DATA MINING UNTUK SISTEM REKOMENDASI PEMILIHAN BUKU PADA PERPUSTAKAAN
Abstract
Sistem rekomendasi merupakan million dolar investment. Sistem rekomendasi juga sangat bermanfaat disekitar kita. Untuk membangun sistem rekomendasi yang bagus banyak hal yang perlu diperhatikan dan masih ada banyak cara untuk improvisasi. Kenapa youtube bisa mengerti video apa yang kita suka? Atau pernah penasaran kenapa amazon bisa merekomendasikan buku yang tepat untuk kita? Karena sistem rekomendasi sangat berdampak pada perilaku pembaca sehingga semakin tepat sistem rekomendasi pembaca juga akan semakin nyaman. Berdasarkan featurnya sistem rekomendasi ini terdapat dua macam tipe yaitu contet-based atau collaborative filtering. Content-based ini merupakan sistem rekomendasi menggunakan konten atribut untuk menentukan rekomendasi sistem yang masih kecil (belum mempunyai banyak user) metode ini merupakan pilihan yang sangat tepat dan paling sederhana untuk menghitung kemiripan pada data yang terakhir dilihat dengan semua data pada datebase. Collaborative filtering itu sendiri yang digunakan bukan konten tetapi tingkah laku user contohnya kita merekomendasikan suatu item berdasarkan dari riwayat rating user tersebut maupun user lain. Dengan sistem rekomendasi ini bertujuan untuk memudahkan para pembaca dalam menentukan rekomendasi untuk memilih buku mana yang akan dibaca.
References
2. Dan Stok Barang, Jurnal Khatulistiwa Informatika. Vol.l IV No. 2.
3. Andi, 2015, Perancanga Sistem Informasi dan Aplikasinya, Andi, Yogyakarta
4. Rozi, Zaenal dan SmitDev Community, 2015, Bootstrap Design Framework, PT Elex Media Komputindo, Jakarta
5. Ariani Sukamto dan Shalahuddin M, 2016, Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Informatika, Bandung.
6. Bondan Prasetyo , Hanny Haryanto , Setia Astuti , Erna Zuni Astuti, 2019, Implementasi Metode Item-Based Collaborative Filtering dalam Pemberian Rekomendasi Calon Pembeli Aksesoris Smartphone. Hal: 17-26
7. Despandhe, M. and Karypis, G, 2015, Item-Based Top-N Recommendation Algorithms. ACM Transactions on Information Systems, 22(1):143- 177.
8. F. Ricci, and B. Shapira, 2015, Recommender Systems Handbook. Springer
9. Fathoni, Pacu Putra, Rio Abdi Sucipta, 2016, Penerapan Metode Item Based Collaborative Filtering pada Sistem Electronic Commerce Berbasis Website, Vol. 2 No. 1.
10. Fatmawati, A, 2016, Pengembangan Perangkat Pembelajaran Konsep Pencemaran Lingkungan Menggunakan Model Pembelajaran Berdasarkan Masalah Untuk SMA Kelas X. Jurnal Edusains, Vol. 4 No. 2, 2338-4387.
11. Gabbeta, Windi, 2017, Pohon Keputusan (Decision Tree). Departemen Teknik Infromatika, Institute Teknologi Bandung, Bandung
12. G. K. Badrul Sarwar, Joseph Konstan, and John Riedl, 2015, Item-based collaborative filtering recommendation algorithms, in international conference on World Wide Web, Hongkong, pp. 285-295.
13. Herlocker, J.L., Konstan, J.A., Terveen, L.G. and Riedl, J.T, 2015, Evaluating Collaborative Filering Recommender System. ACM Transactions on Information Systems, 22(1):5-53
14. Jose Maria Gomez Hidalgo, 2016, Content Based SMS Spam Filtering Proc. of the 2006 DOCENG, pp. 107-114
15. Kadir, A, 2015, Kosep dan Tuntunan Praktis Basis Data, Penerbit ANDI, Yogyakarta.
16. L. R. F Ricci, B Shaphira, 2016, Recommender Systems Handbook.M. R. a. A. Walker, "Supporting 'word of mouth Social Networks through Collaborative Filtering, Journal of Interactive Learning Research, vol. 14, pp. 78-79, 2003.
17. Muslihudin, M. dan Oktafianto, 2016, Analisis dan Perancangan Sistem Informasi Menggunakan Model Terstruktur dan UML, ANDI Offset, Yogyakarta
Copyright (c) 2019 Darma Persada of University
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright
