UBHARAUBHARA

JEECS (Journal of Electrical Engineering and Computer Sciences)JEECS (Journal of Electrical Engineering and Computer Sciences)

Sistem rekomendasi wisata di Indonesia menghadapi tantangan preferensi pengguna yang sangat heterogen dan data rating yang sangat jarang, yang mengurangi efektivitas metode collaborative filtering konvensional. Namun, studi sebelumnya sebagian besar bergantung pada interaksi rating dan sering kali menggunakan dataset generik, yang membatasi kemampuan mereka untuk menangkap keragaman konteks dan perilaku wisata Indonesia. Meskipun informasi profil pengguna diketahui mempengaruhi preferensi, integrasinya dengan model faktor laten masih terfragmentasi dan jarang dievaluasi dalam kerangka kerja yang sadar konteks. Akibatnya, pendekatan yang ada sering menghasilkan akurasi yang kurang optimal dan kurang tangguh dalam lingkungan data yang jarang dan tidak seimbang. Studi ini mengusulkan kerangka kerja collaborative filtering yang disempurnakan dengan profil pengguna yang mengintegrasikan Singular Value Decomposition (SVD), Jaccard similarity, dan K-Nearest Neighbor (KNN) untuk memodelkan secara bersama-sama preferensi laten dan karakteristik pengguna kontekstual. Integrasi ini merupakan keunikan utama dari penelitian ini, memungkinkan mitigasi simultan dari keragaman dan peningkatan personalisasi dalam satu pipeline. Eksperimen dilakukan pada dataset wisata Indonesia, dengan kinerja dievaluasi menggunakan Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan waktu eksekusi. Hasilnya menunjukkan bahwa metode yang diusulkan secara konsisten melebihi baseline berbasis rating, mencapai MAE yang lebih rendah (1,6994 vs. 1,7355) dan RMSE (2,0653 vs. 2,1148), sambil mempertahankan efisiensi komputasi yang sebanding. Selain itu, model menunjukkan stabilitas yang lebih besar di berbagai ukuran tetangga, menunjukkan peningkatan skalabilitas dan ketahanan. Secara praktis, pendekatan ini menyediakan kerangka rekomendasi yang tangguh dan sadar konteks yang dapat mendukung layanan wisata yang lebih adaptif dan personalisasi di Indonesia, terutama dalam skenario dunia nyata yang ditandai dengan data yang jarang dan heterogen.

Berdasarkan hasil eksperimen, dapat disimpulkan bahwa peningkatan jumlah tetangga terdekat (nilai k) secara signifikan mempengaruhi akurasi sistem rekomendasi dalam kedua pendekatan yang diuji.pendekatan Jaccard berbasis peringkat dan pendekatan SVD Jaccard berbasis profil pengguna.Pada nilai k yang rendah, kedua metode menghasilkan MAE dan RMSE yang relatif tinggi karena informasi preferensi yang terbatas yang digunakan dalam proses prediksi.Ketika k meningkat, kesalahan dalam kedua metode secara konsisten menurun, menunjukkan bahwa dengan memasukkan lebih banyak tetangga dapat memperkaya informasi preferensi pengguna.Namun, pendekatan berbasis peringkat Jaccard cenderung stagnan pada nilai k yang tinggi, di mana menambahkan lebih banyak tetangga tidak lagi menghasilkan peningkatan akurasi yang signifikan.Sebaliknya, metode SVD Jaccard berbasis profil pengguna menunjukkan kinerja yang lebih stabil dan konsisten di seluruh rentang nilai k, dengan penurunan kesalahan yang lebih tajam pada nilai k menengah hingga tinggi.Secara kuantitatif, metode yang diusulkan menghasilkan nilai MAE dan RMSE rata-rata yang lebih rendah dibandingkan dengan metode berbasis peringkat, menunjukkan bahwa integrasi faktor laten dari SVD dan informasi profil pengguna mampu meningkatkan kualitas rekomendasi.Penelitian ini dapat dilanjutkan dengan menggunakan dataset yang lebih besar dan beragam, serta penelitian berbasis deep learning yang mengintegrasikan konten terkait wisata seperti lokasi dan waktu kunjungan, untuk meningkatkan adaptabilitas dan akurasi sistem rekomendasi wisata.

Untuk penelitian lanjutan, disarankan untuk menggunakan dataset yang lebih besar dan beragam untuk menguji ketahanan pendekatan yang diusulkan. Selain itu, penelitian berbasis deep learning dapat dilakukan dengan mengintegrasikan konten terkait wisata seperti lokasi dan waktu kunjungan, untuk meningkatkan adaptabilitas dan akurasi sistem rekomendasi. Selain itu, evaluasi sistem menggunakan metrik yang berpusat pada pengguna, seperti kepuasan pengguna atau pengukuran peringkat (misalnya, Precision, Recall, atau NDCG), akan memberikan penilaian yang lebih komprehensif tentang kualitas rekomendasi dalam aplikasi dunia nyata.

  1. Review-based Recommender Systems: A Survey of Approaches, Challenges and Future Perspectives | ACM Computing... doi.org/10.1145/3742421Review based Recommender Systems A Survey of Approaches Challenges and Future Perspectives ACM Computing doi 10 1145 3742421
  2. Integrating User Profiles and Collaborative Filtering for Smart Recommendation of Tourism City Cultural... worldscientific.com/doi/10.1142/S0129156425402967Integrating User Profiles and Collaborative Filtering for Smart Recommendation of Tourism City Cultural worldscientific doi 10 1142 S0129156425402967
  3. 0. pdf obj metadata endobj extgstate procset text imageb imagec imagei annots mediabox contents group... iajit.org/upload/files/Improved-Collaborative-Filtering-Recommender-System-Based-on-Hybrid-Similarity-Measures.pdf0 pdf obj metadata endobj extgstate procset text imageb imagec imagei annots mediabox contents group iajit upload files Improved Collaborative Filtering Recommender System Based on Hybrid Similarity Measures pdf
Read online
File size665.3 KB
Pages8
DMCAReport

Related /

ads-block-test