Article Per Year (5 Year)
p-Index From 2021 - 2026
2.737
P-Index
This Author published in this journals
All Journal Indonesian Journal on Computing (Indo-JC) Jurnal Inovasi Hasil Pengabdian Masyarakat (JIPEMAS) Building of Informatics, Technology and Science Jurnal Pengabdian kepada Masyarakat Nusantara Charity : Jurnal Pengabdian Masyarakat Indonesian Community Journal Jurnal Pengabdian Masyarakat Akademisi eProceedings of Engineering Jurnal Abdimas UM Jambi Proceeding of Community Service and Engagement
Selly Meliana
Telkom University
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Public Health Social Sciences Other

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : eProceedings of Engineering

 1 
Diversity Balancing pada Two-stage Collaborative Filtering untuk Mengatur Less Popular Item dalam Domain Film Ardiyanto, Fajar Widhi; Nurjanah, Dade; Meliana, Selly
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak-Sistem pemberi rekomendasi film adalah sistem yang bertanggung jawab untuk memberikan rekomendasi kepada penonton film tentang judul film lain yang relevan, menarik, dan mungkin disukai oleh penonton. Salah satu metode yang paling sering digunakan pada system pemberi rekomendasi adalah Collaborative Filtering (CF). CF unggul dalam tingkat accuracy terhadap item yang direkomendasikan kepada pengguna meskipun dalam keadaan konten yang sulit dianalisis sekalipun. Kelemahannya, CF hanya merekomendasikan item yang populer saja. Maka karena itu, dibutuhkan system pemberi rekomendasi yang dapat memberikan rekomendasi item yang kurang popular dengan tingkat accuracy yang masih dapat diterima. Tugas akhir ini mengusulkan sistem pemberi rekomendasi film berbasis Two-stages CF dengan menggunakan metode Diversity Balancing. Sistem ini bekerja dengan memprediksi rating pengguna kemudian menghasilkan daftar kandidat untuk selanjutnya dilakukan Diversity Balancing. Diversity Balancing dilakukan dengan cara mengganti item yang populer dengan item yang kurang populer namun relevan. Hasil pengujian dengan metode precision, recall, personal diversity dan aggregate diversity menunjukkan nilai tertinggi masing-masing adalah 0.8000, 0.5366, 0.5301. 0.3709. Berdasarkan hasil tersebut didapatkan keseimbangan antara accuracy dan diversity di parameter k=7 dan threshold rating sebesar 3.0.Kata kunci-sistem pemberi rekomendasi, collaborative filtering, diversity, less popular item
Pengembangan Sistem Rekomendasi Anime Berbasis Deep Q-Network (DQN) Ricky Ariesta Fakhruddin; Izzatul Ummah; Selly Meliana
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sistem rekomendasi berperan penting dalam membantu pengguna menemukan konten sesuai preferensi di tengah banyaknya informasi. Penelitian ini membandingkan dua pendekatan, yaitu Collaborative Filtering (CF) berbasis Singular Value Decomposition (SVD) dan Reinforcement Learning (RL) berbasis Deep Q-Network (DQN). Fokus utama penelitian adalah menilai efektivitas keduanya dalam memberikan rekomendasi anime yang relevan, baik untuk pengguna eksisting maupun pengguna baru (cold-start). Dataset penelitian diambil dari Kaggle, melalui tahap preprocessing berupa pembersihan data, normalisasi fitur, dan encoding genre dengan one-hot. Model CF dilatih menggunakan parameter hasil tuning, sedangkan model RL dibangun dalam lingkungan simulasi dengan fungsi reward berbobot yang menggabungkan rating pengguna, skor global anime, dan kesamaan preferensi genre. Evaluasi dilakukan menggunakan skenario Top-N Recommendation (N = 1, 3, 5, 10, 15, 20) dengan metrik Precision@N, Recall@N, dan F1-Score@N. Item relevan untuk pengguna eksisting ditentukan berdasarkan reward persentil ke-80, sementara untuk pengguna baru ditetapkan pada anime dengan skor global ≥ 9.0. Hasil menunjukkan RL dengan DQN unggul pada masalah cold-start, sedangkan CF lebih baik untuk pengguna dengan riwayat interaksi. Perbandingan ini menyoroti kelebihan dan keterbatasan masing-masing pendekatan, sekaligus memberi panduan dalam memilih strategi rekomendasi sesuai konteks pengguna. Kata kunci— deep q-network, reinforcement learning, colaborative filtering, sistem rekomendasi anime
Pengembangan Sistem Rekomendasi Anime Berbasis Deep Q-Network (DQN) Ricky Ariesta Fakhruddin; Izzatul Ummah; Selly Meliana
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sistem rekomendasi berperan penting dalam membantu pengguna menemukan konten sesuai preferensi di tengah banyaknya informasi. Penelitian ini membandingkan dua pendekatan, yaitu Collaborative Filtering (CF) berbasis Singular Value Decomposition (SVD) dan Reinforcement Learning (RL) berbasis Deep Q-Network (DQN). Fokus utama penelitian adalah menilai efektivitas keduanya dalam memberikan rekomendasi anime yang relevan, baik untuk pengguna eksisting maupun pengguna baru (cold-start). Dataset penelitian diambil dari Kaggle, melalui tahap preprocessing berupa pembersihan data, normalisasi fitur, dan encoding genre dengan one-hot. Model CF dilatih menggunakan parameter hasil tuning, sedangkan model RL dibangun dalam lingkungan simulasi dengan fungsi reward berbobot yang menggabungkan rating pengguna, skor global anime, dan kesamaan preferensi genre. Evaluasi dilakukan menggunakan skenario Top-N Recommendation (N = 1, 3, 5, 10, 15, 20) dengan metrik Precision@N, Recall@N, dan F1-Score@N. Item relevan untuk pengguna eksisting ditentukan berdasarkan reward persentil ke-80, sementara untuk pengguna baru ditetapkan pada anime dengan skor global ≥ 9.0. Hasil menunjukkan RL dengan DQN unggul pada masalah cold-start, sedangkan CF lebih baik untuk pengguna dengan riwayat interaksi. Perbandingan ini menyoroti kelebihan dan keterbatasan masing-masing pendekatan, sekaligus memberi panduan dalam memilih strategi rekomendasi sesuai konteks pengguna. Kata kunci— deep q-network, reinforcement learning, colaborative filtering, sistem rekomendasi anime
Co-Authors Abdullah Hanifan Ade Romadhony Agung Toto Wibowo Ardiyanto, Fajar Widhi Aryo Handono Bambang Pudjoatmodjo Bambang Pudjotatmodjo Bedy Purnama Bunyamin Bunyamin Dade Nurjanah Dodi Wisaksono Sudiharto Ema Rachmawati Ema Rachmawati Farah Afianti Fat'hah Noor Prawira Fat’hah Noor Prawira Fat’hah Noor Prawira Fazmah Arif Yulianto Ferdian, Edward Fhira Nhita Hani Nurrahmi I Gede Manggala Putra Izzatul Ummah Muhammad Arzaki Prawita, Fat’hah Noor Putu Harry Gunawan Ricky Ariesta Fakhruddin Rimba Whidiana Ciptasari Satria Akbar Mugitama Yunanda, Gisela