AI Rekomendasi Film by

Data Latent Bias

hutajulurusel — 2024-11-13 03:08:03 UTC

Sistem rekomendasi AI biasanya dilatih pada data besar yang mungkin tidak sepenuhnya mencerminkan preferensi individu pengguna. Ketika data yang dilatih mengandung bias atau tidak cukup beragam, AI mungkin cenderung merekomendasikan film yang populer atau umum, bukan yang sesuai dengan preferensi spesifik pengguna.

Contoh : Seorang pengguna yang gemar menonton film dokumenter tentang sejarah atau lingkungan malah mendapatkan rekomendasi film superhero atau komedi romantis yang populer. Hal ini terjadi karena dataset pelatihan lebih banyak mencakup film-film mainstream, sementara dokumenter kurang terwakili. Rekomendasi tersebut menjadi tidak akurat karena model bias terhadap film populer.

Solusi : Memastikan dataset yang digunakan untuk melatih model mencakup berbagai variasi serta beragam dan lebih luas dari preferensi umum, data yang terkandung dapat berisi berbagai genre, film dan sutradara yang kurang populer atau tidak sering dicari. Dengan memberikan bobot yang lebih tinggi pada film yang jarang dicari namun relevan dengan preferensi dari pengguan tersebut.

Overfitting atau Underfitting Model

hutajulurusel — 2024-11-13 03:09:52 UTC

Algoritma yang terlalu kompleks dapat menyebabkan overfitting, di mana model terlalu menyesuaikan data latih sehingga gagal mengenali pola preferensi pengguna dengan baik. Sebaliknya, underfitting membuat model tidak mampu menangkap pola yang lebih spesifik dan memberikan rekomendasi yang terlalu umum.

Contoh : Pengguna yang menonton beberapa film romantis kemudian mendapatkan rekomendasi yang sangat spesifik pada subgenre yang sama. Jika pengguna hanya ingin eksplorasi genre lain, model yang terlalu "terkunci" dengan data latih sebelumnya akan gagal menyesuaikan rekomendasi secara dinamis. Ini disebabkan oleh overfitting yang membuat model mengabaikan preferensi baru yang mungkin dimiliki pengguna.

Solusi : Dengan mengabungkan berbagai jenis model serta menggunakan dan mencari hyperparameter yang cermat untuk memilih nilai yang paling optimal bagi model untuk mengurangi resiko dari overfitting maupun underfitting sehingga AI dapat memberikan rekomendasi yang lebih tepat.

Keterbatasan Algoritma Collaborative Filtering dan Content-Based Filtering

hutajulurusel — 2024-11-13 03:10:39 UTC

Dalam collaborative filtering, AI merekomendasikan film berdasarkan pola pengguna lain yang serupa, namun jika preferensi pengguna sangat spesifik atau unik, model ini mungkin gagal memberikan rekomendasi yang sesuai. Pada content-based filtering, AI hanya fokus pada fitur dari film, seperti genre dan sutradara, tanpa mempertimbangkan preferensi baru atau variasi dalam selera pengguna.

Contoh : Seorang pengguna dengan selera yang unik, seperti kombinasi film noir klasik dan anime, mungkin mendapatkan rekomendasi yang tidak relevan, misalnya film aksi modern, hanya karena preferensi uniknya tidak ditemukan pada pola pengguna lain. Atau, pada content-based filtering, AI mungkin terus merekomendasikan film noir tanpa memperhitungkan variasi selera lain pengguna, seperti anime.

Solusi : Dengan menggunakan Natural language processing untuk menganalisa sinopsi film/ulasan dari penonton sehingga dapat menangkap lebih banyak pengetahuan mengenai film dan mencocokkannya dengan selera pengguna yang tidak hanya terbatas pada genre atau sutradara. Pengembang juga dapat mengimplementasikan model berbasis deep learning yang dapat lebih efektif dalam menangani pola preferensi pengguna yang lebih spesifik dan unik.

hutajulurusel — 2024-11-13 03:13:36 UTC

Nama : Kelvin Jonathan

NPM : 2231124

Role : Data Scientist

hutajulurusel — 2024-11-13 03:14:02 UTC

Nama : Steby

NPM : 2231001

Role : Backend

hutajulurusel — 2024-11-13 03:14:34 UTC

Nama : Selina

NPM : 2231074

Role : UI/UX

hutajulurusel — 2024-11-13 03:16:15 UTC

Nama : Rusel Hutajulu

NPM : 2231167

Role : Data Collection

hutajulurusel — 2024-11-13 03:18:58 UTC

Nama : Wesly

NPM : 2231075

Role : Backend

hutajulurusel — 2024-11-13 03:25:07 UTC

Nama : Owen Evander

NPM : 2231188

Role : Data Scientist

3 Non-Logical Error pada Sistem Rekomendasi Kegiatan Mahasiswa

2024-11-28 10:49:46 UTC

Berikut merupakan tiga contoh non-logical error yang dapat terjadi pada sistem rekomendasi kegiatan mahasiswa:

1. Data Input yang Tidak Lengkap

Jika mahasiswa tidak mengisi data mengenai minat, prodi, atau anggaran mereka secara lengkap, sistem tidak dapat memberikan rekomendasi yang sesuai.

2. Antarmuka Pengguna Kurang Intuitif

Jika desain antarmuka aplikasi membingungkan atau sulit digunakan, mahasiswa mungkin kesulitan untuk mencari dan memilih opsi yang sesuai.

3. Rekomendasi yang Terlalu Umum

Sistem mungkin memberikan rekomendasi yang terlalu generik dan tidak spesifik terhadap kebutuhan mahasiswa, sehingga rekomendasi tidak relevan atau tidak menarik bagi pengguna.