Semakin meningkatnya perkembangan teknologi semakin banyak ragam buku yang beredar di internet. Seperti adanya sistem rekomendasi pada situs buku online yang menyediakan buku secara relevan dan sesuai kebutuhan dengan preferensi seseorang. Salah satu alternatifnya GoodReads yaitu situs jaringan sosial yang khusus pada katalogisasi buku dan pengguna dapat saling berbagi rekomendasi buku bacaan dengan memberikan rating, review maupun komentar. Sebagai situs rekomendasi buku yang besar, maka memiliki banyak data yang dapat diolah dengan menerapkan metode machine learning, namun masih belum diketahui model yang paling akurat. Dengan menggunakan model yang tepat, kita dapat memberikan rekomendasi yang lebih akurat. Untuk itu pada penelitian ini akan menganalisis data yang didapatkan dari www.kaggle.com yaitu dataset goodreads-books. Dalam penelitian ini, mengusulkan model klasifikasi data mining untuk mendapatkan model terbaik dalam merekomendasikan buku pada GoodReads. Algoritma yang digunakan yaitu Decision Tree, K-Nearest Neighbor, Naïve Bayes, Random Forest dan Support Vector Classifier, kemudian untuk evaluasi model menggunakan pengujian nilai accuracy, precision, recall, f1-score, confusion matrix, AUC dan Mean Error Absolute. Hasil pengujian beberapa algoritma klasifikasi diketahui bahwa Decision Tree memiliki akurasi tertinggi diantara metode yang dikomparasikan sebesar 99,95%, precision sebesar 100%, recall sebesar 96%, f1-score sebesar 98% dengan MAE sebesar 0.05 dan AUC sebesar 99,96%. Hal ini menjadi bukti bahwa algoritma Decision Tree dapat digunakan sebagai rekomendasi buku berdasarkan kategori buku pada GoodReads.
The use of e-commerce throughout the world in recent years is very rapid. The continuous increase in sales shows that e-commerce has huge market potential. Store profits are derived from the process of assessing data to identify and classify online shopper intentions. The process of assessing the data uses conventional machine learning algorithms and deep neural networks. Comparison of algorithms in this study using the python programming language by knowing the value of Accuracy, F1-Score, Precision, Recall, and ROC AUC. The test results show that the accuracy of the deep neural network algorithm is 98.48%, the F1 score is 95.06%, precision is 97.36%, recall is 96.81% and AUC is 96.81%. So, based on this research, deep neural network data mining techniques can be an effective algorithm for online shopper intention data sets with cross-validation folds of 10, six hidden layer decoder-encoder variations, relu-sigmoid activation function, adagrad optimizer, and learning rate of 0.01 and no dropout. The value of this deep neural network algorithm is quite dominant compared to conventional machine learning algorithms and related research.
Saat pandemi Covid-19 mulai melanda di Indonesia, banyak pembatasan yang diterapkan oleh pemerintah untuk membatasi merebaknya virus tersebut. Masyarakat dan dunia usaha secara otomatis juga mengalami ketidakstabilan dalam perekonomian karena pembatasan tersebut. Oleh karena itu pemerintah juga mulai membuat kebijakan untuk melindungi perekonomian masyarakat dengan menyalurkan bantuan sosial kepada desa atau kelurahan diseluruh Indonesia. Penelitian ini bertujuan untuk memberikan kontribusi yang nyata tentang kelayakan penerima bantuan agar penyaluran bantuan benar-benar tepat sasaran sehingga bisa mengangkat perekonomian masyarakat yang turun drastis karena pandemi ini. Metode dalam penelitian ini menggunakan metode survey lapangan dengan memberikan batasan kriteria pada pendapatan bulanan, jumlah tanggungan, jenis tempat tinggal, dan kendaraan yang dilakukan pada salah satu kelurahan di wilayah Tangerang dengan metode klasifikasi C4.5. Hasil output dari penelitian ini adalah menentukan apakah penerima bantuan yang terdaftar tersebut layak atau tidak layak untuk menerima bantuan yang dapat dijadikan rekomendasi oleh pengambil keputusan, dalam hal ini pihak kelurahan untuk menyeleksi warganya.
Abstrak— Persaingan antar perusahaan tidak akan dapat terhindarkan apalagi terkait tujuan perusahaan dalam mendapatkan omset sebesar-besarnya. Salah satu persaingan yang terjadi adalah dibidang property atau jika lebih spesifik lagi yaitu penyewaan rumah. Sebuah perusahaan harus menentukan strategi bagaimana rumah yang akan disewakan nantinya akan sebanding dengan harga pembangunan. Maka dari itu perusahaan dapat melakukan klasifikasi rumah sewa dalam menentukan hal tersebut. Penelitian ini menggunakan model Gradient Boosting dan Light Gradient Boosting. Hasil yang didapatkan adalah bahwa model Gradient Boosting adalah model yang cocok pada penelitian ini dengan mendapatkan hasil accuracy 84.38%, precision 83.33% dan recall 87.53%. Jika dilihat perbandingan dari confusion matrix, Gradient Boosting memiliki jumlah hasil prediksi data lebih besar dibanding dibanding Light Gradient Boosting.Kata kunci: Rumah Sewa, Data Mining, Gradient Boosting, Light Gradient Boosting Abstract— Competition between companies cannot be avoided, especially regarding the company's goal of getting the maximum turnover. One of the competitions that occurs is in the property sector, or more specifically, house rental. A company must determine a strategy for how the house to be rented out will be comparable to the construction price. Therefore the company can classify rental houses in determining this. This study uses the Gradient Boosting and Light Gradient Boosting models. The results obtained are that the Gradient Boosting model is a suitable model in this study with 84.38% accuracy, 83.33% precision and 87.53% recall. If you look at the comparison of the confusion matrix, Gradient Boosting has a greater number of data prediction results than Light Gradient Boosting.Keywords : House for rent, Data Mining, Gradient Boosting, Light Gradient Boosting
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.