ABSTRAKSI: Recommender system adalah sebuah aplikasi yang dapat memberikan rekomendasi berupa prediksi rating terhadap suatu item berdasarkan persamaan karakteristik user dalam memberikan informasi.
Tugas akhir ini mengimplementasikan dan menganalisis user-based collaborative filtering pada recommender system, yang menerapkan algoritma CorrCF dan metode RecTree. Tugas akhir ini menganalisis kecepatan untuk menentukan prediksi dan akurasi prediksi rating yang dihasilkan oleh recommender system setelah diimplementasikan algoritma CorrCF dan metode RecTree. Parameter yang digunakan dalam analisis adalah parameter untuk metode RecTree serta perbandingan training set dengan test set.
Pada metode RecTree, active user history serta keberadaan user lain yang mirip dan pernah merating item sangat menentukan hasil dari prediksi rating untuk active user. Akurasi prediksi yang dihasilkan oleh algoritma CorrCF dan metode rectree akan semakin meningkat dengan bertambahnya jumlah data yang terdapat pada training set.
Waktu yang dibutuhkan oleh metode RecTree jauh lebih cepat dibandingkan algoritma CorrCF dalam menentukan prediksi. Selain itu, dengan pemilihan parameter yang tepat maka akurasi yang dihasilkan oleh metode RecTree lebih baik dibandingkan algoritma CorrCF yang ditunjukkan oleh nilai MAE yang dihasilkan oleh metode RecTree lebih kecil daripada algoritma CorrCF.Kata Kunci : recommender system, collaborative filtering, algoritma CorrCF, metode RecTreeABSTRACT: Recommender system is an application that can give a recommendation in term of rating prediction of an item, based on the similarity of user characteristic in giving information.
In this final project, the implementation and the analysis of the user-based collaborative filtering recommender system, which applies CorrCF algorithm and RecTree method, is performed. Initially, CorrCF algorithm and RecTree method is implemented into the recommender system. Then, the analysis is carried out to the speed and the accuracy of rating prediction result that is given by the recommender system. Comparison parameter on training set and set test is used in the analysis.
In the RecTree method, active user history and the existence of other similar users which have rated items, determine the result of a predicted rating for the active user. The accuracy of prediction, which is resulted by both algorithm, increases with the increase of the number of data in the training set.
Time needed by the RecTree method is much faster than CorrCF algorithm to determine prediction. In addition, with appropriate selection of parameter then the accuracy produced by the RecTree method is better than the CorrCF algorithm which is shown by the MAE value generated by RecTree method is smaller than generated by CorrCF algorithm.Keyword: recommender system, collaborative filtering, CorrCF algorithm, RecTree method