Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Business Intelligence (IJUBI)
Untoro, Meida Cahyo
Institut Teknologi Sumatera
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 1 Documents
Search

 1 
ANALISIS MODEL SISTEM REKOMENDASI KURSUS MOOC DENGAN METODE COLLABORATIVE FILTERING DAN INTEGRASI EXPLAINABLE AI Putri, Nabila Muthia; Praseptiawan, Mugi; Untoro, Meida Cahyo
Indonesian Journal of Business Intelligence (IJUBI) Vol 7, No 1 (2024): Indonesian Journal of Business Intelligence (IJUBI)
Publisher : Universitas Alma Ata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21927/ijubi.v7i1.4274

Abstract

Sistem rekomendasi kursus Massive Open Online Course (MOOC) berperan penting dalam mendukung pembelajaran daring dengan memberikan saran kursus yang sesuai dengan preferensi pengguna. Dalam penelitian ini, kami mengembangkan model sistem rekomendasi kursus MOOC berbasis Collaborative Filtering dengan memanfaatkan dataset Coursera yang telah diproses. Preprocessing meliputi pembersihan data, penghapusan label yang tidak diperlukan, alokasi label, penghapusan data duplikat, dan analisis sentimen untuk memastikan konsistensi antara ulasan dan penilaian. Implementasi Collaborative Filtering melibatkan pembuatan tabel pivot, perhitungan Centered Cosine Similarity, dan prediksi penilaian kursus untuk pengguna yang belum pernah mengambil kursus tertentu. Evaluasi kinerja model dilakukan menggunakan metrik Root Mean Squared Error (RMSE) untuk mengukur tingkat kesalahan prediksi model. Hasil analisis dan evaluasi menunjukkan bahwa model yang dikembangkan berhasil memberikan rekomendasi kursus dengan tingkat kesalahan yang rendah, seperti yang tercermin dari nilai RMSE yang diperoleh yaitu 0.24 untuk sistem rekomendasi kursus MOOC. Integrasi Explainable AI dengan teknik LIME juga membantu dalam menjelaskan dan memahami rekomendasi yang diberikan oleh sistem, meningkatkan penjelasan tambahan terhadap model yang dibuat. Saran untuk pengembangan lebih lanjut termasuk fokus pada peningkatan interpretabilitas model dengan memperdalam integrasi Explainable AI, menggunakan dataset yang lebih besar, serta diversifikasi teknik pemodelan untuk meningkatkan kualitas dan akurasi rekomendasi yang diberikan oleh sistem.
Co-Authors Praseptiawan, Mugi Putri, Nabila Muthia