Implementasi cluster user (K-Approximate Modal Haplotypes) Dan Item (Fuzzy C Means) Untuk Mengatasi Cold-Start Pada Sistem Rekomendasi

Sistem Rekomendasi merupakan sistem untuk menyarankan sebuah konten atau item yang sesuai dengan minat user. Salah satu permasalahan pada sistem rekomendasi adalah Cold-Start, yaitu keadaan user baru yang belum atau sedikit memiliki riwayat penilaian item sebelumnya. Kondisi ini membuat proses rekomendasi sulit dilakukan oleh Sistem Rekomendasi. Oleh karena itu, untuk mengatasi masalah Cold-Start perlu diterapkan metode cluster dua sisi, Clustering K-Approximate Modal Haplotypes (K-AMH) untuk mengelompokkan user berdasarkan data demografi (kategorikal) seperti umur, jenis kelamin dan pekerjaan, sedangkan Fuzzy C Means untuk mengelompokkan item berdasarkan data rating (numerik) dan teknik popularitas item untuk menghitung jumlah Top- N. Dataset yang digunakan adalah data movielens sebanyak 100.000 data rating, dari 943 user dan 1682 film. Dari hasil uji coba implementasi kombinasi metode clustering K-AMH dan Fuzzy C Means serta teknik popularitas item untuk mengatasi masalah Cold-Start pada sistem rekomendasi, menggunakan nilai parameter k = 10 a = 1.8 dan c = 2. Dengan nilai parameter tersebut didapatkan nilai akurasi menggunakan matrik evaluasi DCG = 12,4131 pada Top-N = 100. Kombinasi metode tersebut telah mampu mengetahui selera user baru sesuai kelompoknya dan mendapatkan hasil rekomendasi yang sesuai.