Pada recommender system terdapat dua metode yang sering digunakan yaitu content-based filtering dan collaborative filtering. Metode-metode ini memiliki kelebihan dan kekurangannya masing-masing. Metode content-based filtering memiliki kekurangan dimana hasil rekomendasi yang diberikannya kurang beragam (diversity) dikarenakan metode ini hanya mengacu pada konten item yang direkomendasikan saja. Pada metode collaborative filtering terdapat masalah dimana item baru yang masih belum memiliki rating tidak dapat direkomendasikan karena data rating yang dibutuhkan saat proses rekomendasi tidak ada.
Pada penelitian ini akan diuji hipotesis dimana kombinasi dari kedua metode tersebut dapat mengatasi masalah cold start dan diversity yand dimiliki masing-masing metode. Metode yang digunakan untuk mengkombinasikan kedua metode tersebut adalah Item-based Clustering Hybrid Method (ICHM). Pengukuran kemampuan ICHM dalam mengatasi masalah cold start akan dihitung menggunakan metrik Mean Absolute Error (MAE) sedangkan pengukuran diversity dari hasil rekomendasinya akan dihitung menggunakan metrik Intra-List Similarity (ILS).
Hasil dari penelitian ini menunjukkan bahwa metode ICHM memiliki kemampuan lebih baik dalam menangani masalah cold start dibandingkan dengan collaborative filtering dengan nilai MAE 1,4522 dan 3,8103. Hasil dari pengujian diversity menunjukkan bahwa ICHM memiliki hasil rekomendasi yang lebih beragam dibandingkan dengan content-based filtering dengan nilai ILS -3,7187 dan 34,5709.