Rekomendasi Mata Kuliah Pilihan Dan Pengayaan Menggunakan Neural Collaborative Filtering Dan Neural Content-Based Filtering

Azis, Abdul (2023) Rekomendasi Mata Kuliah Pilihan Dan Pengayaan Menggunakan Neural Collaborative Filtering Dan Neural Content-Based Filtering. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211940007004-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Mahasiswa yang sedang menempuh semester empat atau selanjutnya biasanya akan merencanakan untuk mengambil mata kuliah pilihan maupun mata kuliah penganyaan. Permasalahan yang biasanya dihadapi oleh mahasiswa saat akan melakukan pengambilan mata kuliah adalah kebingungan dalam memilih mata kuliah yang sesuai minat dan kemampuan mereka. Banyak mahasiswa yang masih belum memiliki gambaran tentang minat pada mata kuliah disemester selanjutnya. Tak sedikit pula mahasiswa yang telah memiliki perminatan tetapi masih bingung dalam memilih mata kuliah yang akan ditempuh. Oleh karena itu, sistem rekomendasi sangat cocok untuk dapat membantu mahasiswa dalam memutuskan mata kuliah apa yang akan mereka untuk ditempuh disemester selanjutnya. Penelitian ini bertujuan untuk merancang dan membuat sebuah sistem sehingga dapat memberikan rekomendasi mata kuliah pilihan maupun mata kuliah pengayaan yang mungkin cocok dengan mahasiswa, dan untuk mengetahui kelayakan sistem rekomendasi yang dibangun dengan pendekatan pendekatan yang digunakan. Metode yang digunakan yaitu neural collaborative filtering dan neural content-based filtering untuk menggabungkan informasi dari dua sumber yang berbeda. Collaborative filtering memanfaatkan pola preferensi mahasiswa dan interaksi dengan mata kuliah sebelumnya untuk menghasilkan rekomendasi yang personal. Sementara itu, content-based filterring menggunakan informasi tentang fitur-fitur mata kuliah, seperti spesialisasi mata kuliah, semester, sks, dan beberapa fitur lain untuk memahami karakteristik dan hubungan antara mata kuliah.
=================================================================================================================================
Students who are taking their fourth or subsequent semester will usually plan to take elective courses or enrichment courses. The problem that is usually faced by students when taking courses is confusion in choosing courses that suit their interests and abilities they. Many students still don’t have an idea about their interest in the next semester’s courses. Not a few students who already have interest but still confused in choosing the courses to be taken. Therefore, the recommendation system is perfect to be able to help students in deciding what courses they will take to take the next semester. This study aims to design and manufacture a system so that it can provide recommendations for elective courses as well as enrichment courses that might be suitable for students, and for determine the feasibility of the recommendation system built with the approaches used. The method used is neural collaborative filtering and neural content-based filtering to combine information from two different sources. Collaborative filtering takes advantage of student preference patterns and interaction with previous courses to generate personalized recommendations. Meanwhile, content-based filterring uses information about features courses, such as course specialization, semester, credits, and several other features to understand the characteristics and relationships between courses.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Sistem Rekomendasi, Neural Collaborative filtering, Neural Content-based fitlering, Recommendation System
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Abdul Azis
Date Deposited:	20 Nov 2023 05:15
Last Modified:	20 Nov 2023 05:15
URI:	http://repository.its.ac.id/id/eprint/100852

Actions (login required)

View Item