Please enable JavaScript.
Coggle requires JavaScript to display documents.
Sistem Rekomdendasi dan Personalisasi (Penyimpanan Data (SQL, NoSQL,…
Sistem Rekomdendasi dan Personalisasi
Definisi Personalisasi
kemampuan untuk menyediakan konten dan layanan yang dirancang untuk individu berdasarkan pengetahuan tentang preferensi dan perilaku mereka
Cara Kerja
mendapatkan rekomendasi item ke pengguna yang paling populer di antara semua pengguna
Mengambil informasi dari user
Implicit - Monitoring interaksi user
Geo-Location Search Query
Browser cache, proxy servers, search logs
Produk apa yang dikunjungi
Berapa lama mengunjungi laman
Artist siapa yang dikunjungi
Produk apa yang sebelumnya pernah dibeli
Explicit - Melalui input user langsung
Tempat Tinggal dan Tanggal Lahir
Search Query
Rating Produk
Review Produk
Algoritma Filtering Data
Content Based Filtering
Algoritma yang akan mencari produk serupa apa yang sebelumnya pernah dibeli atau dilihat oleh customer
Collaborative filtering
User-User collaborative filtering
Algoritma ini pertama kali menemukan skor kesamaan antara pengguna. Berdasarkan skor kesamaan ini, kemudian memilih pengguna yang paling mirip dan merekomendasikan produk yang disukai atau dibeli oleh pengguna yang serupa ini sebelumnya.
Contoh :
Pembeli A membeli pizza, salad serta minuman kaleng,
Maka saat pembeli B membeli pizza dan salad, komputer akan mendapatkan score kemiripan yang tinggi antara pembeli A dan B yang mengakibatkan minuman kaleng direkomendasikan ke pembeli B
Item-Item collaborative filtering
Algoritma ini mirip dengan user-user collaborative filtering hanya saja data yang diambil adalah skor kesamaan barang yang pernah dibeli.
Contoh :
Jika pembeli A pernah membeli apel dan jeruk dan pisang dalam 1 transaksi,
pembeli B pernah membeli apel dan jeruk dalam 1 transaksi,
maka ketika pembeli C akan membeli apel, jeruk akan masuk sebagai produk yang direkomendasikan
Penyimpanan Data
SQL
NoSQL
Object Storage
Programming Language
Phyton
Pros :check: :
Kode python jauh lebih ringkas dan lebih mudah dipahami dibandingkan dengan kode Java.
Kurva belajar Python mudah dan dapat memberikan beberapa program yang cukup rumit dalam soal garis.
Cross Compatible
Cons :red_cross: :
Lebih lambat karena merupakan interprated language
Lemah dalam Mobile Computing
Java
Pros :check: :
Enterprise scale computing
dapat dengan mudah menangani set data yang sangat besar dan bekerja secara efisien.
Lebih mudah jika bekerja menggunakan database connection
Cons :red_cross: :
Mengambil lebih banyak memory
Vulnerable pada ancaman keamanan