Collaborative Filtering (CF) adalah salah satu pendekatan yang populer untuk membangun Recommender System dengan memanfaatkan informasi dan preferensi dari user lain untuk memberikan rekomendasi item. Salah satu permasalahan mendasar dalam CF adalah data rating yang sangat sedikit (data sparsity) yang mampu mempengaruhi hasil rekomendasi. Secara umum terdapat dua tipe algoritma pada CF, yaitu memory-based dan model-based yang memiliki kelebihan dan kekurangan masing-masing. Dalam tugas akhir ini, digunakan strategi smoothing dan fusing yang merupakan pendekatan hybrid dari memory-based dan model-based untuk menangani permasalahan data sparsity.
Berdasarkan hasil pengujian, strategi smoothing dan fusing mampu menurunkan error sistem yang diukur menggunakan MAE dari 2,277 menjadi 0,746 atau menurun sebesar 50.624% dibandingkan tanpa menggunakan strategi smoothing dan fusing. Selain itu, akurasi sistem juga dipengaruhi oleh level sparsity dari data rating. Semakin sparse data rating yang dimiliki, maka akurasi yang dihasilkan semakin buruk.