ANALISA KINERJA METODE FAKTORISASI MATRIKS BERBASIS GRADIENT DESCENT PADA SISTEM REKOMENDASI

Endaryono dan Hendri Murfi

Abstract


Metode faktorisasi matrik merupakan metode yang banyak digunakan pada sistem rekomendasi.
Metode ini digunakan untuk mengekstrak variabel tersembunyi yang akan digunakan sebagai
dimensi baru bagi vektor pengguna dan vektor produk. Representasi yang baru ini diharapkan
akan memberikan kinerja yang lebih baik. Pada tulisan ini, kami melakukan studi eksperimen
pada metode faktorisasi matriks berbasis gradient descent untuk sistem rekomendasi. Studi ini
meliputi penentuan mekanisme dalam mendapatkan parameter optimal dari metode dan
mengukur akurasi metode pada data riil. Dari eksperimen yang dilakukan, diperoleh parameter
optimal untuk learning rate adalah 8 x 10-5
dan jumlah varibel tersembunyi adalah 3. Selanjutnya,
nilai root mean square error (RMSE) pada kondisi optimal terebut adalah 0.9335. Hasil ini
menunjukkan bahwa metode faktorisasi matriks berbasis gradient descent memberikan tingkat
akurasi yang sangat baik pada sistem rekomendasi.

Kata Kunci: sistem rekomendasi, model varibel tersembunyi, faktorisasi matriks, gradient
descent


Full Text:

PDF

References


G. Karypis. Evaluation of Item Based Top-N

Recommendation Algorithms.

Proceedings of the tenth international

conference on Information and

knowledge management, 2001.

M. A. Hao. Learning to Recommend, PhD

Thesis, The Chinese University of

Hongkong, 2009

B. Sarwar, G. Karypis, J. Konstan, and J.

Riedl. Item-based Collaborative

Filtering Recommender System

Algorithms. Proceeding of 10th

International Conference on World

Wide Web, 2001

I. Pil┬┤aszy. Factorization-Based large Scale

Recommendation Algorithms, PhD

Thesis, Budapest University of

Technology and Economics, 2009.

J. Nocedal dan S. J. Wright, Numerical

Optimization, Springer, 1999.

S. Funk, Netflix Update: Try This at Home,

(http://sifter.org/~simon/journal/200

html)

S. Xiaoyuan dan Khoshgoftaar. A survey of

Collaborative Filtering Techniques.

Advanced in Artificial Intelligence,

Hindawi Publishing Corporation,

J. R. Magnus and H. Neudecker, Matrix

Differential Calculus with

Applications in Statistics and

Economics. John Wiley & Sons Ltd,


Refbacks

  • There are currently no refbacks.