Description

Sistem Rekomendasi

Sistem rekomendasi adalah sistem perangkat lunak yang dirancang untuk memberikan rekomendasi atau saran kepada pengguna terkait dengan item-item tertentu, seperti produk, konten, layanan, atau informasi, yang mungkin menarik atau relevan bagi mereka. Tujuan utamanya adalah membantu pengguna menemukan item yang sesuai dengan preferensi, kebutuhan, atau history mereka dengan cara yang personal dan efisien.

Teknik-Teknik yang Digunakan dalam Sistem Rekomendasi:

1. Collaborative Filtering (CF):

• Metode yang memanfaatkan informasi dari banyak pengguna (user-based ) atau dari banyak item (item-based) untuk membuat rekomendasi. User-based CF menemukan kesamaan antar pengguna, sedangkan item-based CF menemukan kesamaan antar item. 

2. Content-Based Filtering:

• Menggunakan karakteristik atau atribut dari item itu sendiri untuk membuat rekomendasi. Misalnya, dalam rekomendasi buku, karakteristik seperti genre, penulis, atau topik akan digunakan untuk menemukan kesesuaian dengan preferensi pengguna.

3. Hybrid Recommender Systems:

• Menggabungkan pendekatan CF dan Content-Based untuk meningkatkan kualitas rekomendasi.

Komponen Utama Sistem Rekomendasi:

1. Pengumpulan Data:

• Data tentang preferensi pengguna dan informasi item dikumpulkan untuk digunakan dalam proses rekomendasi.

2. Penyusunan Model:

• Berdasarkan data yang dikumpulkan, model atau algoritma diterapkan untuk memahami hubungan antara pengguna dan item.

3. Pemberian Rekomendasi:

• Berdasarkan model yang dibuat, sistem memberikan rekomendasi kepada pengguna berdasarkan preferensi mereka.
   

Item Based Collaborative Filtering

Item-based collaborative filtering adalah salah satu metode dalam sistem rekomendasi yang menggunakan informasi tentang item untuk membuat rekomendasi kepada pengguna. Metode ini memanfaatkan kesamaan antara item-item yang ada dalam dataset untuk memberikan rekomendasi kepada pengguna.

Implementasi

Sistem Rekomendasi Buku ini menggunakan bahasa pemrograman Python.

Dataset
Berisi 278.858 pengguna (anonim tetapi dengan informasi demografis) yang memberikan 1.149.780 penilaian (eksplisit / implisit) tentang 271.379 buku.

Library

Mengunggah Dataset

Prepocessing

Model Item-Based Collaborative Filtering

Hasil