Article Per Year (5 Year)
p-Index From 2021 - 2026
2.607
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Indonesian Journal on Computing (Indo-JC) Proceeding of the Electrical Engineering Computer Science and Informatics JURNAL MEDIA INFORMATIKA BUDIDARMA JTP - Jurnal Teknologi Pendidikan Building of Informatics, Technology and Science Jurnal Locus Penelitian dan Pengabdian eProceedings of Engineering Advance Sustainable Science, Engineering and Technology (ASSET)
Dade Nurjanah
Universitas Telkom
Aerospace Engineering Automotive Engineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics

Published : 38 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search
Journal : eProceedings of Engineering

 1   2   3 
Sistem Rekomendasi Peer Helper Pada Forum Pembelajaran Dengan Metode K Nearest Neighbor Aditiyan Iswahyudin; Dade Nurjanah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

AbstrakMenurut teori pembelajaran Vygotsky, model pembelajaran kooperatif (atau bisa dibilang juga peerlearning) adalah penekanan pembelajaran dengan model dialog yang dilakukan secara interaktif berbasissosial. Keterlibatan learner lain membuka kesempatan bagi learner untuk mengevaluasi dan memperbaikipemahaman dalam proses belajar. Peer helper merupakan learner yang mempunyai pengetahuan lebihyang mampu dan bersedia untuk membagikan ilmu dan pengalamannya kepada learner lain. Peer learningini juga dapat dilakukan secara online, melalui suatu forum diskusi layaknya MOOC. Namun untukmenentukan siapa yang layak menjadi kandidat peer helper masih menjadi masalah utama. Tugas akhir inimenjelaskan tentang sebuah sistem untuk mengklasifikasi learner yang cocok menjadi kandidat peer helperdengan menggunakan metode KNN. Peer helper yang direkomendasikan diperoleh berdasarkan hasilklasifikasi peserta didik yang memiliki label untuk direkomendasikan menjadi peer helper. Uji cobamenggunakan data hasil aktivitas learner dalam forum pembelajaran online dan dari data tersebutditerapkan metode KNN untuk mengklasifikasi learner yang cocok menjadi peer helper. Hasil dari uji cobadidapat bahwa penggunaan KNN meningkatkan akurasi klasifikasi sebesar 0.20% dengan hasil 85.71%.Kata kunci : Recommender System, Peer Helper, KNN, Naïve Bayes, forum diskusi onlineAbstractAccording Vygotsky, cooperate learning model (also known as peer learning) emphasise learning usingdialog model that happen interactively based on social interaction. Learner’s involvement in the forum canopen opportunities for other learner to evaluate and improve their understanding on learning process. Peerhelper is a student who has more knowledge and willing to share his knowledge and experience with otherstudents in a learning forum. Peer helper must be able to master and understand the subjects that are beingstudied well and have the desire to help other fellow students. However, to determine who is eligible to be apeer helper candidate is still a major problem. Therefore, due to this problem, this final project focuses onclassifying students who are suitable to be peer helper candidates using the KNN method. Experiments areconducted using activity data from online learning forum. The experiments prove that KNN can improvethe accuracy of classification by 0.20% in comparison with Naïve Bayes implemented in a previous study.The highest accuracy is 85.71%.Keywords: Recommender System, Peer Helper, KNN, Naïve Bayes, Online discussion forum
Sistem Pemandu Latihan Individual Adaptif Menggunakan Tautan Anotasi (link Annotation) Dan Pemandu Langsung (direct Guidance) Julia Julia; Dade Nurjanah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

AbstrakDalam pembelajaran sudah tidak asing lagi istilah latihan bagi siswa. Latihan tersebut ditujukan untukmeningkatkan pengetahuan siswa setelah diberi materi dalam kelas. Pada saat ini, latihan bagi para siswasebagian besar masih dilakukan dengan metode konvensional, yaitu dengan menyamaratakan setiap soalbagi siswa. Hal ini dianggap tidak terlalu efektif karena sebenarnya setiap siswa memiliki tingkatpengetahuan yang berbeda sehingga penyamarataan pemberian latihan dianggap kurang efisien.Sebelumnya terdapat teknologi dimana semua soal ditampung dalam suatu sistem dan siswa bebas untukmemilih soal mana yang akan dikerjakan. Namun hal ini juga masih mempunyai kekurangan yaitu darisekian banyak soal yang ada, sistem tidak dapat memberi rekomendasi pada siswa mengenai soal manayang sebaiknya dikerjakan terlebih dahulu.Pada tugas akhir ini telah dibangun sebuah sistem latihan adaptif dengan tujuan membantu siswa dalamberlatih lebih baik dari latihan konvensional dengan nama Learning Crane. Dengan adaptasi ini, sistemdapat memberi rekomendasi pada siswa mengenai soal mana yang sebaiknya dikerjakan terlebih dahuluberdasarkan tingkat pengetahuan siswa saat ini. Sistem ini mempunyai domain model yang berkaitandengan topik dan sistem navigasi adaptasi tautan anotasi dan langsung. Pengujian atas sistem dilakukanuntuk mengetahui apakah terdapat peningkatan pengetahuan atau tidak. Pengujian melibatkan respondenmahasiswa dan kalangan umum. Dari pengujian, didapatkan hasil peningkatan pengetahuan respondendengan rata-rata sebesar 6. Selain itu, dari hasil kuesioner yang diberikan, didapatkan kesimpulan bahwasistem Learning Crane dengan teknologi adaptasinya membantu siswa lebih baik daripada metodekonvensional.Kata kunci : Learning Crane, adaptasi langsung, adaptasi anotasiAbstractThe term student’s exercise is not rare to be found in our education system. The exercise has aim to increasethe knowledge of the students after they got the material needed from class. Today, most of student’sexercise is still done by conventional method, that is by giving same questions to each student. The methodis not really effective since each student has different knowledge level thus giving same questions to eachstudent is considered as inefficient. There was a technology where all of exercise’s questions are collectedand put in a system and students are free to choose which question they want to answer. But the system stillhas weakness that is among all of those questions, system can’t give recommendation to student about whichquestion needed to be answered first. In this final project, an adaptive system had been build which has goalto help student exercising better than conventional method called Learning Crane. With the adaptationfeature, system can give recommendation to students about which questions needed to be done first base onstudent’s current knowledge level. This system is build using topic-based domain model with link annotationand direct guidance as the adaptive system. A test was held to determine whether the system affect theknowledge level of respondence which consist of students and general public. Based on the test result, theaverage of knowledge score raise is 6. Meanwhile based on questionnaire given, Learning Crane with itsadaptive technology is better than conventional method is drawn as conclusion.Keywords: Learning Crane, link annotation adaptive system, direct guidance adaptive system
Sistem Rekomendasi Berbasis Model Ontology Dalam Memberikan Rekomendasi Diet Makanan Untuk Penderita Penyakit Diabetes Dhuki Dwi Rachman; Dade Nurjanah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

AbstrakTingginya penderita penyakit diabetes di Indonesia disebabkan oleh kurangnya perhatian masyarakatterhadap informasi mengenai makanan yang sehat maupun pola hidup yang sehat. Hal tersebut kurangmendapatkan perhatian karena informasi yang didapatkan terlalu umum dan tidak menyeluruh, sehinggainformasi yang diberikan tidak sesuai dengan informasi yang diinginkan oleh penderita penyakit diabetes.Selain karena informasi yang terlalu umum dan tidak menyeluruh, banyaknya informasi yang didapatkansaat ini pun masih belum dapat dibuktikan apakah informasi tersebut valid atau tidak. Pemodelan basispengetahuan digunakan untuk memberikan informasi yang lebih menyeluruh tentang suatu domainterhadap informasi yang sering ditanyakan oleh penderita penyakit diabetes. Sumber informasi yangdigunakan berasal dari hasil ekstraksi pengetahuan yang dimiliki oleh expert. Basis pengetahuan tersebutkemudian diolah dengan menggunakan IRS (Information Retrieval System) untuk memberikan informasiyang dapat diterima oleh user. Hasil informasi yang diberikan oleh sistem pada penelitian ini merupakaninformasi yang valid menurut expert dan dapat diterapkan oleh penderita penyakit diabetes. Kata kunci : Recommender System, Ontology, Diabetes, Diet makananAbstractThe high number of people with diabetes in Indonesia is caused by a lack of public attention to informationabout healthy food and a healthy lifestyle. This is not getting enough attention because the informationobtained is too general and not comprehensive, so the information provided is not in relate with theinformation that desired by people with diabetes. Apart from being too general and not comprehensiveinformation, the amount of information obtained at this time is still not proven whether the information isvalid or not. Modeling the knowledge base is used to provide more comprehensive information about adomain for information that is often asked by people with diabetes. The source of information used comesfrom the extraction of knowledge from the expert. The knowledge base is then processed using the IRS(Information Retrieval System) to provide information that can be received by the user. The results of theinformation provided by the system are information that is valid according to the expert and can be appliedby people with diabetes.Keywords: Recommender System, Ontology, Diabetes, Food Diet
Implementasi Convolutional Neural Network Dan Probabilistic Matrix Factorization Pada Sistem Rekomendasi Buku Zaki Mudzakir Hidayatullah; Dade Nurjanah; Rita Rismala
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

AbstrakSistem Rekomendasi dapat merekomendasikan buku pada user tertentu berdasarkan prediksi rating, isikonten buku, ataupun metode lainnya. Banyak metode recommendation system yang digunakan sepertiProbabilistic Matrix Factorization, dimana konten yang sudah diberi rating akan seringdirekomendasikan. Namun pada Probabilistic Matrix Factorization memiliki kekurangan yaitu dalammengatasi data yang memiliki nilai rating yang jarang. Maka diperlukan suatu metode yang digunakanuntuk memahami konteks isi dari buku sehingga tidak hanya melihat dari rating saja namun dilihat jugadari review suatu buku. Untuk mempelajari review maka diigunakan suatu metode yaitu ConvolutionalNeural Network dengan cara memberikan suatu nilai vektor yang mengarah terhadap konteks buku kepada Probabilistic Matrix Factorization suatu recommender system. Berdasarkan hasil pengujiannya,metode tersebut dapat meningkatkan keakuratan data dengan MAE = 3,0114707. Sedangkan untukProbabilistic Matrix Factorization nilai MAE = 4,0185377. Dari nilai tersebut dapat dijelaskan bahwametode Convolutional Neural Network dan Probabilistic Matrix Factorization bekerja cukup baik untuk data yang jarang memiliki rating..Kata kunci : recommender system, Convolutional Neural Network, Probabilistic Matrix FactorizationAbstractThe Recommendation System can recommend books to certain users based on rating predictions, bookcontent, or other methods. Many system recommendation methods are used such as Probabilistic MatrixFactorization, where content that has been rated will often be recommended. However, the ProbabilisticMatrix Factorization has the disadvantage of overcoming data that has a rare rating value. So we need amethod used to understand the context of the contents of the book so that it is not only seen from therating but also seen from a book review. To study the review, a method called Convolutional NeuralNetwork is used by giving a vector value that leads to the context of the book to the Probabilistic MatrixFactorization of a recommender system. Based on the test results, this method can improve the accuracy ofthe data with MAE = 3.0114707. As for the Probabilistic Matrix Factorization the MAE= 4.0185377. Fromthese values it can be explained that the Convolutional Neural Network and Probabilistic MatrixFactorization methods work well enough for data that rarely has a rating.Keywords: Recommender system, Probabilistic Matrix Factorization, Convolutional Neural Network
Sistem Rekomendasi Mata Kuliah Berbasis Ontologi Mata Kuliah Dan User Model R. Hatim Muhammad Amin; Dade Nurjanah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

AbstrakMata kuliah pilihan yang ada di S1 Informatika Telkom University sangat banyak. Hal ini menyebabkanmahasiswa sering bingung dalam menentukan mata kuliah pilihan apa yang harus mereka ambil. Padapenelitian kali ini, sebuah sistem rekomendasi untuk mata kuliah pilihan telah dibangun. Sistem yangdibangun menerapkan sebuah ontologi mata kuliah. Rekomendasi ditentukan berdasarkan peluang kecocokan mahasiswa tersebut dengan setiap mata kuliah pilihan berdasarkan nilai yang dimilikimahasiswa tersebut pada mata kuliah prequisite. Hasil dari penelitian memperlihatkan bahwa sistem yangdibangun dapat memberikan rekomendasi yang akurat, di indikasikan dengan akurasi yang tinggi, 90%.Kata kunci : Ontologi, User Model, Rekomendasi Mata Kuliah, Mata Kuliah prequisiteAbstractThere are many elective courses offered in bachelor program of informatics at Telkom University. Thiscondition often causes students confused to determine which elective courses they need to take. In this finalproject, a recommender system for elective courses has been developed. The tool applies an ontology ofcourses. Recommendations are performed based on the ontology and students’ grades on prerequisitecourses. Recommendations is determined based on probabilities for student suitability with each electivesubject based on student grades in a prequisite course. The experiment results show the tool can giveaccurate recommendation, indicated by high accuracy, 90%.Keywords: Ontology, User Model, Course Recommendation System, Prequisite Courses
Diagnosa Gejala Penyakit Demam Berdarah Dan Malaria Berbasis Ontologi Odia Pratama; Dade Nurjanah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Kementerian Kesehatan Indonesia menyatakan bahwa prioritas penanganan penyakit menular yangdiakibatkan oleh gigitan nyamuk tertuju pada penyakit DBD dan Malaria. Kedua penyakit tersebutmemiliki gejala penyakit yang mirip sehingga tidak jarang pasien di suatu rumah sakit meninggal duniaakibat kesalahan diagnosa penyakit tersebut. Oleh karena itu, dibutuhkan suatu sistem berbasispengetahuan dalam bentuk ontologi gejala penyakit DBD dan Malaria serta menggunakan metodeCertainty Factor untuk mengatasi faktor ketidakpastian pada ontologi. Tujuannya adalah untuk membantudiagnosa pasien yang terjangkit penyakit akibat gigitan nyamuk tersebut. Pada tugas akhir ini dibangunsebuah model ontologi dari penyakit DBD dan malaria. Ontologi tersebut bertujuan untuk membantudokter dalam mendiagnosa gejala penyakit DBD dan malaria dan memberikan informasi penting seputargejala dari penyakit DBD dan malaria. Kata kunci : Ontologi, DBD, MalariaAbstract The Ministry of Healthcare of the Republic of Indonesia said that handling infectious diseases caused bymosquito bites, which are dengue and malaria, is placed as the highest priority. Both diseases havesimilar symptoms that sometimes cause fatality, due to misdiagnosis. Therefore, an ontology-based tool isrequired to model the symptoms of these disease. The purpose the tool is to assist doctor and patient inearly diagnosis of the diseases. In this final project, an ontology model of dengue and malaria has beenbuilt. It aims to help doctors diagnose dengue and malaria and provide important information about dengueand malaria. Experiments with various symptoms have given accurate results whether Dengue or Malaria. Keywords: Ontology, DHF, Malaria
Sistem Rekomendasi Mata Kuliah Pilihan Menggunakan Association Rule Dan Ant Colony Optimization (studi Kasus Mata Kuliah Di Jurusan Teknik Informatika Universitas Telkom) Aditia Rafif Khoerulloh; Dade Nurjanah; Ade Romadhony
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

AbstrakDalam proses perkuliahan, setiap mahasiswa diwajibkan untuk menyelesaikan setiap mata kuliah dengansejumlah sks yang ditentukan oleh institusi. Ada mata kuliah yang bersifat wajib dan pilihan. Mata kuliahpilihan berdampak pada fokus bidang penelitian yang akan diambil. Pemilihan hal tersebut membantudalam pengerjaan tugas akhir yang lebih baik. Pemilihan mata kuliah yang tidak sesuai dengan riwayat nilai dan ekspektasi mahasiswa bisa menyebabkan kesulitan dalam penyelesaian tugas akhir. Padapenelitian ini akan dirancang sistem rekomendasi mata kuliah pilihan menggunakan metode brute force,association rule dan metode ant colony optimization (ACO). Metode brute force digunakan untukmendapatkan rekomendasi mata kuliah pilihan berdasarkan riwayat nilai. Algoritma apriori padametode association rule digunakan untuk menemukan asosiasi setiap mata kuliah pilihan. Sedangkanalgoritma ant cylce pada metode ACO digunakan untuk mengoptimasi hasil pencarian rule sebagairekomendasi learning path pengambilan mata kuliah pilihan. Kemudian hasil dari ketiga algoritmatersebut digabungkan untuk hasil rekomendasi yang lebih baik. Hasil penelitian menunjukan bahwaalgoritma brute force dapat memberikan rekomendasi sesuai riwayat nilai. Algoritm apriori pada metodeassociation rule dapat menghasilkan rule untuk setiap kelompok keahlian dan algoritma ant cycle padaalgoritma ACO dapat memberikan rekomendasi berupa rule pemilihan mata kuliah pilihan dan learningpath mata kuliah pilihan. Hasil penggabungan tiga algoritma dapat menghasilkan rekomendasi matakuliah pilihan dengan baik.Kata kunci: course recommendation, association rule, ant colony optimization (ACO), apriori, ant cycle, brute force AbstractIn the lecture process, each student is required to complete each course with several credits determined by the institution. Some courses are mandatory and optional. Elective courses have an impact on thefocus of the research area to be taken. The selection of these things helps in the completion of the finalproject. Selection of courses that are not by the history of grades and expectations of students can causedifficulties in completing the final project. In this study, a recommendation subject system will bedesigned using the brute force method, association rule, and the ant colony optimization (ACO) method.The brute force method is used to obtain elective course recommendations based on historical grades. Apriori algorithm in the association rule method is used to find the association of each chosen subject.While the ant cycle algorithm in the ACO method is used to optimize the rule search results as arecommendation for learning path taking elective courses. Then the results of the three algorithms arecombined for better recommendation results. The results showed that the brute force algorithm canprovide recommendations according to historical values. A priori algorithm in the association rulemethod can produce rules for each group of expertise and the ant cycle algorithm in the ACO algorithmcan provide recommendations in the form of rules for selecting the subject and learning path for selectedsubjects. The results of combining the three algorithms can produce a choice of elective courses well.Keywords: course recommendation, association rule, ant colony optimization (ACO), apriori, ant cycle,brute force
Analisis Sentimen Review Film Menggunakan Naive Bayes Classifier Dengan Fitur TF-IDF Razaq, Muhammad Thaariq; Nurjanah, Dade; Nurrahmi, Hani
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

Abstrak-Penilaian mengenai isi dari review film dapat disebut dengan sentiment analysis. Sentiment analysis pada review film terbagi menjadi 2 yaitu berupa review positif dan review negatif. Salah satu algoritma data mining yang paling sering digunakan dalam penelitian adalah Naïve Bayes karena bekerja dengan cepat dan efisien sebagai metode pengklasifikasian teks tetapi memiliki kekurangan yang sangat sensitif dalam pemilihan fitur. Pada umumnya, data review film memuat isi yang sangat panjang sehingga diperlukan feature selection atau pemangkasan fitur yang berguna untuk mengurangi dimensi pada saat proses klasifikasi. Pada penelitian ini menggunakan fitur Tf-Idf sebagai salah satu solusi untuk mempermudah dan mempercepat pencarian informasi yang sesuai adalah dengan meringkas konten tersebut. Tf-Idf (Term Frequency Inverse Document Frequency) merupakan metode pembobotan dalam bentuk integrasi antar term frequency dengan inverse document frequency. Metode Tf-Idf digunakan pada penelitian ini untuk memilih fitur sebagai hasil ringkasan, dengan penerapannya pada seleksi fitur bobot kata. Sebelum proses klasifikasi, dilakukan tahapan preprocessing yang meliputi data cleaning dan case folding, stop words removal, stemming, dan tokenization. Pada penelitian ini menghasilkan nilai akurasi mencapai 86.48%. Sehingga Naïve Bayes dengan fitur Tf-Idf pada masalah analisis klasifikasi sentimen review film terbukti memberikan akurasi yang akuratKata kunci- sentiment analysis, film, Naïve Bayes, TF-IDF
Anime Rekomendasi Menggunakan Collaborative Filtering Jayaperwira, Iklil; Wibowo, Agung Toto; Nurjanah, Dade
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-Di era digital ini orang-orang semakin mudah mendapatkan hiburan yang mereka perlukan salah satunya adalah anime[1]. Anime merupakan animasi khas dari jepang anime bisa di buat baik di gambar menggunakan tangan atau menggunakan komputer. Anime menjadi salah satu hiburan yang banyak di sukai orang-orang di dunia, hal ini bisa di lihat dari Netflix salah satu layan streaming yang besar mulai memasukkan anime ke dalam aplikasi dan situs mereka. Pada tahun 2021 sekarang terdapat kurang lebih 18350 anime baik yang sudah selesai maupun yang masih berlanjut[2]. hal ini membuat orang-orang yang sudah menyukai anime ataupun orang-orang yang baru ingin menonton anime kebingungan mencari anime yang seusai dengan selera mereka karena itulah kita memerlukan sistem rekomendasi. Sistem rekomendasi merupakan sistem yang dibuat untuk membantu pengguna mendapatkan rekomendasi sebuah barang/informasi yang pengguna sukai/butuhkah dari banyaknya barang ataupun informasi yang ada. Rekomendasi yang di berikan di harapkan bisa memberikan bantuan pada pengguna untuk dapat menentukan pilihan yang akan di ambil. Dalam sistem rekomendasi sendiri terdapat banyak metode yang bisa di gunakan salah satunya adalah metode collaborative filtering yang di gunakan untuk mencari kesamaan item/ barang yang di carik oleh user lain[3] dengan algoritma yang digunakan adalah KNNWithMeans yang berupakan salah satu basic algoritma collaborative filtering[4], [5].Pada penelitian ini dilakukan tiga skenario pengujian yang bergguna untuk mendapatkan hasil rekomendasi terbaik dengan melakukan pengukuran MAE dan NDCG.Dapat di simpulkan metode collaboratif filtering dengan menggunakan algoritma KNNWithMeans mendapatkan rekomendasi yang cukup akurat dengan hasil MAE terbaik sebesar 0.8989 dan NDCG sebesar 0.2028.Kata kunci-sistem rekomendasi, collaborative filtering
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
Co-Authors Ade Romadhony Aditia Rafif Khoerulloh Aditiyan Iswahyudin Adiyaka Niastya Ihsan Maulana Agung Toto Wibowo Arbaatun, Cepthari Ningtyas Ardiyanto, Fajar Widhi Ayu, Ravika Berliana Shafa Wardani Dhuki Dwi Rachman Diffo Elza Pratama Fahmi, Fitra Zul Fakhri Fauzan Fikri Bahiransyah Fitra Zul Fahmi Florita Diana Sari Hani Nurrahmi Henri Tantyoko Henri Tantyoko Hilmi Eko Arianto Irfansyah, Muhammad Rafi Ismail, Asep Maulana Jayaperwira, Iklil Johan NMP Simatupang Josua Deston Girsang Julia Julia Maman Abdurohman Mohammad Fathurrahman Muhammad Rafi Irfansyah Muttaqien, Rifqi Fauzia Odia Pratama Putri Waisnawa, Ni Luh Putu Mawar Silveria R. Hatim Muhammad Amin Rahmawati Sitti Azizah Razaq, Muhammad Thaariq Rifqi Fauzia Muttaqien Riki Nur Afifuddin Rita Rismala Rusmawati, Yanti sa'adah, siti Sari Rahmawati Selly Meliana Setyadi Putra Rahmandya Shendy Murty Siti Sa'adah Wahyu Setiawan Wardani, Berliana Shafa Yanti Rusmawati Yunanda, Gisela Zaki Mudzakir Hidayatullah