Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Tekno Insentif Jurnal Informatika Polinema (JIP)
Safi'i, Yunus
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Library & Information Science

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Perbandingan Penerapan Teknik Popularitas Item dalam Sistem Rekomendasi Ifada, Noor; Safi'i, Yunus
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i3.5200

Abstract

Tantangan utama dalam era big data adalah pengguna seringkali mengalami kesulitan untuk menentukan atau memilih item yang relevan dari banyaknya data yang tersedia. Permasalahan ini dapat diatasi dengan pengimplementasian sistem rekomendasi untuk menyaring informasi dan memberikan rekomendasi yang sesuai dengan preferensi pengguna.  Walaupun sistem rekomendasi telah berkembang pesat dalam mengatasi tantangan informasi yang melimpah, masalah popularitas item masih menjadi isu utama. Item yang populer mendominasi rekomendasi, sedangkan item yang kurang populer mengalami kesulitas mendapatkan ekspousr kepada pengguna. Dalam konteks rekomendasi penjualan, hal ini dapat menghambat penjualan item yang kurang popular karena minimnya rekomendasi kepada pelanggan. Sejumlah penelitian telah dilakukan untuk mengatasi masalah ini, tetapi belum ada studi yang secara komprehensif membahas penerapan teknik popularitas item. Penelitian ini bertujuan melakukan studi tentang tren dari penelitian yang menerapkan teknik popularitas item dalam sistem rekomendasi, yaitu sejumlah 20 literatur yang dipublikasikan dari tahun 2012 sampai 2022. Hasil studi menunjukkan bahwa topik popularitas item mulai populer diteliti sejak tahun 2018 hingga 2022, yaitu sejumlah 16 literatur. Jenis literatur didominasi oleh prosiding yaitu sejumlah 15 literatur, dan sisanya berupa jurnal. Dataset yang paling banyak digunakan adalah MovieLens dan LastFM, yaitu untuk sistem rekomendasi film dan lagu. Fokus masalah yang paling mendominasi adalah penyelesaian permasalahan bias popularitas, yaitu sebanyak 12 literatur. Sedangkan luaran rekomendasi didominasi oleh rekomendasi top-N, yaitu sebanyak 18 literatur.
Perbandingan User-Based dan Item-Based pada Sistem Rekomendasi Film Kombinasi Teknik Reduksi Dimensi dan Clustering Pratama, Rizki Ashuri; Safi'i, Yunus; Nugraha, Maulidhan Ady; Sobihah, Anis Satus; Ifada, Noor
Jurnal Tekno Insentif Vol 19 No 1 (2025): Jurnal Tekno Insentif
Publisher : Lembaga Layanan Pendidikan Tinggi Wilayah IV

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36787/jti.v19i1.1662

Abstract

Sistem rekomendasi mampu menghasilkan daftar film hasil personalisasi yang mungkin menarik bagi user dengan mempelajari kegiatan user dalam memberikan rating. Sistem rekomendasi diklasifikasikan dalam tiga pendekatan: Content-Based Filtering, Collaborative Filtering (CF), dan Hybrid Filtering. Pendekatan CF lebih popular dibandingkan dua pendekatan lainnya. CF memiliki dua model, yakni CF user-based (UB) dan CF item-based (IB). Namun, pada CF terdapat permasalahan yaitu waktu komputasi yang lama karena dimensi data yang besar, kelangkaan data dan akurasinya. Untuk mengatasinya terdapat dua tahap yang dapat dikombinasikan pada CF, yaitu reduksi dimensi menggunakan algoritma Singular Value Decomposition (SVD) dan clustering menggunakan algoritma K-Means (KM). Tujuan dari penelitian ini adalah melakukan perbandingan hasil akurasi antara sistem rekomendasi film yang menggunakan metode SVD-KM-UB dan SVD-KM-IB pada dataset MovieLens. Hasil yang didapatkan pada dataset MovieLens, metode SVD-KM-UB lebih unggul daripada metode SVD-KM-IB. Metode SVD-KM-UB mengalami persentase kenaikan pada seluruh variasi dengan peningkatan terbesar pada , yaitu sebesar 5836,4%.
Co-Authors Noor Ifada Nugraha, Maulidhan Ady Pratama, Rizki Ashuri Sobihah, Anis Satus