Publisher

UNPAMUNPAM

Journal Jurnal Informatika Universitas PamulangJurnal Informatika Universitas Pamulang Abstract

Pasar online terbesar di Indonesia seperti Tokopedia memiliki data aktifitas perdagangan secara elektronik yang selalu bertambah seiring waktu. Pertumbuhan data yang besar pada pasar online dapat menimbulkan masalah bagi pengguna. Pembeli yang mengalami kesulitan pada pencarian produk terbaik yang sesuai dengan kebutuhannya dan penjual yang kesulitan pada promosi produk yang sering dikunjungi pembeli dapat diatasi. Sistem rekomendasi dapat mengatasi masalah tersebut dengan memberikan rekomendasi produk tertentu untuk dipromosikan dan ditawarkan kepada pembeli. Penelitian ini mengimplementasikan Sistem Rekomendasi menggunakan Metode Item Rating Prediction dengan menerapkan Algoritma User K-Nearest Neighbors. Sistem Rekomendasi memberikan rekomendasi berdasarkan penilaian pada produk yang diberikan oleh pembeli. Performa algoritma pada Sistem Rekomendasi diukur dengan parameter Root Mean Square Error (RMSE), Mean Absolute Error (MAE) dan Normalized Mean Absolute Error (NMAE). Nilai performa yang didapat yaitu RMSE = 0.713, MAE = 0.488 dan NMAE = 0.122. Nilai performa dibawah 1 membuktikan bahwa algoritma User K-Nearest Neighbors cocok sebagai model prediksi rating pada sistem rekomendasi.

Conclusion

Penelitian ini menghasilkan Sistem Rekomendasi dengan Algoritma User K-Nearest Neighbors untuk memprediksi peringkat penilaian produk di Tokopedia.Hasil pengujian menunjukkan nilai RMSE sebesar 0.Nilai performa yang rendah, di bawah 1, membuktikan bahwa Algoritma User K-Nearest Neighbors sangat cocok sebagai model prediksi rating pada Sistem Rekomendasi.

Future Research

Penelitian selanjutnya dapat difokuskan pada pengembangan sistem rekomendasi dengan menggabungkan beberapa algoritma, seperti User K-Nearest Neighbors dengan Content-Based Filtering, untuk meningkatkan akurasi rekomendasi. Selain itu, eksplorasi penggunaan metode deep learning, seperti Recurrent Neural Networks (RNN), dapat dilakukan untuk menangkap pola perilaku pengguna yang lebih kompleks. Terakhir, penelitian dapat diperluas dengan mempertimbangkan faktor kontekstual, seperti waktu dan lokasi pengguna, untuk memberikan rekomendasi yang lebih personal dan relevan. Kombinasi ini diharapkan dapat menghasilkan sistem rekomendasi yang lebih adaptif dan memberikan pengalaman belanja yang lebih memuaskan bagi pengguna Tokopedia.

References

1. Sistem Rekomendasi Pada E-Commerce Menggunakan K-Nearest Neighbor | Jurnal Teknologi Informasi dan Ilmu... jtiik.ub.ac.id/index.php/jtiik/article/view/392Sistem Rekomendasi Pada E Commerce Menggunakan K Nearest Neighbor Jurnal Teknologi Informasi dan Ilmu jtiik ub ac index php jtiik article view 392
2. Formation of Training and Testing Datasets, for Transportation Mode Identification - Volume 3, No. 1,... jtle.net?m=content&c=index&a=show&catid=39&id=131Formation of Training and Testing Datasets for Transportation Mode Identification Volume 3 No 1 jtle m content c index a show catid 39 id 131
3. Recommender system for personalised travel itinerary | B | International Journal of Electrical and Computer... doi.org/10.11591/ijece.v9i5.pp4460-4465Recommender system for personalised travel itinerary B International Journal of Electrical and Computer doi 10 11591 ijece v9i5 pp4460 4465
4. One moment, please.... one moment please wait request verified doi.org/10.33395/sinkron.v3i2.10047One moment please one moment please wait request verified doi 10 33395 sinkron v3i2 10047

Metadata

File size	304.77 KB
Pages	5
DMCA	Report