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 Incremental Collaborative Filtering (ICF). Tugas Akhir ini menganalisis kecepatan untuk menentukan prediksi dan akurasi prediksi rating yang dihasilkan oleh recommender system setelah diimplementasikan algoritma ICF. Parameter yang digunakan dalam analisis adalah parameter α sebagai koefisien parameter increment, sparsity rate, dan ukuran matriks users-items.
Akurasi prediksi yang dihasilkan oleh algoritma ICF) lebih besar dibandingkan dengan classic collaborative filtering. Hal ini dikarenakan adanya pengaruh nilai similarity lama terhadap nilai similiarity baru serta modifikasi pada Pearson’s Correlation similarity dengan ditambahkannya koefisien parameter increment α, dan nilai-nilai increment e, f, dan g.
Kata Kunci : recommender system, collaborative filtering, Increment Collaborative FilteringABSTRACT: 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 Incremental Collaborative Filtering (ICF) algorithm, is performed. This final project will analyze speed and accuracy of predictions generated by ICF. The parameters used in the analysis is the parameter α as the coefficient of parameter increments, sparsity rate, and matrix size users-items.
Prediction generated by ICF algorithm is better than the classic collaborative filtering. This is due to the influence of old similarity value to the value of new similiarity and its modifications to Pearson's correlation similarity with the addition of coeficient increment and e, f, g, increment’s value.
Keyword: recommender system, collaborative filtering, Increment Collaborative Filtering