English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

Sistem pemberi rekomendasi banyak digunakan pada banyak website seperti marketplace, streaming film, e-commerce, dll untuk menghasilkan rekomendasi item yang sesuai dan disukai kepada setiap penggunanya. Pendekatan tradisional collaborative filtering berbasis memory saat ini masih banyak digunakan dalam sistem rekomendasi. Pendekatan ini bertumpu pada rating yang diberikan oleh pengguna terhadap suatu item sebagai pendekatan dasar untuk menghitung kesamaan respon pengguna terhadap produk untuk memberikan rekomendasi item, namum kelemahannya error prediksi yang dihasilkan saat memberikan rekomendasi item tinggi. Penelitian ini bertujuan untuk mereduksi error prediksi dari pendekatan collaborative filtering berbasis memory dengan menggunakan collaborative filtering berbasis model matrix factorization supaya dapat memperbaiki metode pada penelitian sebelumnya. Pendekatan collaborative filtering berbasis model matrix factorization merupakan salah satu pendekatan dalam sistem rekomendasi yang mampu mengurangi error prediksi untuk menghasilkan rekomendasi item yang akurat. Metode yang diusulkan telah dievaluasi sebanyak 5 kali iterasi menggunakan root mean squared error untuk mengukur error prediksi. Hasilnya, pendekatan collaborative filtering berbasis model matrix factorization yang kami usulkan mampu menghasilkan error prediksi terkecil sebesar 0,6814 sedangkan collaborative filtering berbasis memory menghasilkan error prediksi lebih besar yaitu 2,984.

Mereduksi Error Prediksi Pada Sistem Rekomendasi Menggunakan Pendekatan Colalborative Filtering Berbasis Model Matrix Factorization