Pengujian Akurasi Sistem Rekomendasi Berbasis Content-Based Filtering

Authors

  • Wayan Gede Suka Parwita STMIK STIKOM Indonesia

DOI:

https://doi.org/10.30872/jim.v14i1.1272

Keywords:

sistem rekomendasi, ekstraksi dokumen, pengujian information retrival,

Abstract

Rekomendasi dosen pembimbing dalam Sintesys memanfaatkan dokumen UPP dan dokumen publikasi atau penelitian calon dosen pembimbing sebagai dasar penentuan rekomendasi. Adapun dengan semakin banyaknya mahasiswa yang mengajukan UPP maka akan meningkatkan jumlah proses yang dilakukan sehingga perlu ditinjau pengaruh dari penerapan stopword removal sebagai salah satu proses dalam ektraksi dokumen. Penelitian dimulai dengan analisis sistem yang telah dibangun pada penelitian Parwita sebelumnya. Analisis ini memetakan komponen yang akan digunakan dalam pengujian sistem rekomendasi. Setelah analisis sistem, selanjutnya dilakukan pengumpulan data seperti stopword, rekomendasi dosen, dan dokumen penelitian dosen. Setiap dokumen penelitian dosen akan dibandingkan dengan UPP mahasiswa. Nilai tertinggi dari salah satu dokumen penelitian dosen akan digunakan sebagai nilai similaritas antara penelitian dosen dan UPP mahasiswa. Hasil pengujian merupakan nilai precission, recall, dan f-mesure yang digunakan dalam melakukan analisis hasil pengujian. Pengujian sistem rekomendasi dengan proses stopword menunjukkan nilai precission, recall, dan f-measure yang berbeda-beda untuk setiap minimum similarity yang ditetapkan. Nilai tertinggi pada sistem rekomendasi dengan proses stopword untuk precission didapatkan pada minimum similarity 30%, recall pada minimum similarity 5%, dan f-measure pada minimum similarity 20 % dan 25%.

References

Axler, S., Gehring, F., & Ribet, K. (1997). Linear Algebra Done Right, Second Edition. Computer Engineering, xv, 251. https://doi.org/10.1007/b97662

Debole, F., & Sebastiani, F. (2003). Supervised term weighting for automated text categorization. In Proceedings of the 2003 ACM symposium on Applied computing - SAC ’03 (p. 784). https://doi.org/10.1145/952686.952688

Feldman, R., & Sanger, J. (2006). The Text Mining Handbook. https://doi.org/10.1017/CBO9780511546914

Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. San Francisco, CA, itd: Morgan Kaufmann. https://doi.org/10.1016/B978-0-12-381479-1.00001-0

Hulth, A. (2003). Improved Automatic Keyword Extraction Given More Linguistic Knowledge. Language, (2000), 216–223. https://doi.org/10.3115/1119355.1119383

Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2011). Recommender systems: an introduction. Cambridge University Press. https://doi.org/10.1017/CBO9780511763113

Lovins, J. B. (1968). Development of a stemming algorithm. Mechanical Translation and Computational Linguistics, 11(June), 22–31. Retrieved from http://journal.mercubuana.ac.id/data/MT-1968-Lovins.pdf

Manning, C. D., Ragahvan, P., & Schutze, H. (2009). An Introduction to Information Retrieval. Information Retrieval. https://doi.org/10.1109/LPT.2009.2020494

Oelze, I. (2009). Automatic Keyword Extraction for Database Search. L3Sde, 17–20. Retrieved from http://www.l3s.de/~demidova/students/thesis_oelze.pdf

Parwita, W. G. S., Swari, M. H. P., & Welda, W. (2018). Perancangan Sistem Rekomendasi Dokumen Dengan Pendekatan Content-Based Filtering. CESS(Journal of Computer Engineering System and Science), 3(1), 65–74.

Srividhya, V., & Anitha, R. (2010). Evaluating preprocessing techniques in text categorization. International Journal of Computer Science and Application, (2010), 49–51. Retrieved from http://www.sinhgad.edu/IJCSA-2012/pdfpapers/1_11.pdf

Tala, F. Z. (2003). A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia. M.Sc. Thesis, Appendix D. https://doi.org/10.22146/teknosains.26972

Weiss, S. M., Indurkhya, N., Zhang, T., & Damerau, F. J. (2005). Text mining: Predictive methods for analyzing unstructured information. Text Mining: Predictive Methods for Analyzing Unstructured Information. https://doi.org/10.1007/978-0-387-34555-0

Zobel, J., & Moffat, A. (1998). Exploring the similarity space. ACM SIGIR Forum. https://doi.org/10.1145/281250.281256

Downloads

Published

2019-02-28