Adding guide & rules, and About page

app.py

@@ -44,7 +44,6 @@ def games_recomm(preferences_id):
     else:
         st.session_state['rs'] = res
 
-    # st.write(len(st.session_state['rs']))
     if len(st.session_state['rs']) >= 1:
         st.success(f"Go to result page to view top {len(st.session_state['rs'])} recommendations.")
     else:
@@ -75,6 +74,25 @@ def spr_sidebar():
 # Home page. One of the page in Main Header
 def home_page():
     st.title("Steam Recommendation System")
+    with st.expander("Aturan input & panduan sistem"):
+        st.markdown("""
+            Mohon untuk memasukkan input yang valid, yaitu:
+            
+            1. Minimal 3 judul game yang dimasukkan sebagai input sistem
+            2. Preferensi penilaian game yang dimasukkan harus memiliki setidaknya 1 rating positif
+
+            <br>
+            Untuk mendapatkan hasil rekomendasi, berikut langkah untuk berinteraksi dengan sistem:
+            
+            1. Tekan input dropdown dibawah
+            2. Ketikkan judul game yang anda ketahui dan atur penilaian dari game yang bersangkutan
+            3. Tekan "Get recommendation" untuk mendapatkan hasil rekomendasi
+            4. Pindah ke tab "Result" untuk melihat judul game yang direkomendasikan
+        """, unsafe_allow_html=True)
+        st.markdown("<br>", unsafe_allow_html=True)
+        st.image("data/systemGuide.png")
+    
+    st.markdown("<br>", unsafe_allow_html=True)
 
     if "user_preferences" in st.session_state:
         ids_list = ids_to_titles(st.session_state["user_preferences"])
@@ -115,7 +133,29 @@ def result_page():
 
 
 def about_page():
-    pass
+    st.header("Development")
+    """
+    Cek [repositori](https://github.com/deppfellow/ta-steam_recsys) untuk informasi, source code, dan metode yang digunakan. Jangan ragu Jika anda memiliki pertanyaan.
+
+    Periksa repositori untuk kode sumber. Jangan ragu jika Anda memiliki pertanyaan. Anda dapat menghubungi saya melalui discord atau email dengan informasi di bawah:
+    - Discord: deppfellow
+    - Email : [email protected]
+    """
+
+    st.subheader("Dataset")
+    """
+    Untuk proyek ini, saya menggunakan data [*Game Recommendations on Steam*](https://www.kaggle.com/datasets/antonkozyriev/game-recommendations-on-steam), yang disediakan oleh Anton Kozyriev. Data yang digunakan dalam penelitian ini adalah informasi data per tanggal 6 Juni 2023. Berisi informasi pengguna yang dianonimkan, informasi game, serta interaksi antara pengguna dan item.
+    """
+
+    st.subheader("Algoritma")
+    """
+    [*Embarrassingly Shallow Autoencoder for Sparse Data*](https://arxiv.org/abs/1905.03375) atau EASE menjadi algoritma utama yang digunakan pada sistem rekomendasi ini. Dikembangkan oleh Harald Steck, algoritma EASE merupakan model linear yang memanfaatkan karakteristik *sparsity* dengan arsitektur menyerupai *autoencoder*, tetapi tanpa *hidden layer*. Meskipun kesederhanaan dari model linear, EASE menunjukkan performa yang baik pada data terbuka dengan:
+    - Peringkat ke-6 pada data [*MovieLens-20M*](https://paperswithcode.com/dataset/movielens) 
+    - Peringkat ke-3 pada [*Netflix dataset*](https://paperswithcode.com/dataset/netflix-prize)
+    - *State-of-the-art* pada [*Million Song Dataset*](https://paperswithcode.com/dataset/msd) 
+
+    Pada sistem rekomendasi ini, algoritma EASE digabungkan secara *hybrid* dengan algoritma *content-based filtering*.
+    """
 
 
 def main():