ABSTRAKSI: Recommender system merupakan sebuah sistem yang dapat digunakan untuk memprediksi sebuah items berdasarkan informasi yang diperoleh dari user, sehingga didapatkan rekomendasi berdasarkan profil penggunanya. Collaborative filtering merupakan teknik yang umum digunakan dalam recommender system akan tetapi hanya sedikit yang membahas tentang concept drift. Recent rating dari user lebih mencerminkan preferensi yang akan datang dibandingkan data rating yang lama
Tugas akhir ini menganalisis akurasi prediksi rating yang dihasilkan oleh recommender system setelah diimplementasikan algoritma recency-based collaborative filtering yang menggunakan pembobotan berdasarkan recent rating. Data yang digunakan adalah data set movielens. Parameter yang digunakan dalam analisis adalah parameter Alpha dan jumlah neighborhood. Selain itu, tugas akhir ini juga menganalisis kesesuaian hasil rekomendasi dengan genre dari items yang direkomendasikan.
Akurasi prediksi yang dihasilkan oleh algoritma recency-based collaborative filtering lebih besar dibandingkan dengan classic collaborative filtering. Performansi terbaik terjadi saat jumlah neighborhood sama dengan jumlah kecenderungan user dalam merating items. Hasil rekomendasi pada algoritma recency-based collaborative filtering pada recommender system menunjukkan ketidaksesuaian antara genre items hasil rekomendasi dengan genre items yang telah diberi rating oleh active user.
Kata Kunci : recommender system, collaborative filtering, concept drift, recentABSTRACT: Recommender System is a system that can be used to predict items-based on information obtained from users. Collaborative filtering is a common technique used in recommender system, but few of it are discussing about the concept drift. Recent rating reflect user preferences more than older rating.
This final task analyzing the prediction ratings generated by the recommender system was implemented recency-based collaborative filtering using a weighting based on the recent rating. Data is used data from movielens. The parameter used in analysis is alpha and number of neighborhood. In addition, this final task is to analyze the suitability of recommendations to genre of the recommended items.
Accuracy of prediction algorithms generated by the recency-based collaborative filtering larger than the classic collaborative filtering. The best performance occurs when the number of neighborhood equal with the number of trends in user rate the items. Result of recommendations with recency algorithmbased collaborative filtering in recommender systems showed a discrepancy between the recommended items genres with genres items that have been rated by the active user.
Keyword: recommender system, collaborative filtering, concept drift, recent