Aplikasi Variational Deep Matrix Factorization Menggunakan Hasil Integrasi Rating Dengan Prediksi Sentimen Review Untuk Sistem Rekomendasi Wisata Surabaya

Prasetia, Christian Herdiyanto (2024) Aplikasi Variational Deep Matrix Factorization Menggunakan Hasil Integrasi Rating Dengan Prediksi Sentimen Review Untuk Sistem Rekomendasi Wisata Surabaya. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002201122-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Kunjungan wisata di Surabaya masih belum menunjukkan tren peningkatan yang signifikan dalam beberapa tahun terakhir. Dalam menghadapi tantangan tersebut, sistem rekomendasi hadir sebagai solusi untuk menyaring dan memberikan informasi yang telah dipersonalisasi dengan harapan meningkatkan daya tarik destinasi, memulihkan tingkat kunjungan, dan meningkatkan kepuasan wisatawan. Meskipun sebagian besar teknik pengembangan sistem rekomendasi hanya memanfaatkan informasi rating, penggunaan review kini dianggap berharga karena dapat memastikan bahwa rekomendasi mencerminkan preferensi dan sentimen seseorang, bukan hanya dari rating numerik. Penelitian ini menggunakan model Hybrid IndoBERT-LSTM-CNN untuk memperoleh rating kelas sentimen dari review wisatawan, yang kemudian digabungkan dengan rating numerik yang diberikan oleh wisatawan menggunakan persamaan dengan derajat signifikansi (α) tertentu. Hasil penggabungan rating tersebut selanjutnya digunakan untuk membangun model sistem rekomendasi Collaborative Filtering dengan Variational Deep Matrix Factorization (VDeepMF). Hasil penelitian menunjukkan bahwa kinerja model sistem rekomendasi dengan VDeepMF mencapai performa terbaik ketika menggunakan analisis sentimen untuk mengklasifikasikan review menjadi dua kelas dan memfilter dataset sehingga hanya mencakup wisatawan yang telah memberikan rating dan review minimal pada tiga tempat wisata. Konfigurasi terbaik ditemukan saat menggunakan α = 0.5 dalam penggabungan fitur, dengan menghasilkan metrik MAE sebesar 0.5089, metrik MSE sebesar 0.5147, dan metrik MAPE sebesar 14.8194% untuk data validasi. Konfigurasi ini menunjukkan performa yang lebih baik dibandingkan hanya menggunakan data rating numerik (α = 1) atau data prediksi kelas sentimen review (α = 0) saja.
=================================================================================
Tourism visits in Surabaya have not shown a significant increasing trend in recent years. To address this challenge, a recommendation system emerges as a solution to filter and provide personalized information with the hope of enhancing the destination’s appeal, restoring visit levels, and increasing tourist satisfaction. Although most recommendation system development techniques only utilize rating information, the use of reviews is now considered valuable as it can ensure that recommendations reflect someone’s preferences and sentiments, not just numerical ratings. This study uses a Hybrid IndoBERT-LSTM-CNN model to obtain sentiment class ratings from tourist reviews, which are then combined with the numerical ratings given by tourists using an equation with a certain significance level (α). The combined ratings are then used to build a recommendation system model with Collaborative Filtering using Variational Deep Matrix Factorization (VDeepMF). The results show that the performance of the recommendation system model with VDeepMF achieves the best performance when using sentiment analysis to classify reviews into two classes and filtering the dataset to include only tourists who have given ratings and reviews for at least three tourist attractions. The best configuration was found when using α = 0.5 in feature combination, with an MAE metric of 0.5089, an MSE metric of 0.5147, and an MAPE metric of 14.8194% for the validation data. This configuration shows better performance than using only numeric rating data (α = 1) or sentiment class prediction data review (α = 0) alone.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Sistem Rekomendasi, Collaborative Filtering, Analisis Sentimen, Variational Deep Matrix Factorization (VDeepMF), Recommendation System, Collaborative Filtering, Sentiment Analysis, Variational Deep Matrix Factorization (VDeepMF)
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.9.I58 Recommender systems (Information filtering)
Divisions:	Faculty of Mathematics and Science > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Christian Herdiyanto Prasetia
Date Deposited:	07 Aug 2024 16:22
Last Modified:	07 Aug 2024 16:22
URI:	http://repository.its.ac.id/id/eprint/114176

Actions (login required)

View Item