Sistem rekomendasi pada umumnya harus memiliki keseimbangan data user dan data item. Dalam
memberikan hasil rekomendasi yang sesuai dengan kebutuhan user, sistem rekomendasi memiliki beberapa
tantangan salah satunya yaitu, sparsity data dimana dataset memiliki ketidakseimbangan data rating pada
user dan item. Untuk itu dilakukan Convolutional Neural Network untuk mempelajari konteks dari review
item yang direpresentasikan dalam vektor untuk memprediksi rating dengan Probabilistic Matrix
Factorization yang dinamakan dengan metode Convolutional Matrix Factorization(ConvMF) dan akan
dibandingkan hasil rekomendasi ConvMF dengan metode Matrix Factorization(MF) dan SVD++ yang
merupakan metode baseline. Untuk mengevaluasi performa sistem yang dibangun, dihitung Mean Absolute
Percentage Error(MAPE) dan Root Mean Square Error(RMSE). Berdasarkan dari metode yang diusulkan
didapatkan nilai MAPE sebesar 0,373 dan RMSE sebesar 1,714 untuk metode ConvMF, nilai MAPE 0,528
dan RMSE 2,091 untuk metode MF, dan didapatkan nilai MAPE 0,359 dan RMSE 1,204 untuk metode
SVD++.