Detail Cantuman

Collaborative Filtering (CF) umum digunakan dalam sistem rekomendasi e-commerce, tapi memiliki keterbatasan pada saat menghadapi kondisi Cold-Start dan Sparsity Data. Data sparsity adalah kondisi dimana mayoritas pengguna belum memberi rating kepada sebagian besar item sehingga sistem rekomendasi kesulitan memberi rekomendasi yang akurat. Penelitian ini mengimplementasikan metode Hybrid Jiang-Conrath untuk mengatasi masalah tersebut. Metode ini mengombinasikan kesamaan perilaku dari CF dengan kesamaan semantik Jiang-Conrath Similarity (JCN) berbasis WordNet. JCN menilai kedekatan makna kategori produk secara konseptual, yang krusial untuk item cold-start(item baru yang belum pernah di review) Nilai kontribusi (α) digunakan untuk memberikan seberapa besar kontribusi Jiang-Conrath kepada Collaborative Filtering.Dari empat dataset Amazon Review’23 yang terdiri dari Video Games, Industrial and Scientific, Movies and TV, dan Grocery and Gourmet Food, hasil menunjukkan bahwa α=0.1 (10% CF, 90% JCN) adalah nilai kontribusi terbaik. Dataset Industrial & Scientific menunjukkan peningkatan performa signifikan saat mengimplementasikan metoda Hybrid Jiang Conrath dengan skor MAE sebesar 0.64096 dan skor RMSE sebesar 0.88609), tetapi di dataset lain memiliki hasil yang lebih buruk daripada CF. Hybrid Jiang-Conrath mampu menghasilkan prediksi rekomendasi produk yang lebih banyak daripada CF tradisional. Contohnya, pada dataset Grocery & Gourmet Food, Hybrid Jiang conrath memberikan 49 rekomendasi produk sementara Item-Based CF hanya 17 rekomendasi produk