Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal ILKOMNIKA: Journal of Computer Science and Applied Informatics
Yoga Yustiawan
Bank Rakyat Indonesia
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Rekomendasi Produk Berbasis Collaborative Filtering Menggunakan Factorization Machine Graph Convolutional Networks Sherly Rosa Anggraeni; Diana Purwitasari; Chastine Fatichah; Yoga Yustiawan
ILKOMNIKA: Journal of Computer Science and Applied Informatics Vol 5 No 2 (2023): Volume 5, Nomor 2, Agustus 2023
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v5i2.556

Abstract

Rekomendasi produk memiliki peran yang signifikan dalam berbagai industri, termasuk e-commerce, ritel, perhotelan, dan keuangan. Rekomendasi dapat meningkatkan kepuasan pelanggan dan penjualan dengan membantu pelanggan menemukan produk yang relevan. Pendekatan collaborative filtering digunakan dalam rekomendasi produk ini karena data yang tersedia hanya berfokus pada fitur pengguna. Pendekatan ini memanfaatkan data interaksi pengguna-produk untuk mengungkap pola dan kesamaan di antara para pengguna. Representasi graf digunakan untuk memodelkan hubungan interaksi pengguna-produk, yang memungkinkan pemodelan yang lebih komprehensif dari ketergantungan dan hubungan antara pengguna dan produk. Penelitian ini menggunakan GCN dalam kombinasi dengan Factorization machine (FM) untuk meningkatkan personalisasi rekomendasi. GCN menggunakan konvolusi graf untuk menyebarkan dan memperbarui node embedding berdasarkan hubungan ketetanggaan mereka. GCN memanfaatkan informasi lingkungan sekitar dan struktur graf yang lebih luas, untuk meningkatkan pemahaman tentang preferensi pengguna dan menghasilkan rekomendasi yang dipersonalisasi. GCN juga dapat mengatasi keterbatasan metode lain dengan mempertimbangkan hubungan yang lebih rinci antar produk dan fitur unik dari setiap produk. FM mempertimbangkan interaksi antara fitur pengguna dan fitur produk, sehingga memahami preferensi pengguna secara lebih mendalam. Diharapkan dengan mengintegrasikan kekuatan GCN dan FM, rekomendasi produk dapat memberikan pengalaman pengguna yang lebih menarik dan menyenangkan.
Co-Authors Chastine Fatichah Diana Purwitasari Sherly Rosa Anggraeni