ABSTRAKSI: Recommender system merupakan sebuah sistem yang dapat digunakan untuk memprediksi sebuah item berdasarkan informasi yang diperoleh dari user, sehingga didapatkan rekomendasi berdasarkan profil penggunanya. Collaborative filtering merupakan teknik yang umum digunakan dalam recommender system akan tetapi hasil prediksi yang didapatkan masih kurang memuaskan karena dalam perhitungannya, tidak memperhatikan latar belakang / demografi user atau item. Oleh karena itu, diperlukan informasi tambahan agar hasilnya lebih baik, yaitu demographic data .
0Tugas akhir ini akan mengimplementasikan collaborative filtering recommeder system yang digabungkan dengan demographic data sebagai solusi untuk memproses hasil prediksi rating yang lebih baik. Selain itu, tugas akhir ini juga menganalisis akurasi prediksi rating yang dihasilkan oleh recommender system dengan metoda evaluasi MAE (Mean Absolute Error). Parameter yang digunakan dalam analisis adalah parameter α, β dan γ. Data yang digunakan adalah data set IMDB.
Akurasi prediksi yang dihasilkan oleh algoritma collaborative filtering dengan demographic data lebih besar dibandingkan dengan collaborative filtering biasa. Performansi terbaik terjadi dimana jumlah neighborhood saat jumlah terbanyak pada kecenderungan user dalam merating items. Hasil rekomendasi pada algoritma demographic collaborative filtering pada recommender system menunjukkan sesuaian antara genre items hasil rekomendasi dengan genre item yang telah diberi rating oleh active user.Kata Kunci : recommender system, collaborative filtering, rating, demographic data. genre, MAE.ABSTRACT: Recommender system is a system that can be used to predict the items based on information obtained from users, so we get recommendations based on user profiles. Collaborative filtering is a technique commonly used in recommender system, but prediction results obtained is still less satisfactory because in its calculations, did not pay attention to the background / demographics of users or items. Therefore, it needs an additional information to better results, namely Demographic data.
This final project will implement a collaborative filtering recommeder system in combination with Demographic Data as a solution to process the prediction results which is better ratings. In addition, this final project also analyzed the prediction accuracy of the ratings generated by the recommender system with the method of evaluation MAE (Mean Absolute Error). The parameters used in the analysis are α, β and γ parameters. The data used are IMDB data sets.
Prediction accuracy generated by collaborative filtering algorithms with Demographic data is larger than plain collaborative filtering. The best performance occurs where the number of neighborhood at the greatest number of trend of user to rate an item. Results of recommendations on Demographic collaborative filtering algorithms in the recommender system shows the conformity between the item genre from result of recommendation with item genre that has been rated by active user.Keyword: recommender system, collaborative filtering, rating, demographic data, genre, MAE.