Recommendation system dapat merekomendasikan konten pada user tertentu berdasarkan prediksi rating, preferensi user, ataupun metode lainnya. Namun banyak metode recommendation system yang mengalami popularity bias, dimana konten yang populer akan sering direkomendasikan, sedangkan konten yang kurang populer tidak pernah direkomendasikan. Mengatur popularity bias dengan membuat proporsi rekomendasi konten populer dan non-populer berimbang diperlukan pada recommendation system, dengan tujuan memberikan akses pada pengenalan konten baru dan membuat rekomendasi lebih beragam. Metode fairness aware regularization pada learning-to-rank recommendation system dapat mengatur popularity bias melalui peningkatan rekomendasi konten non-populer sehingga membuat rekomendasi konten populer dan non-populer berimbang. Metode tersebut dapat meningkatkan proporsi rekomendasi konten non-populer tingkat menengah tanpa mengorbankan ranking performance pada recommendation system tersebut. Berdasarkan hasil pengujian dengan menggunakan dataset amazon review, metode tersebut dapat meningkatkan proporsi rekomendasi konten non-populer tingkat menengah sampai dengan 54.1% pada pengukuran Average Percentage of Tail (APT) dan mengenalkan 173 konten non-populer menengah yang berbeda ke setiap user, disertai performansi yang tetap bagus dengan nilai 0.281 pada pengukuran Normalized Discounted Cumulative Gain (NDCG) yang divalidasi dengan membandingkan terhadap metode popular lainnya.