Rekomendasi Non-Personalized Rekomendasi Demographic

Pada metode ini akan diketahui nilai similaritas antar item dengan tingkat persebaran rating kecil dan nilai similaritas antar item cenderung lebih jarang berubah dibandingkan dengan nilai similaritas antar pengguna. Item-based collaborative filtering melakukan similaritas dengan membentuk suatu model similaritas secara offline yang secara otomatis akan menghemat waktu dan memori yang digunakan untuk perhitungan pada saat pengguna mengakses halaman situs. Berikut merupakan tabel metode rekomendasi collaborative filtering: Tabel 2. 1 Tabel collaborative-based recommendation Metode Algoritma yang digunakan Kelebihan Kekurangan Collaborative -based a. Nearest neighbor b. Clustering c. Teori Graph d. Linier regression e. Jaringan Neural 1. Domain pengetahuan tidak dibutuhkan 2. Dengan pemberian rating, pengguna dapat membuat prediksi berdasarkan rating sebelumnya a. Kualitas bergantung pada historical kumpulan data b. Jika terdapat item baru dalam basis data tidak dapat direkomendasikan sampai pengguna lain berminat pada item tersebut c. Poor recommendation, jika terdapat pengguna yang memiliki selera yang berbeda dan tidak ada pengguna yang lain yang dikatakan mirip dengan pengguna tersebut, sehingga tidak dapat menghasilkan suatu rekomendasi

2.2.14.4 Item Based Collaborative Filtering

Item-based collaborative filtering memanfaatkan rating user atau data transaksi untuk membuat rekomendasi. Teknik ini akan mencari korelasi diantara item-item yang dipilih user kemudian merekomendasikan item-item yang berkorelasi itu pada user lain. Pada awalnya, item-based collaborative filtering akan menghitung nilai kemiripan antara item yang satu dengan item yang lainnya berdasarkan rating yang diberikan oleh user. Nilai kemiripan antara dua item itu didapat dengan menghitung rating kedua item tersebut menggunakan rumus Pearson Correlation atau Adjusted-Cosine. Persamaan Pearson Correlation :