Abstract:
Di zaman teknologi sekarang ini banyak hal dilakukan dengan memanfaatkan teknologi, tidak
terkecuali pada prediksi yang dilakukan untuk menentukan minat dari seseorang. Prediksi dari
minat seseorang ini menghasilkan sebuah data yang dapat dimanfaatkan contohnya dalam hal
pemasaran suatu produk. Banyak perusahaan besar di dunia seperti Amazon, Ebay, Youtube
yang sudah mengimplementasikan sebuah sistem prediksi atau lebih dikenal dengan sistem
rekomendasi.
Dalam pengimplementasian sistem rekomendasi dapat dilakukan dengan pendekatan Memorybased
Collaborative Filtering. Metode Memory-based Collaborative Filtering bekerja dengan
mengumpulkan informasi mengenai aktivitas yang dilakukan pengguna yang nantinya informasi
tersebut akan disimpan dan digunakan sebagai penentu nilai kesamaan antar pengguna tersebut
dengan pengguna lainya atau yang biasa disebut similaritas. Nilai similaritas tersebutlah yang
nantinya akan diproses sebagai acuan dalam pemberian rekomendasi. Pada pengimplementasian
Metode Memory-based Collaborative Filtering terdapat beberapa tantangan yaitu cold-start
dan juga scalability. Tantangan-tantangan tersebut memiliki pengaruh cukup besar dalam
pemrosesan rekomendasi yang dilakukan.
Pada skripsi ini, telah dibangun perangkat lunak untuk sistem rekomendasi alat musik gitar
dan aksesoris gitar yang mengimplementasikan metode Memory-based Collaborative Filtering.
Sistem rekomendasi yang dibangun berjumlah dua sistem, yaitu sistem pertama yang dibangun
tanpa menangani masalah scalability dan sistem kedua yang menangani masalah scalability.
Untuk masalah cold-start kedua sistem pada skripsi ini sudah dibangun dengan menangani
masalah tersebut. Eksperimen pada skripsi ini dilakukan menggunakan beberapa data yang
didapatkan dari website https://www.kaggle.com. Eksperimen yang dilakukan pada skripsi
ini bertujuan untuk mengetahui keakuratan dari sistem rekomendasi yang dibuat dan juga
pengaruh penambahan pengguna bagi proses pemberian sistem rekomendasi. Hasil eksperimen
yang didapatkan dari eksperimen yang dilakukan pada skripsi ini menunjukan bahwa Algoritma
Memory-based Collaborative Filtering dapat memberikan rekomendasi berdasarkan aktivitas
pengguna dan penanganan kekurangan dari Algoritma Memory-based Collaborative Filtering
menunjukan hasil yang dapat menangani tantangan-tantangan tersebut.