Implementasi dan Analisis Algoritma Eigentaste pada Collaborative Filtering

Muhammad Harry Calgery

Informasi Umum

Kode

113050217

Klasifikasi

005.1 - Computer programming

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Rekayasa Perangkat Lunak

Dilihat

4 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: Collaborative filtering merupakan teknik yang umum digunakan dalam penentuan prediksi berdasarkan kesamaan antar user. Disini akan diperkenalkan algoritma yang bisa memprediksi dengan waktu yang lebih efisien (berdasarkan kompleksitas komputasi yang didapat). Eigentaste merupakan algoritma model-based yang menggunakan PCA (Principal Component Analysis) sebagai fondasi utama untuk mereduksi dimensi matriks yang nantinya digunakan pada proses RRC (Recursive Rectangular Clustering). Dimulai dari proses normalisasi matriks, kemudian pembentukan matriks korelasi pearson Eigentaste hingga proses PCA kemudian dilanjutkan dengan proses clustering dengan kompleksitas komputasi sebesar O(). Dengan k << n, sehingga waktu untuk mendapatkan prediksi dan NMAE jauh lebih cepat. Data yang digunakan adalah Jester dataset. Tugas akhir ini menganalisis kompleksitas komputasi algoritma setelah diimplementasikan algoritma Eigentaste. Parameter yang digunakan dalam analisis adalah parameter NMAE. Algoritma Eigentaste memberikan hasil bahwa NMAE yang dihasilkan termasuk kategori baik.Kata Kunci : Collaborative Filtering, Eigentaste, PCA, RRC, NMAEABSTRACT: Collaborative filtering is one of general technique which is used for prediction based on similarity between user or between item. Here will be presented new algorithm that can be predicted with more efficient time (based on computational complexity). Eigentaste is model-based algorithm which is use PCA (Principal Component Analysis) as a essential foundation for reduce matrix dimension which is later used on RRC (Recursive Rectangular Clustering) process. Firstly, Eigentaste process normalization before making of pearson correlation matrix. Later, Eigentaste will apply PCA and for last process will do clustering process. The computational complexity appears with O() that can assume if k << n, then the process is faster for capture prediction and NMAE. Jester Dataset is source for computing and analyze Eigentaste algorithm. In this paper, it will do analyzing computational complexity after implemented on Eigentaste. The parameter which is used is NMAE. It is proven that based on NMAE result, Eigentaste algorithm can said as good algorithm for predicting user.Keyword: Collaborative Filtering, Eigentaste, PCA, RRC, NMAE