Penyelesaian Masalah Cold-Start Pada Sistem Rekomendasi Dengan Menggunakan Model Popularitas Hybrid Berdasarkan Cluster User Dan Item

Cold-start merupakan sebuah masalah yang terjadi pada sistem rekomendasi yang menggunakan pendekatan memory based. Cold-start terjadi pada user baru yang belum memiliki riwayat apapun pada sistem. Kondisi tersebut membuat proses rekomendasi menjadi tidak akurat. Rekomendasi yang diberikan pada user baru merupakan item yang sering dinilai oleh user lainnya. Pada penelitian ini menerapkan metode Clustering k-modes, Fuzzy C-Means dan Hybrid Popularitas Model untuk mengatasi cold-start. Algoritma K-modes dapat mengelompokkan pengguna berdasarkan atribut umur, jenis kelamin dan pekerjaan. Kemudian, item dikelompok berdasarkan rating menggunakan metode Fuzzy C-Means Clustering. Dari hasil uji coba yang telah dilakukan, penerapan filter rating pada metode hybrid popularity model diperlukan karena dari hybrid popularity model memberikan nilai akurasi DCG terbesar pada batas minimal rating 2, yaitu 0,8036. Akurasi terbaik dalam teknik hybrid popularity model dapat diperoleh dengan menggunakan jumlah cluster user 𝑐𝑥=10 untuk metode K-Modes, jumlah cluster item 𝑐 = 95 untuk metode Fuzzy C-Means dan nilai ∝ = 0 untuk memastikan bahwa model yang dibangun lebih dipengaruhi oleh user popular.