Sistem rekomendasi membantu orang untuk memilih buku, artikel, film, musik, barang elektronik, dan yang lainnya untuk menemukan barang atau informasi yang paling menarik dan bermanfaat bagi mereka. Namun salah satu masalah yang dihadapai oleh sistem rekomendasi adalah cold-start problem. Pada cold-start problem sistem rekomendasi sulit memberikan rekomendasi kepada user karena beberapa faktor. Cold-start dapat di kategorikan dalam tiga tipe yaitu merekomendasikan item yang sudah ada untuk user baru, merekomendasikan item baru untuk user yang sudah ada, dan merekomendasikan item baru untuk user baru. Pairwise preference regression merupakan salah satu metode yang langsung mengatasi masalah cold-start, metode ini dapat memberikan rekomendasi tidak hanya pada user yang tidak memiliki historical rating tetapi juga hanya memiliki sedikit informasi demografi. Dari hasil pengujian didapatkan nilai Normalized Discounted Cumulative Gain (nDGC) terbaik dari sistem adalah 0.8484 dan hasil rekomendasi yang dihasilkan oleh sistem memiliki standar deviasi 1.24 dengan rata-rata 3.82.
Kata Kunci : recommender system, pairwise preference regression, cold-start problem, normalized Discounted Cumulative Gain