ABSTRAKSI: Recommender system adalah sebuah aplikasi yang dapat mencari dan memberikan rekomendasi berupa prediksi rating terhadap suatu item berdasarkan persamaan karakteristik user dalam memberikan informasi. Collaborative filtering merupakan teknik yang umum digunakan dalam recommender system yang memprediksi suatu item (film) berdasarkan informasi yang sudah ada dari user atau item lainnya.
Korelasi antar user adalah komponen penting dalam collaborative filtering pada recommender system. Tugas akhir ini menentukan prediksi rating dan menganalisis akurasi prediksi rating yang dihasilkan oleh sistem rekomendasi dengan metode Dynamic Item Weighting and Selection yang fokus terhadap item weighting dan item selection dalam menentukan prediksi dan akurasi prediksi rating yang dihasilkan oleh recommender system dalam penalaan korelasi matriks antar user. Data yang digunakan adalah data set IMDB (Internet Movie Data Base). Parameter yang digunakan dalam analisis adalah parameter f yaitu sejumlah item yang nilai bobotnya tertinggi yang akan dipilih pada fitur selection, serta perbandingan jumlah data pada training set dengan test set.
Item selection adalah masalah yang kompleks dalam collaborative filtering. Banyaknya jumlah item dan ekstrimnya sparsity data membuat sebagian besar fitur seleksi tidak efektif pada sistem collaborative filtering. Untuk menangani masalah tersebut digunakanlah Dynamic Item Weighting and Selection pada tugas akhir ini, dengan menseleksi secara dinamis item dengan bobot tertinggi yang tampil pada user profiles dari active user. Sistem rekomendasi dengan metode Dynamic Item Weighting and Selection collaborative filtering memiliki keunggulan dapat menggunakan ulang bobot antar item yang sudah pernah dihitung untuk digunakan pada prediksi. Akurasi hasil prediksi yang dihasilkan oleh selection dengan best-f-per-target dan best-f-per-user cenderung akan semakin meningkat dengan bertambahnya jumlah data pada training set.Kata Kunci : recommender system, collaborative filtering, metode Dynamic Item Weighting and Selection.ABSTRACT: Recommender system is an application that can search and give a recommendation in term of rating prediction of an item, based on the similarity of user characteristic in giving information. Collaborative filtering is a common technique used in recommender system that predict an item (movie) based on existing information from users or other items.
User-to-user correlation is a fundamental component of Collaborative Filtering on Recommender Systems. In this final task, implement and analyze the user-based collaborative filtering recommender system, which apply Dynamic Item Weighting and Selection method performed. This final project focuses on item weighting and item selection methods aimed at improving prediction and rating prediction accuracy which produced by recommender system on introduced the user-to-user correlation metric. The data used is the data set of IMDB (Internet Movie Data Base). The parameter used in analyzed is parameter f that is number of item, which the highest weight will selected on the selection fitur, and comparing the number of data on the training set and test set.Item selection is a complex problem in CF. The huge amount of items and the extreme sparsity of data make common feature selection techniques not effective on CF systems. In this final task we introduce the methods aimed to overcome these problems by using Dinamyc Item Weighting and Selection system. The highest weight items which appear in the user profile from active user will be selected. Recommender system with Dynamic Item Weighting and Selection collaborative filtering method has an advantage that can using weight inter item which has been calculated for used on the prediction. The prediction accurated of the result generated by selection with best-f-per-target and best-f-per-user will increase with increasing the number of data in training set.Keyword: recommender system, collaborative filtering, Dynamic Item Weighting and Selection method.