Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem rekomendasi adalah sebuah teknik untuk menyediakan saran terkait suatu hal yang dapat dimanfaatkan oleh pengguna. Saran dapat berupa produk maupun jasa yang ditawarkan. Saran yang diberikan adalah produk atau jasa yang belum pernah digunakan atau dibeli oleh pengguna tersebut. Sistem rekomendasi, khususnya dengan menggunakan K-Nearest Neighbor KNN , mencapai kesuksesan pada beberapa akhir tahun ini.Penelitian ini akan diimplementasikan K-Nearest Neighbor pada komputasi terdistribusi yaitu MapReduce untuk merancang sistem rekomendasi dengan menggunakan Item Based Collaborative Filtering IBCF dan User Based Collaborative Filtering UBCF pada dataset Movielens 100k. Penelitian akan menggunakan beberapa komputasi penghitung kesamaan yaitu Cosine Based Similarity, Pearson Correlation Similarity dan Euclidean Distance.Hasil percobaan yang didapat adalah algoritma Euclidean Distance menghasilkan performa terbaik dalam waktu proses dan nilai keakuratan. Pada pendekatan IBCF, Euclidean Distance membutuhkan waktu proses dengan rata-rata 13 sekon dan nilai korelasi sebesar 0.84. Sedangkan pada UBCF, Euclidean Distance membutuhkan waktu proses dengan rata-rata 32 sekon dan nilai korelasi sebesar 0.84.

---

Recommender system is a technique to provide suggestions related to a thing that can be used for user. Suggestions can be products and services offered. The advice given is a product or service that has never been used or purchase by the user. The recommendation system, especially by using K Nearest Neighbor KNN , achieving success in several year.

This research will be implemented K Nearest Neighbor at distributed process that called MapReduce to arrange system by using Item Based Collaborative Filtering IBCF and User Based Collaborative Filtering UBCF on Movielens 100k dataset. The research will use several techniques to compute similarities such as Cosine Based Similarity, Pearson Correlation Similarity and Euclidean Distance.

The result of the experiment is Euclidean Distance algorithm give the best performance in process time and correlation. In the IBCF approach, Euclidean Distance takes process around 13 seconds and correlation value is 0.84. And at UBCF, Euclidean Distance takes processing time around 32 seconds and correlation value is 0.84."

"Sistem rekomendasi kini telah menjadi fitur yang umum digunakan pada berbagai situs, termasuk situs katalog buku dan toko buku daring. Adanya sistem rekomendasi pada situs-situs tersebut berperan penting dalam proses pengambilan keputusan pengguna. Dua jenis sistem rekomendasi yang umum digunakan adalah content-based filtering dan collaborative filtering. Penelitian terdahulu menunjukkan bahwa statistical metrics bukan merupakan ukuran yang tepat untuk menentukan kualitas suatu sistem rekomendasi. Salah satu pendekatan lain adalah mengevaluasi sistem rekomendasi berdasarkan persepsi dari pengguna yang menggunakannya. Pada penelitian ini, dilakukan perbandingan antara persepsi pengguna terhadap content-based filtering dengan top-N recommendations dan collaborative filtering dengan matrix factorization menggunakan metode survei kuantitatif yang mengukur accuracy, diversity, novelty, perceived usefulnes, overall satisfaction dan use intention terhadap rekomendasi yang dihasilkan kedua jenis sistem rekomendasi. Hasil penelitian menunjukkan bahwa sistem rekomendasi content-based filtering memiliki accuracy, diversity, perceived usefulness, overall satisfaction dan use intention yang lebih tinggi daripada sistem rekomendasi collaborative filtering. Namun, tidak terdapat perbedaan nilai novelty yang signifikan antara sistem rekomendasi content-based filtering dan collaborative filtering.

---

Recommendation system is now a common feature used in various sites, including online book catalogs and bookshops. The existence of recommendation systems on these sites has an important role in users' decision-making processes. Two of the most commonly used types of recommendation systems are content-based filtering and collaborative filtering. Literature has shown that statistical metrics are not suitable to measure the quality of recommendation systems. Instead, a recommendation system can be evaluated based on its users’ perceived qualities. Through this research, a comparison of users’ perception of content-based filtering with top-N recommendations and collaborative filtering with matrix factorization is conducted with a quantitative survey method which evaluates accuracy, diversity, novelty, perceived usefulness, overall satisfaction and use intention of recommendations produced by both recommendation systems. The results suggest that the content-based recommendation system has higher accuracy, diversity, perceived usefulness, overall satisfaction and use intention than collaborative filtering ones. However, there is not any significant difference between the novelty values of content-based and collaborative filtering recommendation systems."

"Latar belakang penelitian ini didasari oleh isu-isu pilpres 2019 yang beredar secara masif di media sosial. Dari isu-isu tersebut muncul polarisasi dan membagi menjadi dua belah pihak yang saling berseberangan. Namun, pengguna pada dasarnya tidak disuguhkan informasi yang berimbang akibat dari sistem rekomendasi pada sosial media. Penelitian ini diharapkan dapat memperkaya kajian dampak media sosial khususnya pada kajian sistem rekomendasi dengan konteks di Indonesia.Tesis ini mengkaji sistem rekomendasi yang dirancang oleh operator media sosial cenderung seragam atau selaras dengan pandangan politik pengguna saja. Fenomena tersebut adalah The Filter Bubbles dimana informasi yang beredar pada media sosial kita disaring hanya sesuai dengan pandangan pengguna itu sendiri. Polarisasi menjadi efek yang bisa dipengaruhi oleh sistem rekomendasi karena penerimaan informasi dari pengguna setelah melalui sistem kurasi berdasarkan personalisasi memunculkan berita seragam.Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimen. Hasil penelitian ini menunjukkan bahwa sistem rekomendasi membuat posisi polarisasi pengguna semakin ekstrim. Hal ini ditandai dengan semakin teguhnya opini dan pandangan politik yang dipegang oleh pengguna sebelumnya.

---

The background of this research is based on 2019 election issues that spread massively in social media. From these issues comes the polarization and divides into two opposing sides. However, users are basically not presented with balanced information as a result of the recommendation system on social media. This research is expected to enrich the study of social media impact, especially on study of recommendation system with context in Indonesia.

This thesis examines the recommendation system designed by social media operators tends to be uniform or aligned with the user's political views only. The phenomenon is The Filter Bubbles where the information circulating on our social media is filtered only in accordance with the user's own views. Polarization becomes an effect that can be influenced by the recommendation system because the acceptance of information from the user after going through a personalized curation system raises uniform news.

This research uses quantitative approach with experiment method. The results of this study indicate that the recommendation system makes the polarization position of users more extreme. This is marked by increasingly persistent opinions and political views held by previous users"

"ABSTRAK

Model perencanaan perjalanan telah berkembang dari faktor kuantitatif yaitu pencapaian waktu tersingkat menjadi faktor kualitatif yaitu pencapaian kepuasan. Kepuasan ini didapatkan dari kunjungan ke sejumlah tempat yang dianggap penting, kritis, atau favorit sesuai lingkup model tersebut. Penerapan dalam bidang pariwisata akan membantu wisatawan dalam pembentukan rute perjalanan pariwisata yang layak dan berkualitas tinggi. Model yang dikembangkan pada penelitian ini adalah Team Orienteering Problem with Time Windows (TOPTW). Pada model awal dilakukan penyusunan rute dengan memperhatikan prioritas wisatawan, maksimum total waktu yang dimiliki wisatawan, lokasi awal yang sama dengan lokasi akhir, serta jam operasional destinasi wisata (time window). Penelitian perencanaan perjalanan wisata ini mengubah model awal dengan melakukan penyesuaian kebutuhan wisatawan yang belum terpenuhi dan mencapai tujuan kedua yaitu minimum total waktu yang dibutuhkan. Model usulan memperhatikan waktu kedatangan yang diinginkan wisatawan, lokasi awal dan akhir yang berbeda, serta toleransi waktu yang ditetapkan wisatawan terhadap jam buka dan jam tutup suatu destinasi, serta hari operasional destinasi wisata. Wisatawan juga dapat mengubah waktu kunjungan (service time), skor destinasi yang menunjukan tingkat kefavoritan, dan menentukan waktu kedatangan ke destinasi wisata.

            Metode yang digunakan bertujuan untuk mencari keseimbangan (equilibrium solution) antara hasil yang optimal dengan proses perhitungan yang lebih efisien. Metode pencarian hasil akan diawali dengan kontruksi heuristik untuk mengakomodasi destinasi favorit terlebih dahulu dalam rute, dilanjutkan dengan tahapan local search untuk mendapatkan pengaturan terbaik dari rute-rute tersebut. Metode yang digunakan adalah Iterated Local Search (ILS) yang disesuaikan, yaitu Adjusted ILS (AILS). AILS terdiri dari tahapan permutasi dan reversed untuk setiap rute, dan terakhir adalah perturbasi untuk semua rute yang terbentuk. Pada setiap tahapan akan dibandingkan total skor dan total waktunya, dan yang terbaik akan melanjutkan ke tahapan berikutnya. Setiap tahapan ini akan melalui diverifikasi untuk menjamin kelayakan hasil.

            Selain itu dilakukan perbandingan metode antara AILS dan metode metaheuristik lain seperti Multi-start Simulated Annealing (MSA), Simulated Annealing (SA), Artificial Bee Colony (ABC) dan ILS. Hasil dari uji statistik menyatakan adanya perbedaan hasil di antara metode AILS dan metode-metode lainnya. Metode AILS memiliki keunggulan lebih tingginya skor per destinasi yang berarti lebih banyak destinasi favorit yang dikunjungi yaitu rata-rata sebesar 26% untuk metode MSA, SA, dan ABC, dan 21% untuk metode ILS. Running time pada AILS lebih singkat 537% daripada metode MSA, SA dan ABC, dan lebih lama 42% dibandingkan metode ILS. Semua metode yang dibandingkan tidak memiliki total waktu seperti yang telah dilakukan dalam AILS. Setelah itu dibuat sistem rekomendasi bernama ROSTER (Routing System Recommendation)  untuk kemudahan penggunaan dan pemahaman hasil.

---

ABSTRACT

 

---

The travel planning model has expanded from quantitative factor with the achievement of the shortest time, into a qualitative factor with the achievement of satisfaction. The satisfaction is obtained from visiting a number of destinations that are considered important, critical, or favorite. Application in the tourism industry will help tourists to develop an appropriate and high-quality travel routes. The development model in this study is Team Orienteering Problem with Time Windows (TOPTW). In the initial model, route planning considers tourist priorities, the maximum total time owned by tourists, the same initial location as the final location, and the operational hours of each destination or time window. This research develop the initial model by adjusting more demand of tourists and achieve the second goal, the minimum total time. The proposed model consider arrival time of tourists, different initial and final locations, time tolerance from tourists to destination operational hours, and operational days of the destinations. Tourists can also adjust the time of visit or service time, destination scores that indicate the level of favorability, and determine the time of arrival to tourist destinations.

The method used aims to find a balancing (equilibrium solution) between optimal results with  more efficient running time. The method will begin with a heuristic construction to accommodate the favorite destinations in advance on the route, followed by the local search to get the best routes. The method used is modification of Iterated Local Search (ILS) and being Adjusted ILS (AILS). AILS consists of permutation and reversed stages for each route, and perturbation for all routes formed in previous stages. At each stage the total score and total time will be compared, and the best routes will proceed to the next stage. Each of these stages will be verified through to ensure the feasibility of the results.

A comparison method was conducted between AILS and other metaheuristic methods such as Multi-start Simulated Annealing (MSA), Simulated Annealing (SA), Artificial Bee Colony (ABC) and ILS. The results of the statistical test revealed differences in results between the AILS method and other methods. The AILS method has the advantage of higher scores per destination which means more favorite destinations visited are on average 26% for the MSA, SA, and ABC methods, and 21% for the ILS method. Running time on AILS is 537% shorter than MSA, SA and ABC methods, and 42% shorter than ILS method. All the previous methods do not have the minimum total time that was reached in AILS. A recommendation system named ROSTER (Routing System Recommendation) was made for user convenience.

 

"

"Saat ini transaksi perdagangan tidak hanya menggunakan cara konvensional namun telah memanfaatkan perkembangan teknologi, informasi dan komunikasi yaitu transaksi jual beli secara elektronik atau online. Salah satu aplikasi yang diterapkan dalam jual beli secara online adalah sistem rekomendasi. Salah satu strategi dalam sistem rekomendasi adalah collaborative filtering dengan metode latent variable model. Latent variable model merupakan metode perekomendasian yang menganalisis pola hubungan diantara pengguna dan produk secara langsung, yaitu berdasarkan kemiripan/jarak antara pengguna dan produk. Hal ini dapat terjadi karena baik pengguna maupun produk memiliki fitur yang sama. Metode latent variable model yang sering digunakan pada sistem rekomendasi adalah faktorisasi matriks.Salah satu metode optimasi dalam faktorisasi matriks adalah metode gradient descent. Namun karena data yang tersedia dalam membangun model sistem rekomendasi cukup banyak bervariasi maka memungkinkan terjadinya overfitting dan bias. Oleh karena itu pada penelitian ini akan menganalisis akurasi model faktorisasi matriks berbasis metode gradient descent dengan regularisasi dan bias. Eksperimen dilakukan melalui simulasi komputasi untuk mendapatkan parameter model yang optimal.Berdasarkan eksperimen yang telah dilakukan pada saat 𝑘=5 dan 𝜆1=0.05 model faktorisasi matriks berbasis metode gradient descent dengan regularisasi dan bias memiliki tingkat akurasi yang lebih baik dengan model faktorisasi matriks berbasis metode gradient descent dengan regularisasi saja yaitu 0.93552 dan 1.19219.

---

Nowdays transactions of trade does not only do conventionally but using technology development, information and communication, such as electronic trade or online. One of application which uses in online trade is recommender systems. One of strategy in recommendation system is collaborative filtering with latent variable model. Latent variable model is recommendation method which analyze pattern of relationship among user and product. This thing can occurred because user and product have the same feature. Latent variable model which commonly use is matrix factorization.

One of optimist method in matrix factorization is gradient decsent method. But because many data and variation data, its will be overfitting and bias. Because of that, in this research will analyse accuracy of matrix factorization model based on gradient descent method with regularization and bias. Experiment is done by simulating computation to get optimal model parameter.

Based on experiment when 𝑘=5 and 𝜆1=0.05 matrix factorization model based on gradient descent method with regularization and bias had better accuracy than matrix factorization model based on gradient descent method with only regularization, it?s 0.93552 and 1.19219."

"This book aims to help readers to discover and understand the interplay among legal issues such as privacy, technical aspects such as interoperability and scalability, and social aspects such as the influence of affinity, trust, reputation and likeness."

"In this book, we survey the most recent and state-of-the-art work about a whole new generation of recommender systems built to serve social tagging systems. The book is divided into self-contained chapters covering the background material on social tagging systems and recommender systems to the more advanced techniques like the ones based on tensor factorization and graph-based models."

"Sistem rekomendasi berita berpotensi untuk membantu pengguna menemukan artikel yang sesuai dengan minat mereka, yang sangat penting untuk mengurangi kelebihan informasi pada pengguna. Untuk menghasilkan rekomendasi berita yang efektif, salah satu kemampuan utama adalah menangkap makna kontekstual dari teks dalam artikel berita secara akurat, karena ini penting untuk memperoleh representasi yang berguna untuk konten berita dan pengguna. Dalam penelitian ini, kami meneliti efektivitas rekomendasi berita neural dengan metode Neural News Recommendation with Attentive Multi-View Learning (NAML) untuk melakukan tugas rekomendasi berita dalam bahasa Indonesia. Kami juga mengusulkan untuk memasukkan tags berita dan entitas pada berita untuk meningkatkan efektivitas metode NAML dalam sistem rekomendasi berita Indonesia. Hasil kami menunjukkan bahwa metode NAML menghasilkan peningkatan yang signifikan dalam efektivitas rekomendasi berita dalam bahasa Indonesia. Penambahan tags berita dan entitas berita terbukti meningkatkan kinerja metode NAML masing-masing sebesar 3.65% dan 2.35% dalam metrik NDCG@5.

---

The news recommendation system has the potential to help users discover articles that match their interests, which is crucial to alleviate user information overload. To generate effective news recommendations, one key capability is to accurately capture the contextual meaning of the text in news articles, as this is essential for obtaining useful representations for both news content and users. In this study, we examine the effectiveness of neural news recommendation with the Neural News Recommendation with Attentive Multi-View Learning (NAML) method to perform the news recommendation task in the Indonesian language. We also propose to incorporate news tags and entities in the news to improve the effectiveness of the NAML method in the Indonesian news recommendation system. Our results show that the NAML method leads to significant improvement in the effectiveness of news recommendations in the Indonesian language. Further addition of news tags and news entities has been shown to improve the performance of the NAML method by 3.65% and 2.35%, respectively, in terms of the NDCG@5 metric."

"Penelitian yang dilakukan pada laporan ini ditujukan untuk membuat suatu sistem yang dapat melakukan monitoring performa Wi-Fi, sehingga bila ada salah satu jaringan yang memiliki masalah dapat ditindak lanjuti dengan cepat untuk dianalisis lebih lanjut. Dalam penelitian ini juga ditambahkan peerbandingan kinerja machine learning untuk melakukan prediksi tentang bagaimana traffic wifi dapat berjalan ke depannya. Model machine learning yang dipakai pada penelitian ini adalah linear regression, Extreme Gradient Boost XGB regression, dan Light Gradient Boosting Machine (LGBM) regression. XGB dan LGBM merupakan pengembangan dari Gradient Boosting Decision Tree (GBDT). LGBM menerapkan dua Teknik yaitu Gradient-based One-Side Sampling (GOSS) dan Exclusive Features Bundling (EFB). GOSS berguna untuk mengecualikan gradien data kecil, sedangkan EFB berguna untuk memilih fitur eksklusif dengan tujuan pengurangan fitur. Peneliti menggunakan metrik evaluasi untuk mengetahui akurasi prediksi masing-masing model. Dari penelitian yang dilakukan metode machine learning LGBM lebih baik 3,09 % dari XGB regression dan 16,57 % lebih baik dari linear regression.

---

This research in this report is aimed to create a system that can monitor WiFi performance, so that if one of the networks has problems it can be followed up quickly for further analysis. This research also add machine learning performance comparison to make predictions about how the WiFi traffic run in the future. The machine learning models used in this study are linear regression, Extreme Gradient Boost XGB regression, and Light Gradient Boosting Machine (LGBM) regression. LGBM applies two techniques namely Gradient-based One-Side Sampling (GOSS) and Exclusive Features Bundling (EFB). GOSS is useful for excluding small data gradients, whereas EFB is useful for selecting exclusive features with the goal of feature reduction. Researchers use evaluation metrics to determine the prediction accuracy of each model. From research conducted the LGBM machine learning method is 3.09% better than XGB regression and 16.57% better than linear regression."

"Meningkatnya jumlah pengguna internet saat ini memberikan banyak dampak pada kehidupan manusia, karena internet menghubungkan banyak perangkat setiap hari. Perkembangan ini membawa berbagai dampak positif maupun dampak negatif. Salah satu dampak negatifnya adalah adanya aktivitas berbahaya yang dapat menyerang jaringan. Intrusion detection system merupakan sebuah sistem manajemen keamanan pada jaringan komputer. Data yang dimiliki intrusion detection system mempunyai fitur yang cukup banyak tetapi tidak semua fitur yang ada relevan dengan data yang digunakan dan jika data tersebut diolah akan memakan waktu yang cukup lama. Oleh karena itu, diperlukan pemilihan fitur untuk meningkatkan akurasi serta memperpendek waktu pembelajaran. Beberapa metode pembelajaran sudah pernah diterapkan untuk menyelesaikan masalah intrusion detection system, seperti Na ? ve Bayes, Decision Tree, Support Vector Machines dan Neuro-Fuzzy Methods. Metode pemilihan fitur yang digunakan untuk skripsi ini adalah metode Chi-Square. Setelah dilakukan pemilihan fitur, akan didapatkan hasil berupa sebuah dataset baru yang kemudian akan diklasifikasi menggunakan metode Extreme Learning Machines. Hasilnya menunjukkan setelah dilakukan pemilihan fitur dengan metode Chi-Square, tingkat akurasi akan meningkat serta waktu yang dibutuhkan algoritma pembelajaran untuk menyelesaikan metode tersebut menjadi semakin singkat.

---

The increasing rates of internet users nowadays must be give much impacts to our lifes, because the internet things can connect more devices every day. This growth carriers several benefits as well as can attack the network. Intrusion detection system IDS are used as security management system. IDS can be used to detect suspicious activity or alert the system. IDS involves large number of data sets with several different features but not all features are relevant with the data sets and it takes long computational time to solve IDS data sets. Therefore, it has to do feature selection to remove the irrelevant features, to increase the accuracy and to shorten the computational time for the learning methods.

Many researches about learning method to solve intrusion detection system problem have been done to develop and test the best model from various classifiers, such as Na ve Bayes, Decision Tree, Support Vector Machines, and Neuro Fuzzy Methods. For this thesis, the feature selection methods will be used is Chi Square methods to reduce dimentionality of IDS data sets. The new IDS data sets with the best selected features are obtained afterwards, and then these new data sets will be classified with Extreme Learning Machines methods. The result denotes that Extreme Learning Machines classification methods provides better accuracy level while combined with Chi Square feature selection."