Machine-Learning

Project Overview

Proyek ini mengembangkan dua model rekomendasi parfum berbasis machine learning dengan memanfaatkan data parfum lokal serta gabungan lokal dan internasional. Model pertama menyajikan rekomendasi berdasarkan input pengguna seperti gender, situasi, konsentrasi, ukuran, harga, dan deskripsi parfum. Deskripsi tersebut diproses menggunakan Gemini API dan LangChain untuk menghasilkan informasi notes, yang kemudian diolah melalui scaling, one-hot encoding, dan TF-IDF. Hasilnya direduksi menggunakan autoencoder dan dikelompokkan dengan K-Means, sehingga preferensi pengguna dapat dicocokkan ke dalam klaster dan diberikan rekomendasi menggunakan cosine similarity. Sementara itu, model kedua menggunakan similarity, dengan merepresentasikan notes parfum menggunakan TF-IDF Vectorization dan mengonversinya ke format TensorFlow. Kedua model ini diintegrasikan ke sistem aplikasi melalui file .h5 dan .pkl, membentuk fondasi rekomendasi yang cepat, relevan, dan adaptif terhadap preferensi pengguna.

Dataset

Ada dua dataset yang digunakan dalam proyek ini:

1. Dataset Parfum Lokal Dikumpulkan dan dibuat sendiri, dan dapat diakses di Akses Dataset Lokal.
2. Dataset Gabungan (Lokal + Luar) Gabungan dataset parfum lokal yang telah dibuat sendiri dengan dataset parfum luar yang di peroleh dari kaggle Akses Dataset Gabungan.

Model

Ada dua model yang digunakan dalam proyek ini:

1. Model Recomendation Akses Model

2. Model Cosine Similiarity

   • Akses File model: 1 dan 2

---

Machine Learning Workflow

1. Data Collection:

• Parfum Lokal: Dikumpulkan dari berbagai sumber online shop.
• Parfum luar: Diambil dari kaggle Akses Dataset Parfum Luar.

2. Data Cleaning:

• Standarisasi format huruf dan harga
• Menghapus kolom yang tidak relevan
• Menggabungkan notes

3. Data Preprocessing:

a. Model Pertama

• Deskripsi parfum diproses menggunakan Gemini API dan LangChain untuk mengekstrak informasi notes parfum
• Fitur kemudian diolah menjadi data numerik melalui:
  • TF-IDF Vectorization untuk notes
  • One-hot encoding untuk fitur kategorikal
  • Scaling untuk fitur numerikal
• Semua fitur digabungkan menjadi satu matriks fitur

b. Model Kedua

• Notes parfum diolah dengan TF-IDF Vectorization

4. Model Development:

a. Model Pertama

• Autoencoder untuk feature extraction
• Clustering dengan K-Means untuk mengelompokkan parfum
• Cosine Similarity untuk mengukur kemiripan rekomendasi parfum

b. Model Kedua

• Convert TF-IDF ke TensorFlow
• Cosine Similarity untuk mengukur kemiripan rekomendasi parfum

5. Training:

• Model dilatih menggunakan TensorFlow dan Keras

6. Evaluasi:

• Autoencoder di evaluasi menggunakan Mean Square Error (MSE)
• K-Means di evaluasi menggunakan Silhouette Score

---

How to Run the Code

Clone Repository

git clone https://github.com/Harumnesia/Machine-Learning.git
cd Machine-Learning

# Membuat virtual environment
python -m venv venv

# Aktivasi (pilih sesuai OS)
source venv/bin/activate      # Linux/macOS
venv\Scripts\activate         # Windows

#Install Dependencies
pip install -r requirements.txt

#Menjalankan Notebook
jupyter notebook