Page 2 - Paper Title (use style: paper title)
P. 2

dibandingkan dengan item-based collaborative tanpa Rough    Efisien,  hanya  mempergunakan  kata  atau  kalimat  yang
          Set Prediction. Penelitian sistem rekomendasi oleh Tan dan   penting dan mudah dipahami;
          Ye  [7]  mengenai  user-based  collaborative  filtering
          menggunakan item classification.  Dalam penelitian tersebut    Objektif  berdasarkan  fakta,  setiap  informasi  dalam
          item  classification  digunakan  untuk  mengklasifikasi  item   kerangka  ilmiah  selalu  apa  adanya,  sebenarnya,  dan
          berdasarkan  atribut item. Berdasarkan Mean Absolute Error   konkret;
          (MAE),  metode  tersebut  terbukti  lebih  baik  dibandingkan      Sistematis,  baik  penulisan  dan  pembahasan  sesuai
          dengan   metode   collaborative   filtering   tanpa   item   dengan prosedur dn sistem yang berlaku.
          classification.

             Gong  dan  Ye  [4]  melakukan  penelitian  sistem
          rekomendasi  item  menggunakan  metode  Collaborative   B. Sistem Rekomendasi
          Filtering  dan  algoritma  Back  Propagation  Neural  Network.   Sistem  rekomendasi  adalah  suatu  program  yang
          Penelitian  tersebut  membandingkan  metode  Collaborative   melakukan prediksi terhadap suatu item, seperti film, musik,
          Filtering tradisional dan metode Collaborative Filtering yang   buku, berita dan lain sebagainya yang menarik bagi pengguna,
          menggunakan algoritma Back Propagation (BP). CF dengan   berdasarkan  keadaan  dan  keinginan  pengguna.  Sistem  ini
          menggunakan  algoritma  BP  terbukti  memiliki  MAE  lebih   berjalan  dengan  menggunakan  data  dari  pengguna  secara
          rendah  dibandingkan  dengan  collaborative  filtering  tanpa   langsung maupun tidak
          algoritma BP. Akan tetapi  membutuhkan  waktu  yang lebih
          lama untuk mengoptimalkan kinerja BP. Uddin, Shrestha dan   Dalam  sistem  rekomendasi  terdapat  beberapa  metode
          Jo  [8]  melakukan  penelitian  untuk  meningkatkan  metode   dasar yang digunakan, diantaranya adalah:
          Content-Based  Learning  dengan  menggunakan  Diverse
          Collaborative  Prediction  (DCP)  dalam  sistem  rekomendasi     Content-based  recommendation:  merupakan  sistem
          film.  Dalam  penelitian  tersebut  DCP  digunakan  untuk   rekomendasi  yang  menerapkan  metode  Content-based
          menemukan item yang tidak mirip diantara item mirip yang   Learning  dimana  pengguna  akan  direkomendasikan
          direkomendasikan  oleh  collaborative  filtering.  Berdasarkan   untuk memilih item yang mirip dengan item yang telah
          MAE,  metode  tersebut  terbukti  lebih  baik  dibandingkan   dipilih pengguna tersebut dimasa lalu.
          dengan content-based learning tanpa DPC dan Naïve Hybrid     Collaborative  recommendation:  merupakan  sistem
          Approach, serta dapat menekan nilai MAE hingga 3,77% dan   rekomendasi  yang  menggunakan  metode collaborative
          0,48% .                                                  filtering  dimana  pengguna  akan  direkomendasikan
             Yun dan Youn[8]melakukan penelitian mengenai sistem   untuk memilih item yang dipilih atau disukai oleh para
          rekomendasi menggunakan metode collaborative filtering dan   pengguna lain (dengan selera yang sama) dimasa lalu.
          user information. User information digunakan untuk mengisi     Hybrid   approach:   sistem   rekomendasi   yang
          matriks  user-item  yang  kosong.  Penelitian  ini  terdiri  dari   menggunakan  metode  hybrid-based  dimana  metode
          beberapa  tahap  yaitu, pengisian  non-rated  data berdasarkan   tersebut adalah gabungan antara metode content-based
          user  information,  perhitungan  user  similarity,  dan  prediksi.   dan collaborative.
          Hasil penelitian ini berupa nilai MAE sebesar 0,87, sedangkan
          metode collaborative filtering tanpa user information sebesar   C. Content-based Learning
          1,04.                                                  Pembelajaran berbasis konten untuk sistem rekomendasi
          A. Karya Tulis Ilmiah                               berawal  dari  studi  temu  kembali  informasi  (Information
                                                              Retrieval),  dan  information  filtering.  Menurut  Borgers  dan
             Karya tulis ilmiah atau Karya ilmiah adalah tulisan atau   Bosch[]  content-based  recommendation  adalah  hasil  dari
          laporan  tertulis  yang  memaparkan  hasil  penelitian  atau   penelitian  penyaringan  informasi  dalam  sistem  berbasis
          pengkajian  suatu  masalah  oleh  seseorang  atau  sebuah  tim   konten. Content-based memerlukan teknik yang tepat untuk
          dengan  memenuhi  kaidah  dan  etika  keilmuan  yang   mewakili item dan beberapa strategi untuk membandingkan
          dikukuhkan  dan  ditaati  oleh  masyarakat  keilmuan.  Data,   user  profile  dan  representasi  item.  Content-based  terbukti
          simpulan  dan  informasi  lain  yang  terkandung  dalam  karya   dapat secara efektif menyaring informasi yang relevan dengan
          ilmiah tersebut dijadikan acuan (referensi) bagi ilmuan lain   topik,  namun  terdapat  beberapa  kekurangan  dari  metode
          dalam  melaksnakan  penelitian  atau  pengkajian  selanjutnya.   tersebut dalam sistem yaitu:
          Karya ilmiah berfungsi sebagai sarana untuk mengembangkan
          ilmu pengetahuan dan teknologi berupa penjelasan, prediksi     Penyaringan berbasis konten sulit untuk menghasilkan
          dan pengawasan. Ada beberapa jenis karya tulis ilmiah, yaitu   rekomendasi   tak   terduga   (serendipitous
          artikel  ilmiah,  makalah,  kertas  kerja,  paper,  skripsi,  tesis,   recommendation),  karena  semua  informasi  yang
          disertasi, dan artikel ilmiah populer. Berikut ini merupakan   direkomendasikan dan dipilih berdasarkan konten.
          karakteristik karya ilmiah:
                                                                  Hanya mengandalkan kinerja sistem dan mengabaikan
            Mengacu pada teori sebagai landasan berpikir (kerangka   masukan dari pengguna lain.
             pemikiran) dalam pembahasan masalah;
                                                                 Pencarian  kemiripan  antara  pengguna  dan  item  adalah
            Lugas,  tidak  emosional,  bermakna  tunggal,  tidak   langkah  penting  dalam  algoritma  sistem  rekomendasi.
             menimbulkan interprestasi lain;                  Menurut Fan, Pan dan Jiang [10] Cosine similarity merupakan
                                                              algoritma  yang  memisalkan  garis  pada  matriks  user-item
            Logis, disusun berdasarkan urutan yang konsisten;   sebagai vektor. Kesamaan antara dua item yang didefinisikan
            Efektif, ringkas dan padat;                      sebagai sudut kosinus ditunjukkan pada Persamaan 1




          ISSN/e-ISSN: 1907-4093/2087-9814                                                                   18
   1   2   3   4   5   6   7