Penerapan Non-Negative Matrix Factorization dan Fuzzy C-Means Dalam Mengatasi Data Sparsity pada Sistem Rekomendasi

Dengan berkembangnya teknologi yang pesat dan informasi yang berukuran besar, tentunya pengguna mengalami kesulitan ketika akan mencari informasi. Maka dari itu dibutuhkan sebuah sistem rekomendasi yang dapat memberikan informasi yang relevan dengan pengguna. Collaborative Filtering (CF) adalah salah satu pendekatan yang sering digunakan dalam sistem rekomendasi. CF biasanya digunakan untuk mengatasi permasalahan sparsity. Sparsity adalah keadaan dimana terdapat banyaknya data atau nilai rating yang kosong. Pendekatan CF memiliki tiga kategori yaitu memory-based, model-based, dan hybrid. Tentunya dari beberapa kategori itu memiliki beberapa kelemahan, seperti memory-based yang memberikan akurasi yang kurang optimal ketika menggunakan dataset sparsity. Tujuan penelitian ini adalah mengatasi permasalahan sparsity menggunakan CF yang menerapkan Non-Negative Matrix Factorization (NMF) dan Fuzzy C-Means Clustering (FCM). NMF digunakan sebagai pengurangan dimensi dengan nilai optimal dimensi (optimal 'k') dan mempertahankan nilai positif. FCM digunakan sebagai pengelompokan antara pengguna aktif dengan pengguna lainnya yang berada dalam satu kelompok. Pada penelitian ini, akan menggunakan metrik evaluasi Normalized Discounted Cumulative Gain (NDCG) yang digunakan untuk mengetahui hasil evaluasi dari pendekatan yang diusulkan. Berdasarkan skenario pengujian yang dilakukan untuk mangatasi masalah data sparsity, menghasilkan nilai NDCG@10=0,0755 atau 7,55%. Pendekatan CF yang menerapkan NMF dan FCM menunjukkan hasil yang lebih baik dibandingkan metode Item-based Collaborative Filtering (IBCF) dengan rata-rata kenaikan akurasi NDCG=31,41%, maksimal NDCG=40,17% dan minimal NDCG=20,28%.