METODE BERBASIS NON-NEGATIVE MATRIX FACTORIZATION DENGAN OPTIMASI DISCOUNTED CUMULATIVE GAIN UNTUK MENGATASI SPARSITY DATA PADA SISTEM REKOMENDASI

Sparsity merupakan suatu masalah yang umum terjadi dalam sistem rekomendasi. Masalah ini berkaitan dengan sedikitnya nilai atau informasi yang telah terisi dari sebagian besar dataset yang ada. Oleh karena itu, nilai data atau informasi data berupa rating efektif digunakan dalam rekomendasi, sehingga mengatasi data sparsity perlu diterapkan. Tujuan penelitian ini adalah menggunakan metode berbasis Non-negative Matrix Factorization dengan Optimasi Discounted Cumulative Gain (DNMF) untuk mengatasi masalah sparsity tersebut. Algoritma DNMF mempertahankan efek positif dari data pada matrix dekomposisi dan membuat suatu prediksi yang lebih baik dari data asli yang dikarenakan dimensi data yang sangat besar serta terdapat optimasi. DNMF menawarkan solusi berdasarkan pengurangan dimensi di mana faktor-faktor yang berguna untuk memilih yang optimal dimensi (optimal 'k') yang diambil dari data matriks sampai pendekatan yang tepat memperoleh data asli dari peringkat 'k' matriks. Dengan demikian, model yang disajikan tidak hanya memilih faktor terbaik dari data asli, tetapi merekomendasikan nilai yang sesuai untuk peringkat yang hilang dan mengatasi masalah sparsity. Pada penelitian ini telah dilakukan beberapa skenario percobaan untuk mengetahui hasil evaluasi dalam mengatasi masalah data sparsity dan hasil skenario percobaan menghasilkan nilai AP@10=0,069382 dan NDCG@10=0,250328. Metode DNMF menunjukkan hasil yang lebih baik dibandingkan metode standart NMF dengan rata-rata kenaikan akurasi AP=25,90%, maksimal AP=38,58%, dan minimal AP=6,06% sedangkan rata-rata kenaikan NDCG=7,74%, maksimal NDCG=10,58% dan minimal NDCG=-0,35%.