<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="142369">
 <titleInfo>
  <title>SISTEM REKOMENDASI DESTINASI WISATA ACEH MENGGUNAKAN KERANGKA KERJA DEEP REINFORCEMENT LEARNING</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Farrah Fahira Murzani</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas MIPA Informatika</publisher>
   <dateIssued>2024</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Aceh, sebagai salah satu destinasi wisata di Indonesia yang memiliki keindahan alam dan kekayaan budaya, menawarkan banyak tempat wisata yang menarik bagi wisatawan. Namun, dengan banyaknya pilihan destinasi, wisatawan seringkali kesulitan memilih tempat yang sesuai dengan preferensi mereka. Dalam penelitian ini, dikembangkan sebuah sistem rekomendasi destinasi wisata di Aceh menggunakan kerangka kerja Deep Reinforcement Learning (DRL) dengan algoritma Deep Determenistic Policy Gradient (DDPG). Data yang digunakan merupakan rating wisatawan terhadap 204 destinasi wisata di Aceh yang diperoleh melalui scraping dari Google Maps. Sistem rekomendasi yang dibangun mampu menangkap dinamika preferensi pengguna dan memberikan rekomendasi yang relevan dengan minat terbaru pengguna. Evaluasi terhadap sistem ini menunjukkan nilai precision@10 dan NDCG@10sebesar 0.5 setelah 10 episode pelatihan, 0.7 setelah 100 episode, dan 0.8 setelah 500 serta 1000 episode pelatihan. Hasil ini menunjukkan bahwa kerangka kerja DRL dapat diterapkan ke dalam sistem rekomendasi.&#13;
 &#13;
Kata kunci: Sistem Rekomendasi, Destinasi Wisata Aceh, Deep Reinforcement Learning.</note>
 <note type="statement of responsibility"></note>
 <subject authority="">
  <topic>ALGORITHMS - COMPUTER PROGRAMMING</topic>
 </subject>
 <classification>005.1</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>142369</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2024-12-11 09:09:44</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2024-12-11 09:42:58</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>