ABSTRAKSI: Recommender system adalah sebuah aplikasi yang mencari dan memberikan rekomendasi berupa item-item dengan memprediksi rating-ratingnya berdasarkan persamaan karakteristik user dalam memberikan informasi.
Tugas Akhir ini mengimplementasikan dan menganalisis Item-Based Clusering Hybrid Method (ICHM) yang merupakan recommender system yang menggabungkan pendekatan antara collobaratve filtering dengan content based filtering. Penggabungan pendekatan content based filtering dengan collaborative filtering pada metode ICHM bertujuan untuk menanggulangi kekurangan yang ada pada kedua pendekatan sebelumnya.
Sistem rekomendasi dibangun berbasis web dengan menggunakan Java Servlet Pages (JSP) dan Apache Tomcat sebagai web server . Tugas akhir ini menganalisis akurasi prediksi rating yang dihasilkan oleh sistem rekomendasi dengan metode ICHM. Parameter yang digunakan dalam analisis adalah jumlah cluster dan koefisien c sebagai penggabungan nilai similarity.
Sistem rekomendasi dengan metode ICHM memiliki keunggulan dapat memprediksi item yang belum dirating sama sekali. Selain itu jumlah cluster mempengaruhi nilai similarity berdasarkan content item serta komposisi penggabungan berdasarkan koefisien c mempengaruhi hasil prediksi rating untuk active user. Akurasi prediksi yang dihasilkan oleh metode ICHM cenderung semakin meningkat dengan bertambahnya jumlah cluster.
Kata Kunci : recommender system, hybrid, metode ICHM, item-based clustering hybrid methodABSTRACT: Recommender is an application that cam search and recommend items by predicting their ratings based on the similarity of user’s characteristic in giving the information.
In this fiinal project, author implements Item-Based Clustering Hybrid Method (ICHM) which is one of hybrid recommender system that combines the collaborative filtering and content based filtering. The purpose of combination between content based filtering and collaborative filtering in ICHM for overcoming each filtering shortcomings.
The analysis carried out to the accuracy of rating prediction result given by the recommender system. The number of clusters and the value of coefficient c as variable in combining similarity value are used to be the parameters of analysis.
ICHM recommender system has an advantage that can predict new items that have no rating at all. Different number of clusters gives different value of similarity based on the item’s content and the combination compotition based on coefficient c affect the result of rating prediction. The increasing number of clusters in ICHM gives the prediction accuracy tend to increase.
Keyword: recommender system, hybrid, ICHM, item-based clustering hybrid method