Sistem Rekomendasi Hibrid Menggunakan Algoritma Apriori Mining Asosiasi
Abstract
Sistem rekomendasi telah menjadi bagian yang tak terpisahkan dari hampir semua sistem berbasis informasi serta e-commerce pada umumnya. Berbagai teknik, metodologi, dan algoritma telah dipraktikkan, yang memberikan rekomendasi berdasarkan berbagai parameter. Tujuan dari sistem rekomendasi adalah untuk memanfaatkan informasi besar dan katalog produk dan memahami preferensi pengguna berdasarkan pilihan mereka, dan merekomendasikan mereka produk yang tidak mungkin untuk dipilih melalui ruang produk besar secara manual. Penelitian di bidang ini telah mampu mengidentifikasi berbagai algoritma dan metodologi untuk membuat rekomendasi yang berpusat pada pengguna. Setiap algoritma mencakup serangkaian parameter berbeda yang dipertimbangkan berdasarkan persyaratan tugas tertentu atau domain produk dari sudut pandang personalisasi dan preferensi setiap pengguna. Penelitian ini membahas pendekatan yang ada yang digunakan oleh berbagai sistem rekomendasi, perbandingannya, dan mengusulkan metode yang membahas kekurangan praktik yang ada dalam membangun sistem rekomendasi dengan menggunakan algoritma Apriori dan menggunakan aturan mining asosiasi.
Downloads
References
Cacheda, F., Carneiro, I., & Andez, D. F. (2011). Comparison of collaborative filtering algorithms : Limitations of current techniques and proposals for scalable , high-performance recommender systems Comparison of Collaborative Filtering Algorithms : Limitations of Current Techniques and Proposals for S. 5(1), 1–33. https://doi.org/10.1145/1921591.1921593
Chikhaoui, B., Chiazzaro, M., & Wang, S. (2011). An improved hybrid recommender system by combining predictions. Proceedings - 25th IEEE International Conference on Advanced Information Networking and Applications Workshops, WAINA 2011, 644–649. https://doi.org/10.1109/WAINA.2011.12
Ghazanfar, M. A., & Prugel-Bennett, A. (2010). A scalable, accurate hybrid recommender system. 3rd International Conference on Knowledge Discovery and Data Mining, WKDD 2010, (2), 94–98. https://doi.org/10.1109/WKDD.2010.117
Hamilton, H. (2020). Apriori Itemset Generation. Computer Science 831: Knowledge Discovery in Databases. Retrieved April 20, 1BC, from KDD Web website: http://www2.cs.uregina.ca/~hamilton/courses/831/index.html
Hao, M., Zhou, D., Liu, C., Lyu, M. R., & King, I. (2011). Recommender systems with social regularization. Proceedings of the 4th ACM International Conference on Web Search and Data Mining, WSDM 2011, 287–296. https://doi.org/10.1145/1935826.1935877
Jannach, D., & Adomavicius, G. (2016). Recommendations with a purpose. RecSys 2016 - Proceedings of the 10th ACM Conference on Recommender Systems, 7–10. https://doi.org/10.1145/2959100.2959186
Lazcorreta, E., Botella, F., & Fernández-Caballero, A. (2008). Towards personalized recommendation by two-step modified Apriori data mining algorithm. Expert Systems with Applications, 35(3), 1422–1429. https://doi.org/10.1016/j.eswa.2007.08.048
Mainak, D. (2020). Collaborative Filtering and The First User’s Disadvantage: An Emerging Area of Concern. Retrieved April 20, 2020, from Digital Policy Organization website: http://www.digitalpolicy.org/collaborative-filtering-first-users-disadvantage-emerging-area-concern/
Munawar, Zen and Putri, N. I. (2020). Keamanan Jaringan Komputer Pada Era Big Data. J-SIKA| Jurnal Sistem Informasi Karya Anak Bangsa, 02(01), 14–20.
Munawar, Z, Suryana, N., Sa’aya, Z. B., & Herdiana, Y. (2020). Framework With An Approach To The User As An Evaluation For The Recommender Systems. 2020 Fifth International Conference on Informatics and Computing (ICIC), 1–5. https://doi.org/10.1109/ICIC50835.2020.9288565
Munawar, Zen. (2017). Penggunaan Profil Media Sosial Untuk Memprediksi Kepribadian. TEMATIK - Jurnal Teknologi Informasi Dan Komunikasi, 4(2 SE-Articles), 18–37. https://doi.org/10.38204/tematik.v4i2.176
Munawar, Zen. (2018). Keamanan Pada E-Commerce Usaha Kecil dan Menengah. TEMATIK - Jurnal Teknologi Informasi Dan Komunikasi, 5(1), 1–16. https://doi.org/10.38204/tematik.v5i1.144
Munawar, Zen. (2019a). Aplikasi Registrasi Seminar Berbasis Web Menggunakan QR Code pada Universitas XYZ. Tematik, Jurnal Teknologi Informasi Dan Komunikasi, 6(2), 68–77. https://doi.org/10.38204/tematik.v6i2.246
Munawar, Zen. (2019b). Meningkatkan Kinerja Individu melalui Kritik/Saran menggunakan Recommender System . TEMATIK - Jurnal Teknologi Informasi Dan Komunikasi, 6(1 SE-Articles). https://doi.org/10.38204/tematik.v6i1.185
Munawar, Zen. (2020a). Mekanisme keselamatan, keamanan dan keberlanjutan untuk sistem siber fisik. Jurnal Teknologi Informasi Dan Komunikasi, 7(1), 58–87. https://doi.org/10.38204/tematik.v7i1.371
Munawar, Zen. (2020b). Perbaikan Teknis Sistem Pencatatan Persediaan Barang Berbasis Komputer Bagi Pedagang Buku Pasar Palasari Kota Bandung Menghadapi Era Pasar Kompetitif. JAST : Jurnal Aplikasi Sains Dan Teknologi, 4(1), 52. https://doi.org/10.33366/jast.v4i1.1587
Munawar, Zen, Fudsyi, M. I., & Musadad, D. Z. (2019). Perancangan Interface Aplikasi Pencatatan Persediaan Barang Di Kios Buku Palasari Bandung Dengan Metode User Centered Design Menggunakan Balsamiq Mockups. Jurnal Informatika, 6(2), 10–20.
Munawar, Zen, & Putri, N. I. (2020). Keamanan IoT Dengan Deep Learning dan Teknologi Big Data. TEMATIK - Jurnal Teknologi Informasi Dan Komunikasi, 7(2), 161–185. https://doi.org/10.38204/tematik.v7i2.479
Munawar, Zen, Putri, N. I., & Musadad, D. Z. (2020). Meningkatkan Rekomendasi Menggunakan Algoritma Perbedaan Topik. J-SIKA| Jurnal Sistem Informasi Karya Anak Bangsa, 02(02), 17–26. Retrieved from https://ejournal.unibba.ac.id/index.php/j-sika/article/view/378
Munawar, Zen, Siswoyo, B., & Herman, N. S. (2017). Machine learning approach for analysis of social media. ADRI International. Journal. Information. Technology, 1, 5–8.
Pazzani, M., & Billsus, D. (2007). Content-Based Recommendation Systems. The Adaptive Web, 4321, 325–341. LNCS.
Polatidis, N., & K. Georgiadis, C. (2013). Recommender Systems:The Importance of Personalization in E-Business Environments. International Journal of E-Entrepreneurship and Innovation, 4(4), 32–46. https://doi.org/10.4018/ijeei.2013100103
Putri, N. I., Komalasari, R., & Munawar, Z. (2020). Pentingnya Keamanan Data dalam Intelijen Bisnis. J-SIKA| Jurnal Sistem Informasi Karya Anak Bangsa, 02(02), 41–48.
Raghani, V. (2020). Recommender Systems using Apriori – An Application in Retail using Python. Retrieved April 20, 2020, from https://labs.sogeti.com/recommender-systems-using-apriori/
Schafer, J. Ben, Frankowski, D., Herlocker, J., & Sen, S. (2007). Collaborative Filtering Recommender Systems. The Adaptive Web. Lecture Notes in Computer Science, (January 2007), 291–323. Retrieved from https://www.researchgate.net/profile/Shilad-Sen/publication/200121027_Collaborative_Filtering_Recommender_Systems/links/547691850cf2778985b08077/Collaborative-Filtering-Recommender-Systems.pdf
Sharma, M., & Mann, S. (2013). A Survey of Recommender Systems : Approaches and Limitations. International Journal of Innovations in Engineering and Technology, 2(2), 8–14. Retrieved from https://pdfs.semanticscholar.org/fa41/dc4b60eccedf1c41e2ae488044827dd79384.pdf
Shirude, S., & Kolhe, S. (2016). Machine Learning Using K-Nearest Neighbor for Library Resources Classification in Agent-Based Library Recommender System. In Advances in Computing Applications (pp. 17–29). https://doi.org/10.1007/978-981-10-2630-0_2
Wang, Y. F., Chuang, Y. L., Hsu, M. H., & Keh, H. C. (2004). A personalized recommender system for the cosmetic business. Expert Systems with Applications, 26(3), 427–434. https://doi.org/10.1016/j.eswa.2003.10.001
Wei, S., Ye, N., Zhang, S., Huang, X., & Zhu, J. (2012). Collaborative filtering recommendation algorithm based on item clustering and global similarity. Proceedings of the 2012 5th International Conference on Business Intelligence and Financial Engineering, BIFE 2012, (1), 69–72. https://doi.org/10.1109/BIFE.2012.23
