FLASH PROMO!! BELAJAR DATA SCIENCE ONLINE 6 BULAN 399K
Diskon 89%, Akses 76 Modul Data Science Premium, Metode Praktek Sandbox, Bersertifikat!
SERBU DISINI!
Pendaftaran ditutup dalam 0 Hari 4 Jam 55 Menit 58 Detik 

Pendekatan Machine Learning Collaborative Filtering

Belajar Data Science di Rumah 16-November-2022
https://dqlab.id/files/dqlab/cache/9fd6a75fd4a29bb6c0d05cda17424ecb_x_Thumbnail800.jpg

Halo Sahabat DQ, tahu ga si ternyata banyak sekali pendekatan Machine  learning yang dilakukan oleh perusahaan media. Salah satunya adalah collaborative filtering, ternyata Collaborative Filtering adalah teknik yang paling umum digunakan ketika datang untuk membangun sistem pemberi rekomendasi yang dapat belajar untuk memberikan rekomendasi yang lebih baik karena lebih banyak informasi tentang pengguna dikumpulkan.


Sebagian besar situs web seperti Amazon, YouTube, dan Netflix menggunakan proses filter secara kolaboratif sebagai bagian dari sistem rekomendasi canggih mereka. Sahabat DQ dapat menggunakan teknik ini untuk membuat pemberi rekomendasi yang memberikan saran kepada pengguna berdasarkan suka dan tidak suka dari pengguna serupa.

Machine Learning

Proses filter secara kolaboratif adalah teknik yang dapat memfilter item yang mungkin disukai pengguna berdasarkan reaksi dari pengguna serupa. Hal ini dilakukan melalui proses pencarian sekelompok besar orang dan menemukan sekumpulan pengguna yang lebih kecil dengan selera yang mirip dengan pengguna tertentu. Hal itu dilakukan dengan cara melihat item yang mereka sukai dan menggabungkannya untuk membuat daftar peringkat saran. Ada banyak cara untuk menentukan pengguna mana yang serupa dan menggabungkan pilihan mereka untuk membuat daftar rekomendasi. 


1. Proses Filtering Berbasis Konten

Banyak fitur produk yang diperlukan untuk mengimplementasikan pemfilteran berbasis konten hal ini dilakukan untuk mendapatkan umpan balik atau interaksi pengguna. Proses ini adalah teknik machine learning yang digunakan untuk menentukan hasil berdasarkan kesamaan produk. Algoritma content based filtering dirancang untuk merekomendasikan produk berdasarkan akumulasi pengetahuan pengguna. Dalam implementasinya proses ini akan membandingkan minat pengguna dengan fitur produk, jadi penting untuk menyediakan fitur produk yang signifikan dalam sistem. Selain itu, hal Ini harus menjadi prioritas pertama sebelum merancang sistem untuk memilih fitur favorit setiap pembeli.


Machine Learning

Kedua strategi ini dapat diterapkan dalam kombinasi yang memungkinkan. Pertama, daftar fitur diberikan kepada pengguna untuk memilih fitur yang paling menarik.


Kedua, algoritma dengan content based mencatat semua produk yang dipilih oleh pengguna di masa lalu dan menyusun data perilaku pelanggan. Profil pembeli berputar di sekitar pilihan, selera, dan preferensi pembeli dan membentuk peringkat pembeli. Ini mencakup berapa kali satu pembeli mengklik produk yang diminati atau berapa kali menyukai produk tersebut di daftar keinginan. content based filtering terdiri dari kemiripan antara item. Kedekatan dan kesamaan produk diukur berdasarkan kesamaan isi dari barang tersebut. Ketika kita berbicara tentang konten, itu termasuk genre, kategori item, dan sebagainya.


Nah, kali ini kita ambil contoh sistem rekomendasi dalam film. Misalkan Sahabat DQ memiliki empat film di mana pengguna mulai menyukai hanya dua film pada awalnya. Meski begitu, film ke-3 mirip dengan film ke-1 dalam hal genre, sehingga sistem akan secara otomatis menyarankan film ke-3. Itu adalah sesuatu yang dihasilkan secara otomatis oleh sistem rekomendasi berbasis konten berdasarkan kesamaan konten.


Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!


2. Collaborative Filtering

Pada teknik collaborative filtering memerlukan sekumpulan item yang didasarkan pada pilihan historis pengguna. Sistem ini tidak memerlukan banyak fitur produk untuk bekerja. Penyematan atau vektor fitur mendeskripsikan setiap item dan Pengguna, dan menenggelamkan item dan pengguna di lokasi penyematan serupa. Itu membuat lampiran untuk item dan pengguna sendiri.

Machine Learning

Reaksi pembeli lain dipertimbangkan saat menyarankan produk tertentu kepada pengguna utama. Itu melacak perilaku semua pengguna sebelum merekomendasikan item mana yang paling disukai oleh pengguna. Ini juga menghubungkan pengguna serupa dengan kesamaan dalam preferensi dan perilaku terhadap produk serupa saat mengusulkan produk ke pelanggan utama.


Dua sumber digunakan untuk merekam interaksi pengguna produk. Pertama, melalui umpan balik implisit, suka dan tidak suka Pengguna dicatat dan diperhatikan oleh tindakan mereka seperti klik, mendengarkan trek musik, pencarian, catatan pembelian, tampilan halaman. Di sisi lain, umpan balik eksplisit adalah saat pelanggan menentukan ketidaksukaan atau suka berdasarkan peringkat atau reaksi terhadap produk tertentu pada skala 1 hingga 5 bintang. Hal ini merupakan umpan balik langsung dari pengguna untuk menunjukkan suka dan tidak suka tentang produk. Ini mencakup umpan balik positif dan negatif.


3. Hybrid Filtering

Hybrid filtering adalah campuran metode penyaringan secara kolaboratif atau collaborative filtering dan berbasis konten atau content based filtering. Hubungan pengguna ke item dan hubungan pengguna ke pengguna juga memainkan peran penting pada saat rekomendasi. Kerangka kerja seperti ini memberikan rekomendasi film sesuai pengetahuan pengguna, memberikan rekomendasi unik, dan memecahkan masalah jika pembeli tertentu mengabaikan data yang relevan. Data profil pengguna dikumpulkan dari situs web, konteks film juga mempertimbangkan film yang ditonton pengguna dan data skor film.


Data terdiri dari menggabungkan perhitungan serupa. Metode ini disebut pendekatan hybrid, di mana kedua metode digunakan untuk menghasilkan hasil. Ketika sistem ini dibandingkan dengan pendekatan lain, sistem ini memiliki akurasi saran yang lebih tinggi. Alasan utamanya adalah tidak adanya informasi tentang dependensi domain pemfilteran dan minat masyarakat terhadap sistem berbasis konten.

Machine Learning


Ketika kedua pendekatan ini bekerja bersama, Sahabat DQ akan mendapatkan lebih banyak pengetahuan, yang mengarah pada hasil yang lebih baik; itu mengeksplorasi jalur baru ke konten mendasar yang signifikan dan metode pemfilteran kolaboratif dengan data perilaku pembeli.


Sistem ini telah diambil untuk mengimplementasikan kedua sistem dan mengatasi sebagian besar kelemahan algoritma masing-masing sistem dan meningkatkan kinerja sistem. Teknik klasifikasi dan cluster digunakan untuk mendapatkan rekomendasi yang lebih baik, sehingga meningkatkan akurasi dan presisi. Metode kami bisa lebih panjang daripada aturan lain untuk merekomendasikan video, lagu, buku berita, tempat, situs e-commerce, pariwisata.


4. Mengapa Recommender System dibutuhkan?

Tujuan utama dari sistem ini adalah untuk memberikan pengalaman pengguna terbaik. Oleh karena itu, perusahaan berusaha untuk menghubungkan pengguna dengan hal-hal yang paling relevan sesuai dengan perilaku masa lalu mereka dan membuat mereka ketagihan dengan konten mereka.


Sistem pemberi rekomendasi menyarankan teks mana yang harus dibaca selanjutnya, film mana yang harus ditonton, dan produk mana yang harus dibeli, menciptakan faktor lengket pada produk atau layanan apa pun. Algoritma uniknya dirancang untuk memprediksi minat pengguna dan menyarankan produk yang berbeda kepada pengguna dengan berbagai cara dan mempertahankan minat itu hingga akhir.

Machine Learning


Tak perlu dikatakan bahwa kita melihat penerapan sistem ini dalam kehidupan kita sehari-hari. Banyak penjual online menerapkan sistem rekomendasi untuk menghasilkan penjualan melalui pembelajaran mesin (ML). Banyak perusahaan ritel menghasilkan volume penjualan yang tinggi dengan mengadopsi dan menerapkan sistem ini di situs web mereka. Organisasi perintis yang menggunakan pemberi rekomendasi seperti Netflix dan Amazon telah memperkenalkan algoritma sistem rekomendasi mereka untuk menarik pelanggan mereka.


Sebelum menyelami mekanika yang mendalam, perlu diketahui bahwa sistem ini menghilangkan informasi yang tidak berguna dan berlebihan. Ini dengan cerdas menyaring semua informasi sebelum menunjukkannya kepada pengguna depan.


Baca juga : Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021


Belajar memulai karir sebagai praktisi data science dengan menggunakan Python, R dan SQL sederhana dengan sign up dan login melalui DQLab Academy! Yuk nikmati kemudahan belajar tanpa ribet melalui live code editor DQLab. Belajar sambil buat portfolio dengan modul DQLab! 

Signup sekarang atau isi form dibawah ini ya Sahabat DQ!


Mulai Belajar
Data Science Sekarang
Bersama DQLab

Buat Akun Belajarmu & Mulai Langkah
Kecilmu Mengenal Data Science.

Buat Akun Gratis Dengan :

https://dqlab.id/files/dqlab/file/data-web-1/data-user-2/50040333a3a5d46bf130664e5870ebc6/8be7fae4b69abead22aa9296bcab7b4b.jpg Sign-Up dengan Google

https://dqlab.id/files/dqlab/file/data-web-1/data-user-2/50040333a3a5d46bf130664e5870ebc6/d0aa879292fb427c0978d2a12b416e98.jpg Sign-Up dengan Facebook

Atau Buat Dengan :