IMPLEMENTASI XGBOOST UNTUK REKOMENDASI SMARTPHONE MENGGUNAKAN CONTENT-BASED FILTERING
Keywords:
Sistem Rekomendasi, Content-Based Filtering, XGBoost, Smartphone, Cosine SimilarityAbstract
Kebutuhan akan sistem rekomendasi telah meningkat sebagai akibat dari kemajuan teknologi informasi. Sistem rekomendasi ini harus dapat membantu pelanggan memilih barang elektronik, khususnya smartphone, sesuai dengan preferensi mereka. Tujuan dari penelitian ini adalah untuk membuat sistem rekomendasi berbasis konten yang dibantu oleh algoritma Extreme Gradient Boosting (XGBoost), yang akan meningkatkan akurasi prediksi dan relevansi rekomendasi. Dataset yang digunakan berasal dari platform publik Kaggle dan mencakup rating dan data spesifikasi pengguna untuk berbagai produk smartphone Realme dan Samsung. Pengolahan data mencakup pembersihan data, konversi tipe data numerik dan kategorikal, dan memilih fitur penting seperti harga, RAM, prosesor, kamera, baterai, dan ukuran layar. Metode cosine similarity digunakan untuk mengukur tingkat kemiripan antarproduk untuk menghasilkan rekomendasi yang relevan, sementara model XGBoost memprediksi nilai rating produk berdasarkan fiturnya. Untuk menilai model, metrik Root Mean Squared Error (RMSE) digunakan. Hasil evaluasi, yang menunjukkan performa prediksi yang sangat baik, adalah 0.1529. Selain itu, sistem diuji melalui simulasi skenario rekomendasi. Dalam skenario ini, produk dengan tingkat kemiripan yang tinggi dan prediksi rating yang tinggi diidentifikasi sebagai alternatif yang layak. Studi ini menunjukkan bahwa kombinasi XGBoost dan filter berbasis konten sangat efektif untuk membuat sistem rekomendasi yang pintar, akurat, dan mampu memberikan nilai tambahan kepada pengguna selama proses pengambilan keputusan pembelian. Untuk meningkatkan kualitas hasil rekomendasi, sistem ini dapat dikembangkan lebih lanjut dengan menggabungkan metode hybrid atau data interaksi pengguna.
References
Burke, R. (2007). Hybrid web recommender systems. In The Adaptive Web (pp. 377–408). Springer.
Gao, M., Wu, Z., & Jiang, F. (2011). UserRank for item-based collaborative filtering recommendation. Information Processing Letters, 111(9), 440–446.
Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender systems: An introduction. Cambridge University Press.
Shahbazi, Z., & Byun, Y. C. (2019). Product recommendation based on content-based filtering using XGBoost classifier. International Journal of Advanced Science and Technology, 29, 6979–6988.
Shahbazi, Z., Hazra, D., Park, S., & Byun, Y. C. (2020). Toward improving the prediction accuracy of product recommendation system using extreme gradient boosting and encoding approaches. Symmetry, 12(9), 1566. https://doi.org/10.3390/sym12091566
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Muhhamad Juna Edi
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
As an Author, you have the right to a variety of uses for your article, including institutions or companies. The author's rights might do without the need for special permission.
Authors who publish in the Jurnal Jurnal Statistika dan Matematika (Statmat) have broad rights to use their works for education and scientific purposes without permission, including:
Used to discuss in a class by the author or the author's body and presentations at meetings or conferences and participant approval;
Used for internal training by the author's company;
Distribution to colleagues for the use of their research;
Used in preparation for further author's works;
Included in a thesis or dissertation;
Partial or extra reuse of articles in other works (with full acknowledgment of the last item);
Prepare derivatives (other than for commercial purposes);
Post voluntarily on a website opened by the author or approve the author for scientific purposes (follow CC with a SA License).
