proceedings dl acm doi 10 1145 3132847 3132941
  4. A semantic and social‐based collaborative recommendation of friends in social networks - Berkani... doi.org/10.1002/spe.2828A semantic and socialyAAAabased collaborative recommendation of friends in social networks Berkani doi 10 1002 spe 2828
  1. #sistem rekomendasi#sistem rekomendasi
  2. #recommendation system#recommendation system
Read online
File size973.16 KB
Pages9
Short Linkhttps://juris.id/p-2Rf
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test