Dosen: Muhammad Ichsan, M.Pd.
Disusun Oleh: Muhamad Fuadi Ma’suf (25157201032), Muhamad Nazril Saepulrohman (251572010023)
Bahasa Indonesia Program Studi Sistem Informasi STMIK Tazkia 2026
Kata Pengantar:
Puji syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa, karena atas rahmat dan karunia-Nya, penulis dapat menyelesaikan makalah berjudul “Analisis Sistem Rekomendasi Berbasis Collaborative Filtering” tepat pada waktunya.
ADVERTISEMENT
SCROLL TO RESUME CONTENT
Makalah ini disusun untuk memberikan pemahaman mendalam mengenai salah satu algoritma paling populer dalam dunia Data Science, yaitu Collaborative Filtering. Penulis berharap makalah ini dapat menjadi referensi bagi pembaca dalam memahami bagaimana teknologi personalisasi bekerja di platform digital saat ini.
Penulis menyadari bahwa makalah ini masih jauh dari sempurna. Oleh karena itu, kritik dan saran yang membangun sangat penulis harapkan demi perbaikan di masa mendatang. Semoga karya ini bermanfaat bagi perkembangan ilmu pengetahuan, khususnya di bidang informatika. Bogor, 15 Januari 2026
Daftar Isi
Kata Pengantar ……………………………………………………………………. ii
Daftar Isi …………………………………………………………………………… iii
Bab I Pendahuluan ……………………………………………………………….. 4
1.1 Latar Belakang …………………………………………………………… 4
1.2 Rumusan Masalah ……………………………………………………… 4
1.3 Tujuan ……………………………………………………………………….. 5
1.4 Manfaat …………………………………………………………………….. 5
Bab II Landasan Teori …………………………………………………………. 6
2.1 Definisi Collaborative Filtering …………………………………… 6
2.2 User-Item Matrix ……………………………………………………… 6
2.3 Ukuran Kemiripan (Similarity Measures) …………………….. 6
Bab III Metodologi dan Jenis Collaborative Filtering ……………… 7
3.1 User-Based Collaborative Filtering (UBCF) ……………….. 7
3.2 Item-Based Collaborative Filtering (IBCF) ………………. 7
3.3 Model-Based Collaborative Filtering ………………………….. 7
Bab IV Penutup …………………………………………………………………… 8
4.1 Kesimpulan ………………………………………………………………. 8
4.2 Saran ………………………………………………………………………. 8
Daftar Pustaka …………………………………………………………………. 10
Bab I Pendahuluan
1.1 Latar Belakang
Di era ledakan informasi saat ini, jumlah konten digital yang tersedia di internet meningkat secara eksponensial. Pengguna sering kali dihadapkan pada ribuan pilihan, baik itu produk di e-commerce, film di platform streaming, maupun artikel berita. Fenomena ini disebut information overload, di mana pengguna kesulitan menemukan informasi yang relevan.
Sistem rekomendasi hadir sebagai solusi cerdas untuk mengatasi masalah ini. Dengan memanfaatkan data historis dan algoritma cerdas, sistem ini mampu menyaring informasi dan menyajikan saran yang dipersonalisasi kepada pengguna.
Salah satu metode paling sukses adalah Collaborative Filtering.
Berbeda dengan metode tradisional yang mengandalkan deskripsi item secara manual, Collaborative Filtering bekerja lebih “manusiawi” dengan memanfaatkan perilaku kolektif komunitas pengguna untuk memprediksi minat individu. Keberhasilan platform seperti Netflix, Amazon, dan YouTube tidak lepas dari keakuratan algoritma ini.
1.2 Rumusan Masalah
Apa yang dimaksud dengan sistem rekomendasi berbasis Collaborative Filtering?
Bagaimana mekanisme kerja algoritma User-based dan Item-based dalam memberikan rekomendasi?
Apa kelebihan dan kekurangan metode ini dibandingkan metode lainnya?
1.3 Tujuan
Menjelaskan konsep dasar dan teori di balik Collaborative Filtering.
Memberikan gambaran mengenai cara kerja perhitungan kemiripan (similarity) dalam sistem rekomendasi.
Menganalisis efektivitas dan tantangan teknis implementasi Collaborative Filtering.
1.4 Manfaat
Makalah ini diharapkan memberikan wawasan bagi mahasiswa dan pengembang perangkat lunak dalam memahami mesin personalisasi sehari-hari, serta menjadi dasar bagi penelitian lebih lanjut di bidang Machine Learning dan Data Science.
Bab II Landasan Teori
2.1 Definisi Collaborative Filtering
Collaborative Filtering adalah teknik dalam sistem rekomendasi yang memprediksi minat pengguna dengan mengumpulkan preferensi dari banyak pengguna lain. Asumsi dasarnya: jika dua orang memiliki kesamaan pada satu isu, besar kemungkinan mereka akan sejalan pada isu lain.
2.2 User-Item Matrix
Matriks ini merepresentasikan hubungan antara pengguna (baris) dan item (kolom). Nilai sel matriks dapat berupa:
Explicit Feedback: rating bintang, skor angka.
Implicit Feedback: riwayat klik, durasi menonton, atau riwayat pembelian.
2.3 Ukuran Kemiripan (Similarity Measures)
Untuk menentukan kemiripan antar pengguna atau item:
Cosine Similarity: mengukur sudut antara dua vektor di ruang multidimensi.
Pearson Correlation: mengukur kekuatan hubungan linier antar variabel.
Bab III Metodologi dan Jenis Collaborative Filtering
3.1 User-Based Collaborative Filtering (UBCF)
UBCF mencari “tetangga” (neighbors) yang memiliki pola rating mirip dengan pengguna target.
Proses: Mencari pengguna mirip → Mengidentifikasi item yang disukai → Merekomendasikan ke pengguna target.
3.2 Item-Based Collaborative Filtering (IBCF)
IBCF fokus pada kemiripan antar item. Jika pengguna menyukai Item A, sistem mencari Item B yang juga sering disukai oleh orang yang menyukai Item A.
Keunggulan: Lebih stabil karena hubungan antar item tidak berubah secepat selera pengguna.
3.3 Model-Based Collaborative Filtering
Pendekatan berbasis model menggunakan algoritma Machine Learning seperti Matrix Factorization (SVD) untuk memecah matriks besar menjadi komponen lebih kecil.
Bab IV Penutup
4.1 Kesimpulan
Collaborative Filtering efektif dalam memberikan rekomendasi personal tanpa memahami karakter fisik item secara mendalam.
Efektivitas CF bergantung pada kualitas dan kuantitas data interaksi. Data lebih banyak → prediksi lebih akurat.
CF unggul dalam rekomendasi yang tidak terduga (serendipity), namun menghadapi tantangan Cold Start Problem dan Sparsity.
4.2 Saran
Sistem Hybrid: Gabungkan dengan Content-based Filtering untuk mengatasi keterbatasan data.
Eksplorasi Deep Learning: Gunakan Neural Networks atau Deep Learning untuk meningkatkan akurasi pada dataset besar.
Privasi Data: Pastikan data dianonimkan agar menjaga kepercayaan pengguna.
Daftar Pustaka
Aggarwal, C. C. (2016). Recommender Systems: The Textbook. Springer International Publishing.
Ekstrand, M. D., Riedl, J. T., & Konstan, J. A. (2011). Collaborative Filtering Recommender Systems. Foundations and Trends in HCI, 4(2), 81–173.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann.
Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender Systems: An Introduction. Cambridge University Press.
Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix Factorization Techniques for Recommender Systems. Computer, 42(8), 30–37.
Linden, G., Smith, B., & York, J. (2003). Amazon.com Recommendations: Item-to-Item Collaborative Filtering. IEEE Internet Computing, 7(1), 76–80.
Prasetyo, E. (2014). Data Mining: Mengolah Data Menjadi Informasi Menggunakan Matlab. Andi Offset.
Ricci, F., Rokach, L., & Shapira, B. (2015). Recommender Systems Handbook. Springer US.
Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-based Collaborative Filtering Recommendation Algorithms. Proceedings of the 10th WWW Conference, 285–295.
Turban, E., Sharda, R., & Delen, D. (2014). Business Intelligence and Analytics: Systems for Decision Support (10th ed.). Pearson Education.
Kampus: STIMIK TAZKIA
Pembuat:-FUADI DAN NAZRIL
