Implementasi Algoritma K-Nearest Neighbors Pada Sistem Rekomendasi Buku Menggunakan Teknik Collaborative Filtering

Abstract

Sistem rekomendasi merupakan suatu sistem atau teknik yang merekomendasikan produk, layanan, atau entitas tertentu. Sistem rekomendasi telah banyak digunakan oleh hampir setiap kalangan, misalnya pada industri sistem rekomendasi adalah alat penting untuk meningkatkan pengalaman pengguna dan mempromosikan penjualan atau layanan. Sistem rekomendasi tidak merekomendasikan item secara spesifik, namun merekomendasikan sejumlah item yang mungkin cocok dengan preferensi pengguna berupa “top-N” recommendation. Teknik Collaborative Filtering adalah teknik yang memberikan rekomendasi berdasarkan rating, dan pada penelitian ini menggunakan item-based. Algoritma K-Nearest Neighbors merupakan salah satu algoritma yang dapat digunakan untuk memberikan rekomendasi pada sistem rekomendasi. Penelitian ini menggunakan Mean Absolute Error (MAE) sebagai parameter untuk mengukur error. Data yang digunakan pada penelitian ini adalah data buku sebagai studi kasus. Hasil pengujian ini menghasilkan nilai MAE terkecil pada K = 26 yaitu sebesar 0,42. Hasil pengujian ini juga menunjukkan bahwa nilai K akan mempengaruhi waktu eksekusi untuk memberikan rekomendasi. Model ini berhasil memberikan rekomendasi buku pada pengguna. Hal ini membuktikan bahwa Implementasi Algoritma K-Nearest Neighbors pada Sistem Rekomendasi Buku Menggunakan Teknik Collaborative Filtering berhasil memberikan rekomendasi buku kepada pengguna dengan error yang rendah. Untuk selanjutnya, sistem rekomendasi ini dapat digunakan pada studi kasus lainnya, baik menggunakan data primer maupun menggunakan data sekunder yang memiliki atribut rating pada datasetnya. A recommendation system is a system or technique that recommends a particular product, service, or entity that has been widely used. In the industrial sector, recommendation systems are an important tool to improve user experience and promote sales or services. The appliance recommends specific items instead a number of items that may match the user's preferences as "top-N" recommendations. In this study investigated the item-based data, the collaborative filtering technique was employed to provide recommendations based on ratings. Moreover, this study also supported the K-Nearest Neighbors as one of the algorithms to present the recommendations in a system. Mean Absolute Error (MAE) is used as the parameter to measure error, while the data used in this research is book data as a case study. The results of this test produce the smallest MAE value at K = 26, as much as 0.42. The research also pointed out that the value of K will affect the execution time to provide recommendations. This model is successful in providing book recommendations to users. This proves that the implementation of the K-Nearest Neighbors Algorithm on a Book Recommendation System Using Collaborative Filtering Techniques has succeeded in providing book recommendations to users with low errors. Henceforth, this recommendation system can be used in other case studies, either primary data or secondary data which have a rating attribute in the dataset.