Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTugas Akhir ini membahas salah satu variasi metode faktorisasi cholesky yang disebut metode multifrontal. Metode ini membagi faktorisasi numerik matriks sparse yang simetris dan positif definit menjadi sejumlah sehingga langkah faktorisasi parsial dari matriks yang lebih kecil dan penuh. Konsep utama metode multifrontal adalah adanya kontribusi dan faktor kolom yang sudah dihitung. Kontribusi tersebut tidak diaplikasikan secara langsung, melainkan dipergunakan dalam memodifikasi submatriks yang akan difaktorkan pada tahap berikutnya. Pada setiap langkah faktorisasi, matriks frontal dibentuk dan matriks update yang didapat dari kolom-kolom yang berkontribusi terhadap kolom yang sedang diproses. Setelah mengeliminasi matriks frontal tersebut, akan diperoleh matniks update yang merupakan kontribusi dan kolom tersebut terhadap kolom lain pada langkah berikutnya."

"ABTRAKSuatu model tree dipakai untuk mempelajari faktorisasi matriks sparse simetris indefinit dengan cara pemilihan pivot diagonal. Struktur dasar yang digunakan adalah eliminasi tree dan eliminasi delay (eliminasi tertunda). Proses faktorisasi untuk matriks yang indefinit dapat dipandang sebagai suatu barisan transformasi tree yang didasari oleh data/informasi struktural dan data nilai-nilai numerik matriks. Hal tersebut memberikan suatu model dasar untuk mempelajari berbagai aspek numerik dari dekomposisi matriks sparse indefinite"

"ABSTRAKThesis ini membahas metoda penyelesaian langsung faktorisasiLU paralel untuk matrik sparse tak simetri dari sistempersamaan linier Ax = b dengan A e ~nxn dan x, b e ~n.Keparalelan dilakukan dengan cara memanfaatkan sparsitasmatrik. Algoritma paralel faktorisasi LU matrik sparsemelakukan pencarian himpunan pivot kompatibel dengan ukuranm dan dilanjutkan dengan update rank-m. Dalam pencarianhimpunan pivot kompatibel digunakan strategi Markowitz.Algoritma ini didasarkan pada model komputasi Shared-MemoryMIMD CREW. Maksimum level sparsitas matrik dihadirkan sebagaikriteria penggunaan algoritma tersebut di atas. Perkiraanbatas bawah speedup dan efisiensi waktu pemrosesan diberikansecara semi analitis. Disajikan pula hasil experimen darihasil kerja algoritma di atas yang diimplementasikan secarasimulasi."

"Tujuan dari penelitian ini adalah menguji akurasi dari metode faktorisasi matriks probabilitas (pmf) pada data rating film MovieLens. Dalam pmf, data ini dapat direprentasikan dalam bentuk matriks R. yang berukuran n x m, dimana n adalah banyaknya pengguna sedangkan m adalah banyaknya judul film. Keluaran dari model ini adalah berupa dua buah matriks W dan H. Dimana W adalah matriks fitur pengguna sedangkan H adalah matriks fitur film. Akurasi dari model tercermin dari besarnya norm Frobenius 'R-WH' pada data testing. Matriks W dan H dapat diestimasi dengan menggunkan Teorema Bayes. Berdasarkan Teorema ini, model yang baik adalah model yang memiliki probabilitas posterior maksimum. Dari eksperimen, kondisi tersebut dicapai saat parameter k=17 dan lambda=0.2 dengan RMSE=0.920661. Pada nilai RMSE tersebut model ini masuk kategori yang baik dalam memprediksi banyaknya genre dan skor kosong dalam matriks R.

---

The purpose of this study is to test the accuracy of the method of probabilistic matrix factorization (PMF) on MovieLens movie rating data. In PMF, this data can be represents by the sparse matrix R. size nxm, where n is the number of users, while m is the number of movie titles. The output of the model is in the form of two matrices W and H. Where W is the matrix of user features, while H is the matrix of films features. The accuracy of the model is reflected in the size of the Frobenius norm 'R-WH' in the data testing. Matrices W and H can be estimated by using Bayes theorem. Based on this theorem, a good model is a model that has a maximum posterior probability. From these experiments, the condition is achieved when the parameters k = 17 and lambda = 0.2 with RMSE = 0.920661. In this model, the RMSE values in the category of good in predicting the number of genre and empty scores in the matrix R."

"Sistem rekomendasi (recommendation system) terus dikembangkan khususnya pada aplikasi teknik analisis data dalam membantu pengguna on-line (user) menemukan produk (item) yang ingin mereka beli. Satu dari beberapa metode dalam sistem rekomendasi adalah collaborative filtering (CF) dengan pendekatan latent variable models berdasarkan faktorisasi matriks. Hubungan antara pengguna (users) dan produk (item) dalam collaborative filtering dapat disajikan dalam bentuk matriks rating R. Penelitian ini membahas metode collaborative filtering berbasis model faktorisasi matriks pada sistem rekomendasi.Dalam faktorisasi matriks, permasalahan utamanya adalah mencari dua buah matriks Wm x k dan matriks Hk x m sehingga WH ≈ R dengan Rm x n. Akurasi dari model tercermin dari besarnya norm ║R-WH║ pada data testing. Terdapat beberapa teknik faktorisasi yang telah digunakan dalam CF. Dalam penelitian ini metode yang digunakan adalah faktorisasi matriks dengan metode gradient descent.Berdasarkan eksperimen, parameter model yang optimal yang memenuhi fungsi optimasi diperoleh pada nilai k = 3 dengan learning rate 8 x 10-5. Akurasi model dihitung menggunakan root mean square error (RMSE) dan nilai RMSE model pada eksperimen ini adalah 0,9335.

---

Recommendation systems continue to be developed especially in the application of data analysis techniques in helping users on-line find a product (item) that they want to buy. One of several methods in collaborative filtering recommendation system is (CF) approach to latent variable models based on matrix factorization. The relationship between the user and product (item) in the collaborative filtering (CF) can be presented in the form of rating matrix R. This study discusses the collaborative filtering method based on matrix factorization model of recommendation systems.

In the matrix factorization, the main problem is to find two matrices Wmxk and Hk x m so that WH ≈ R with Rmxn. The accuracy of the model is reflected in the norm ║R-WH║ in the testing data. There are several techniques that have been used in the factorization method of collaborative filtering (CF). In this study the method used is matrix factorization with gradient descent methods.

Based on the experiments, the optimal model parameters that meet the optimization function values ​​obtained at k = 3 with a learning rate of 8 x 10-5. The accuracy of the model is calculated using the root mean square error (RMSE) and RMSE values ​​in experimental models is 0.9335."

"Pesatnya perkembangan teknologi telah mengubah perdagangan konvensional menjadi sistem perdagangan modern. Agar e-commerce berhasil harus dikembangkan menggunakan sistem yang akurat. Salah satu metode pada pendekatan collaborative filtering yaitu latent variable models berdasarkan faktorisasi matriks. Jika setiap vector pu yang menyatakan ketertarikan pengguna ke-u terhadap variabel tersembunyi dan setiap vector qi yang menyatakan hubungan item i dengan variabel tersembunyi dapat ditentukan, maka tingkat ketertarikan antara semua pengguna u pada setiap item i dapat ditentukan. Untuk menghindari terjadinya overfitting proses update pu dan qi dilakukan menggunakan metode gradient descent dengan regularisasi. Penelitian ini menentukan parameter k (banyaknya variabel tersembunyi) dan parameter (nilai regularisasi) agar model optimal.

---

The rapid development of technology has changed the conventional trade into a modern trading system. In order for successful e-commerce must be developed using an accurate system. One method in collaborative filtering approach that is latent variable models based on matrix factorization. If any vector pu that expressed interest u user to a hidden variable and each qi vector expressing the relation item i with hidden variables can be determined, then the level of interest among all users u on every item i can be determined. To avoid overfitting the update process on pu vector and qi vector performed using gradient descent method with regularization. This study determines the parameter k (the number of hidden variables) and parameter (value regularization) that makes the model becomes optimal."