PENERAPAN TEKNIK CLUSTERING DAN POPULARITAS ITEM UNTUK MENGATASI COLD-START PADA SISTEM REKOMENDASI

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 pada user baru sangat efektif untuk membantu user baru memilih item. Oleh karena itu, mengatasi masalah coldstart perlu diterapkan. Tujuan penelitian ini adalah menerapkan metode Clustering k-modes, Fuzzy C Means dan Teknik Popularitas item untuk mengatasi cold-start. Algoritma K-modes dapat megelompokkan pengguna berdasarkan atribut non numerik. Seperti jenis kelamin dan pekerjaan. Dengan menggunakan atribut-atribut tersebut, user dapat dikelompokkan walaupun tanpa riwayat apapun. Kemudian, Item akan di kelompokkan berdasarkan rating menggunakan metode Fuzzy C Means Clustering. proses untuk menghasilkan Top-N akan menggunakan Teknik Popularitas item. Dengan kombinasi metode tersebut, diharapkan mampu mengetahui selera user baru sesuai kelompoknya dan mendapatkan rekomendasi yang lebih akurat dalam keadaan cold-start. Dari hasil percobaan yang telah dilakukan, kombinasi metode usulan mampu mendapatkan akurasi lebih baik dari pendekatan memory based (Item-based). Dengan rata-rata persentase kenaikan sebesar 489.55 %, Kenaikan maksimal sebesar 2358.70 %, dan kenaikan minimal sebesar 124.25 % pada metrik evaluasi Precision. Sedangkan pada metrik evaluasi Discounted Comulative Gain (DCG), didapatkan nilai rata-rata kenaikan sebesar 571.36 %, kenaikan maksimal sebesar 2358.70 % dan kenaikan minimal sebesar 163.59 %.