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.
- 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
- 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
- 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
- A semantic and socialâbased 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
| File size | 973.16 KB |
| Pages | 9 |
| Short Link | https://juris.id/p-2Rf |
| Lookup Links | Google ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard |
| DMCA | Report |
Related /
PLBPLB Hasil menunjukkan performa model yang sangat baik dengan akurasi 92%, presisi 89%, recall 91%, dan F1-score 90%. Analisis pola temporal mengungkapkan variasiHasil menunjukkan performa model yang sangat baik dengan akurasi 92%, presisi 89%, recall 91%, dan F1-score 90%. Analisis pola temporal mengungkapkan variasi
UDBUDB Berdasarkan perancangan, implementasi serta pengujian sistem yang telah dibuat, kesimpulan penelitian adalah. 1) Atribut utama perangkat lunak berdasarkanBerdasarkan perancangan, implementasi serta pengujian sistem yang telah dibuat, kesimpulan penelitian adalah. 1) Atribut utama perangkat lunak berdasarkan
MAHADEWAMAHADEWA (2) The implemented model of mathematics literacy learning based on local wisdom in inclusive high schools are highly varied, and (3) It is urgent and(2) The implemented model of mathematics literacy learning based on local wisdom in inclusive high schools are highly varied, and (3) It is urgent and
JOIVJOIV Tujuan utama dari penelitian ini adalah untuk mengidentifikasi algoritma pembelajaran mendalam terbaik yang berkinerja pada dataset berukuran kecil. HasilTujuan utama dari penelitian ini adalah untuk mengidentifikasi algoritma pembelajaran mendalam terbaik yang berkinerja pada dataset berukuran kecil. Hasil
JOIVJOIV Karena FCM memperlakukan semua fitur data sebagai sama pentingnya, ia mungkin mendapatkan hasil pengelompokan yang buruk. Untuk mengatasi masalah ini,Karena FCM memperlakukan semua fitur data sebagai sama pentingnya, ia mungkin mendapatkan hasil pengelompokan yang buruk. Untuk mengatasi masalah ini,
JOIVJOIV The study demonstrated that Decision Table and Naïve Bayes classifiers are effective in differentiating between DDoS attacks and normal network traffic.The study demonstrated that Decision Table and Naïve Bayes classifiers are effective in differentiating between DDoS attacks and normal network traffic.
JOIVJOIV Praktik umum meluncurkan serangan denial‑of‑service merupakan upaya memblokir permintaan sah dengan membanjiri mesin atau sumber daya target menggunakanPraktik umum meluncurkan serangan denial‑of‑service merupakan upaya memblokir permintaan sah dengan membanjiri mesin atau sumber daya target menggunakan
IAESCOREIAESCORE Peta kedalaman menyimpan informasi mengenai jarak objek dari titik pengamatan. Sensor Kinect milik Microsoft digunakan sebagai perangkat masuk untuk menangkapPeta kedalaman menyimpan informasi mengenai jarak objek dari titik pengamatan. Sensor Kinect milik Microsoft digunakan sebagai perangkat masuk untuk menangkap
Useful /
IAIANNAWAWIIAIANNAWAWI Faktor-faktor seperti konteks lokal, fokus pesantren, ketersediaan sumber daya, kepemimpinan, dan kebijakan eksternal memengaruhi perbedaan model pengembanganFaktor-faktor seperti konteks lokal, fokus pesantren, ketersediaan sumber daya, kepemimpinan, dan kebijakan eksternal memengaruhi perbedaan model pengembangan
IAIANNAWAWIIAIANNAWAWI Penelitian ini mengeksplorasi peran penting metode pembelajaran dalam menjaga relevansi dan kualitas pendidikan di pondok pesantren, secara deskriptif,Penelitian ini mengeksplorasi peran penting metode pembelajaran dalam menjaga relevansi dan kualitas pendidikan di pondok pesantren, secara deskriptif,
JOIVJOIV Algoritma IFPDSO yang ditingkatkan menunjukkan kinerja yang unggul dibandingkan algoritma meta-heuristik dan algoritma penyerbukan bunga standar berdasarkanAlgoritma IFPDSO yang ditingkatkan menunjukkan kinerja yang unggul dibandingkan algoritma meta-heuristik dan algoritma penyerbukan bunga standar berdasarkan
JOIVJOIV Tujuan penelitian ini adalah mengekstraksi dan menganalisis secara otomatis apakah buku teks mencerminkan unsur-unsur pembelajaran kurikulum informatikaTujuan penelitian ini adalah mengekstraksi dan menganalisis secara otomatis apakah buku teks mencerminkan unsur-unsur pembelajaran kurikulum informatika