Recommender systems dengan metode collaborative filtering banyak digunakan untuk menghasilkan sebuah model prediksi rating yang saat ini memiliki problematika cold-start, yakni sistem tidak dapat memberikan rekomendasi karena pada data item dan user tidak ada informasi kolaboratif yang dapat digunakan untuk membuat rekomendasi baik dengan pendekatan user-based maupun item-based.
Pada tugas akhir ini telah diimplementasikan pre-processing data menggunakan metode collaborative filtering untuk mendapatkan data training dan testing. Setelah itu digunakan naïve bayes classification untuk melakukan proses training dan testing dengan data yang diperoleh dari proses sebelumnya. Digunakan dataset movie dari MovieLens untuk data kolaboratif yang berisi 1682 movie, 943 user, 100.000 rating, dan 19 genre. Hasil akhir sistem dapat memutuskan item mana saja yang lebih baik direkomendasikan kepada cold-start user. Penelitian ini berfokus dalam membuat sistem yang bisa memprediksi item mana saja yang lebih baik direkomendasikan kepada cold-start user dibandingkan dengan item lain. Sistem di uji coba pada 3 skenario pengujian yang berbeda dan diperoleh hasil akurasi prediksi rating dan MAE. Hasil pada pengujian skenario 1 memberikan kesimpulan bahwa jumlah data training dan data testing tidak mempengaruhi nilai akurasi, terlihat pada nilai akurasi yang selalu berada pada nilai 93%-95%. Hasil pada skenario 2 memberikan kesimpulan bahwa jumlah user test mempengaruhi nilai akurasi, terlihat pada nilai akurasi yang semakin kecil ketika jumlah user test yang semakin banyak. Hasil pada pengujian skenario 3 memberikan kesimpulan bahwa kombinasi algoritma Collaborative Filtering dengan Naïve Bayes Classification menghasilkan nilai akurasi 97.55% yang lebih bagus dibandingkan dengan nilai akurasi yang dihasilkan oleh algoritma Collaborative Filtering murni sebesar 93.35%.
Kata Kunci : recommender system, collaborative filtering, cold-start, naïve bayes classification