ABSTRAKSI: Recommender system berbasis collaborative filtering merupakan suatu teknologi penyaring informasi yang digunakan untuk memberikan prediksi atau rekomendasi item terhadap suatu user berdasarkan preferensi dari user-user lain yang dianggap serupa.
Pada suatu recommender system, tidak semua prediksi yang dihitung adalah prediksi yang akurat, atau dengan kata lain adanya prediction error. Pada Tugas Akhir ini dilakukan implementasi dan analisis metode Prediction Error-Based Enhancement – Item Similarity (PEBE-IS) yang merupakan pengembangan dari user-based collaborative filtering konvensionalnya, yaitu User-Based Pearson Similarity (UBPS). Metode ini dapat memperkirakan prediction error yang akan terjadi dan melakukan prediksi kembali. Prediction error dapat diprediksi dengan melihat prediction error dari item-item yang telah di-rate oleh active user.
Pada Tugas Akhir ini dilakukan analisis pengaruh parameter n, γ, dan data sparsity terhadap akurasi prediksi metode PEBE-IS dilihat dari mean absolute error (MAE). Selain itu, akurasi metode PEBE-IS juga dibandingkan dengan UBPS.
Berdasarkan hasil pengujian, didapatkan bahwa parameter n dan data sparsity mempengaruhi akurasi prediksi metode PEBE-IS maupun UBPS. Akurasi juga berpengaruh saat parameter γ diujikan pada metode PEBE-IS. Didapatkan pula bahwa akurasi prediksi PEBE-IS terbukti lebih baik daripada UBPS ketika parameter γ di-set dengan nilai tertentu. Saat diujikan dengan data sparsity yang berbeda-beda pun metode PEBE-IS tetap lebih unggul dalam hal akurasi dibandingkan dengan UBPS.Kata Kunci : recommender system, collaborative filtering, metode UBPS, metodeABSTRACT: Recommender system collaborative filtering is information filtering technology which is used to give rating prediction or recommendation of certain item based on other users’ preferences with similar behavior.
In recommender system, not all calculated prediction is an accurate prediction, or in other word prediction error exist. In this final project, Prediction Error- Based Enhancement – Item Similarity (PEBE-IS) method implemented and analized. PEBE-IS is an improvement of User-Based Pearson Similarity (UBPS), conventional user-based collaborative filtering. PEBE-IS can estimate prediction error which is occured in UBPS. Estimation of prediction error derived from prediction error of active user’s rated item.
In this final project, the effect of parameter n, γ, and data sparsity on PEBE-IS’ prediction accuracy are analized, based on mean absolute error (MAE). Beside it, accuracy of PEBE-IS also compared with UBPS.
Based on experiment, accuracy of UBPS and PEBE-IS prediction are influenced by parameter n and data sparsity. Prediction accuracy of PEBE-IS also influenced by parameter γ used in this method. From experiment too, accuracy of PEBE-IS is better than UBPS on certain γ value. PEBE-IS still better than UBPS even when the the method tested with different data sparsity.Keyword: recommender system, collaborative filtering, UBPS,