ABSTRAKSI: Sebagai salah satu solusi dalam mengatasi masalah information overload, Recommender system berusaha memberikan rekomendasi berupa item yang mungkin disukai oleh user berdasarkan preferensi user tersebut. Salah satu metode yang paling banyak digunakan dalam recommender system adalah collaborative filtering. Namun Pure Collaborative Filtering masih belum mampu mengatasi beberapa masalah yang sering terdapat dalam suatu recommender system, misalnya masalah cold start user, data sparsity, dan serangan dari user yang jahat.
Tugas akhir ini menganalisa penggunaan trust pada recommender system dan mengimplementasikannya pada sebuah Trust-aware recommender system. Penggunaan trust diharapkan dapat mengatasi permasalahan cold start user, data sparsity,dan serangan dari user yang sebelumnya belum dapat diatasi dengan baik menggunakan Pure Collaborative Filtering. Tugas akhir ini menganalisa akurasi serta jumlah rating yang dapat diprediksi pada Trust-aware recommender system dan membandingkannya dengan Pure Collaborative Filtering.
Penggunaan trust pada recommender system dapat meningkatkan akurasi dan jumlah prediksi. Nilai MAE dan coverage yang dihasilkan pada Trust-aware recommender system lebih baik dibanding Pure Collaborative Filtering. Nilai yang sebaiknya dipilih sebagai jarak propagasi maksimal adalah 3 karena propagasi pada jarak ini telah mampu memberikan MAE dan coverage yang cukup baik pada hampir semua skenario pengujian.Kata Kunci : recommender system, collaborative filtering, trust, trust-aware, cold start user, sparsityABSTRACT: As one of solutions to overcome information overload, recommender system trying to provide item recommendation that may be useful for users based on their preferences. Most used method in recommender system is collaborative filtering. However, it is still not be able to solved some problems in recommender system such as cold start user, data sparsity, and attack by malicious user.
This final project analyze the use of trust in recommender system and do the implementation into a trust-aware recommender system. The use of trust is expected to overcome the cold start user problem, data sparsity, and attack mentioned above. This final project analyze the accuracy and the number of predicted rating provided by trust-aware collaborative filtering and compare them with those provided by pure collaborative filtering.
Using trust in recommender system can increase the accuracy and number of predictions. MAE and coverage resulted from trust-aware recommender system is better compared to pure collaborative filtering. Maximal propagation distance chosen was 3 because it can give MAE and coverage which are relatively better than other propagation.Keyword: recommender system, collaborative filtering, trust, trust-aware, cold start user, sparsity