Penerapan Variasi Teknik Popularitas Item Berdasarkan Cluster User dan Item Untuk Sistem Rekomendasi Dengan Permasalahan Cold-Start

Sistem rekomendasi merupakan suatu sistem yang ditujukan untuk memberikan rekomendasi suatu item kepada user target. Salah satu permasalahan pada sistem rekomendasi adalah cold-start, yaitu keadaan dimana sistem tidak dapat merekomendasikan item dengan baik dikarenakan user target belum pernah atau sedikit memberikan penilaian item sebelumnya. Untuk mengatasi permasalahan tersebut diterapkan tiga variasi teknik popularitas item yaitu sum, median dan range berdasarkan hasil cluter user dengan menerapkan metode K- Modes Clustering dan cluster item dengan menerapkan metode Fuzzy C-Means Clustering. Nilai variasi teknik popularitas item dihitung berdasarkan hasil filter rating dengan menerapkan batas minimal rating, misal batas minimal rating ≥ 3 maka nilai rating yang dihitung adalah 3, 4 dan 5. Rekomendasi Top-N item yang diberikan kepada user target merupakan item yang paling sering dinilai oleh user lainnya atau item yang paling populer. Dari hasil uji coba yang telah dilakukan, penerapan filter rating pada metode teknik popularitas item tidak diperlukan karena pada variasi sum, median dan range memiliki nilai akurasi terbaik ketika batas minimal rating ≥ 1. Variasi teknik popularitas item terbaik adalah variasi sum dengan nilai DCG 7,2562 dan rata-rata kenaikan akurasi 43,7955% terhadap variasi median dan 50,5208% terhadap variasi range. Teknik popularitas item terbaik (variasi sum) mampu memberikan rekomendasi lebih baik dibandingkan item- based dengan rata-rata kenaikan akurasi mencapai 106,6130%.