PENERAPAN TEKNIK MODIFIED FUZZY K-PARTITION, FUZZY C-MEANS DAN POPULARITAS ITEM UNTUK MENGATASI MASALAH COLD-START PADA SISTEM REKOMENDASI

Perkembangan teknologi yang semakin pesat menjadikan sistem
rekomendasi sangat dibutuhkan. Masalah yang sering terjadi pada sistem
rekomendasi adalah cold-start. Cold-start merupakan keadaan pada user baru yang
belum memiliki riwayat atau catatan apapun di dalam sistem. Hal ini akan membuat
sistem rekomendasi akan sulit mendapatkan hasil rekomendasi yang tepat. Tujuan
dari penelitian ini adalah untuk mengatasi masalah cold-start dengan teknik
clustering serta popularitas item. Teknik clustering yang digunakan adalah
Modified Fuzzy K-Partition dan Fuzzy C-Means. Modified Fuzzy K-Partition
digunakan untuk mengelompokkan user berdasarkan atribut umur, jenis kelamin
serta pekerjaan user. Untuk mengelompokkan item menggunakan Fuzzy C-Means
berdasarkan rating dari item tersebut, sedangkan untuk menghasilkan rekomendasi
Top-N digunakan teknik Popularitas Item. Dengan metode tersebut sistem dapat
memberikan rekomendasi item untuk user meskipun dalam keadaan cold-start. Dari
hasil percobaan yang telah dilakukan, metode yang diusulkan mampu mendapatkan
akurasi lebih baik dari metode dengan pendekatan memory based (Item-based).
Prosentase kenaikan rata-rata, maksimal dan minimal DCG dari metode usulan
terhadap metode item-based adalah sebesar 115,3863%; 141,1612%; dan
34,2446%.