ABSTRAKSI: Abstrak Jumlah informasi di web semakin meningkat sesuai dengan perkembangan informasi dan infrastruktur komunikasi sehingga menyebabkan terjadinya information overloaded, dimana user mendapat kesulitan jika ingin mendapatkan informasi yang benar-benar dibutuhkan. Recommender system merupakan solusi untuk mempermudah user mencari informasi yang dibutuhkan. Recommender system adalah sebuah sistem yang dapat memberikan rekomendasi berupa prediksi rating terhadap suatu item berdasarkan persamaan karakteristik user dalam memberikan informasi.
Tugas akhir ini mengimplementasikan recommender system berbasis memory-based collaborative filtering, dengan menerapkan algoritma Weighted Difference Entropy (WDE) yang digunakan untuk mengolah nilai similarity rating user. Tujuan tugas akhir ini adalah untuk menganalisis akurasi prediksi rating yang dihasilkan oleh recommender system setelah diimplementasikan algoritma WDE. Parameter yang digunakan didalam analisis adalah parameter bobot pada algoritma WDE, perbandingan training set dan test set serta ukuran neighborhood yang diukur dengan Mean Absolute Error.
Hasil pengujian menunjukkan bahwa akurasi prediksi yang dihasilkan Weighted Difference Entropy(WDE) semakin meningkat dengan bertambahnya jumlah co-rated items. Pada sparse dataset semakin besar ukuran neighborhood akurasi prediksi yang dihasilkan semakin buruk namun sebaliknya pada dense dataset akurasi prediksi yang dihasilkan semakin baik, nilai error semakin menurun seiring bertambahnya jumlah training set, pada sparse dataset parameter WDE(abs) menunjukkan nilai MAE terkecil sedangkan pada dense dataset parameter WDE(sqrt) yang menunjukkan nilai MAE terkecil.Kata Kunci : similarity, weighted difference entropy, collaborative filtering, entropy.ABSTRACT: The amount of information on the Web increasing according to the growth of information and communication infrastructure which resulted in overloaded information, where users have problem to get the information they really needed.
Recommender system is a solution to simplify user searches for information needed. Recommender system is a system that can provides content or items considering the tastes of individual user.
This final task implement recommender system based on memory-based collaborative filtering, by applying the Weighted Difference Entropy algorithm(WDE) for used to process user rating similarity value. The purpose of this final task is to analyze the prediction accuracy of ratings generated by the recommender system after implemented algorithm WDE. The parameters used in the analysis is the weighting parameter in the algorithm WDE, comparison of the training set and test set and neighborhood sizes as measured by the Mean Absolute Error.
The result show that the prediction accuracy produced by Weighted Difference Entropy(WDE) progressively increased with increasing number of co-rated items. On sparse datasets greater neighborhood size generated worse prediction accuracy but instead on dense datasets generate prediction accuracy improved, the value error decreased with increase in the number of training set, in sparse dataset parameters WDE(abs) show the smallest MAE values.Keyword: similarity, weighted difference entropy, collaborative filtering, entropy.