ABSTRAKSI: Jumlah informasi yang tersedia di internet baik dalam format seperti teks, video, ataupun audio semakin berkembang pesat. Hal ini menyebabkan user kesulitan dalam mendapatkan informasi yang dibutuhkan. Salah satu solusi pencarian untuk mempermudah user dalam mendapatkan informasi yang dibutuhkan adalah recommender system. 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 menganalisis item-based collaborative filtering pada recommender system, yang menerapkan metode weighted sum. Tujuan dari tugas akhir ini adalah menganalisis akurasi hasil prediksi yang dihasilkan oleh recommender system. Parameter yang digunakan dalam analisis ini adalah rasio training/test set, ukuran top-N neighbor dan jenis similarity measure yang dievaluasi menggunakan perhitungan Mean Absolute Error.
Hasil pengujian menunjukkan bahwa akurasi hasil prediksi yang dihasilkan metode weighted sum tidak selalu meningkat dengan bertambahnya ukuran top-N neighbor. Semakin tinggi rasio training/test set, semakin tinggi akurasi hasil prediksi. Jenis similarity measure juga mempengaruhi akurasi hasil prediksi, penggunaan adjusted cosine-based similarity pada metode weighted sum menghasilkan akurasi prediksi yang lebih baik daripada penggunaan correlationbased similarity.Kata Kunci : recommender system, item-based collaborative filtering, metode weighted sum.ABSTRACT: The amount of information available on the Internet either in a format such as text, video, or audio growing rapidly. This causes the user's difficulty in obtaining the required information. One solution to simplify user searches in obtaining the information needed is a recommender system. Recommender system is an application that can provide recommendations in the form of predictive rating of an item based on user characteristic equation in providing information.
This final project analyzing the item-based collaborative filtering in recommender systems, which apply the weighted sum method. The purpose of this thesis is to analyze the accuracy of the prediction results generated by the recommender system. The parameters used in this analysis is the ratio of training / test sets, top- N neighbor size and type of similarity measure is evaluated using Mean Absolute Error calculation.
The results show that the accuracy of the prediction results produced by the method of weighted sum does not always increase with the size of the top- N neighbor. The higher the ratio of training / test set, the higher the accuracy of prediction. Type similarity measure also affects the accuracy of the prediction, using adjusted cosine-based similarity on the weighted sum method produces a better prediction accuracy than the use of correlation-based similarity.Keyword: recommender system, item-based collaborative filtering, weighted sum method.