Skripsi/Tugas Akhir

Analisis Perbandingan Model Algoritma Contentbased Filtering dan Collaborative Filtering dalam Memberikan Rekomendasi Laptop yang Relevan untuk Mahasiswa

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Penelitian ini menyajikan analisis perbandingan antara model algoritma Content Based Filtering (CBF) dan Collaborative Filtering (CF) dalam memberikan rekomendasi laptop yang relevan untuk mahasiswa di Universitas DIPA Makassar. Studi ini mengungkapkan efektivitas kedua algoritma dalam konteks sistem rekomendasi personal. Kata kunci yang digunakan mencakup sistem rekomendasi, laptop, pendidikan tinggi, content-based filtering, collaborative filtering, dan mahasiswa universitas. Kami mengeksplorasi bagaimana CBF memanfaatkan atribut laptop seperti merek, kecepatan prosesor, kapasitas memori, dan harga untuk memberikan rekomendasi berdasarkan preferensi pengguna. Di sisi lain, CF bergantung pada perilaku dan preferensi pengguna untuk mengidentifikasi laptop yang disukai oleh pengguna serupa. Penelitian ini menggunakan data dari populasi mahasiswa Universitas DIPA Makassar untuk mengevaluasi kinerja kedua algoritma. Hasil analisis ini diharapkan dapat membantu universitas dalam memilih model rekomendasi yang paling sesuai untuk mahasiswa mereka, sehingga meningkatkan pengalaman pendidikan secara keseluruhan.
Kata kunci: Sistem Rekomendasi, Laptop, Pendidikan Tinggi, Content-Based Filtering (CBF), Collaborative Filtering (CF), Mahasiswa Universitas

ABSTRACT
This research presents a comparative analysis of Content-Based Filtering (CBF) and Collaborative Filtering (CF) algorithm models in providing relevant laptop recommendations for university students at Universitas DIPA Makassar. The study reveals the effectiveness of both algorithms in the context of personalized recommendation systems. The keywords employed include recommendation systems, laptops, higher education, content-based filtering, collaborative filtering, and university students. We explore how CBF leverages laptop attributes such as brand, processor speed, memory, and price to provide recommendations based on user preferences. On the other hand, CF relies on user behavior and preferences to identify laptops preferred by similar users. The research employs data from the student population of Universitas DIPA Makassar to evaluate the performance of both algorithms. The findings from this analysis are expected to assist universities in selecting the most suitable recommendation model for their students, thereby enhancing the overall educational experience.
Keywords: Recommendation Systems, Laptops, Higher Education, Content BasedFiltering (CBF), Collaborative Filtering (CF), University Students

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 23-48 KAR a - 0566TI

Penerbit

Makassar : Universitas DIPA., 2023

Deskripsi Fisik

xii + 96 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 23-48

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 04 September 2023

Subjek

Skripsi/Tugas Akhir
Algoritma Content Based Filtering
Collaborative Filtering

Lampiran File