ABSTRAKSI: Recommender system merupakan sebuah aplikasi yang merekomendasikan beberapa item yang mungkin sesuai dengan profil pengguna dan saat ini mulai banyak digunakan sebagai alternatif dari search engine.
Tugas akhir ini mengimplementasikan dan menganalisis item-based collaborative filtering recommender system, yang menerapkan semantic similarity. Informasi mengenai kesamaan semantik diperoleh dengan menggunakan WordNet yang berfungsi sebagai kamus. Tugas akhir ini menganalisis akurasi prediksi yang dihasilkan oleh recommender system setelah ditambahkan semantic similarity. Parameter yang digunakan dalam analisis adalah perbandingan training set dengan test set, ukuran neighborhood, ukuran model, serta nilai variabel α sebagai parameter dalam menghitung similarity.
Akurasi prediksi yang dihasilkan oleh algoritma adjusted cosine similarity yang telah ditambahkan semantic similarity relatif lebih lebih rendah jika dibandingkan dengan adjusted cosine similarity. Hal ini disebabkan oleh adanya string / kata yang tidak terdapat dalam kamus WordNet. Selain itu, waktu proses dalam menghasilkan prediksi dengan menggunakan semantic similarity lebih lama. Untuk pengembangan selanjutnya dapat menggunakan multithread, sehingga waktu proses dapat dipersingkat.Kata Kunci : recommender system, collaborative filtering, semantic similarity,ABSTRACT: Recommender system is an application which recommends items that users may prefer and match to their profile and widely used as an alternative of search engine
This journal implements and analyze item-based collaborative filtering recommender system, which implement semantic similarity. Semantic similarity information can be obtained from WordNet that will be used as a dictionary. This final project analyze & measure how accurate the prediction after augmented with semantic similarity. Parameters such as ratio between training and test set, neighborhood size, model size, and value of variable α will be measured.
Prediction accuration resulted from semantic enhanced item similarity algorithm is lower (higher error value) compared to item-item similarity. This is caused by words that are excluded from WordNet. Moreover, the processing time in producing prediction using semantic similarity is time-consuming. Further development may employ multithreading to shorten computation time.Keyword: recommender system, collaborative filtering, semantic similarity,