Electronic Theses and Dissertation

Perkembangan teknologi informasi mendorong meningkatnya kebutuhan terhadap sistem rekomendasi untuk membantu pengguna menemukan item yang sesuai dengan preferensinya. Penelitian ini bertujuan mengimplementasikan metode Singular Value Decomposition (SVD) yang dikombinasikan dengan pendekatan Item-Based Collaborative Filtering (IBCF) pada sistem rekomendasi buku menggunakan dataset Goodbooks-10k. Data yang digunakan berupa data rating pengguna terhadap buku yang diperoleh dari Kaggle. Tahapan penelitian meliputi pra-pemrosesan data, pembentukan matriks user–item, normalisasi rating, pengisian nilai kosong dengan nol, penerapan SVD untuk ekstraksi faktor laten, perhitungan kemiripan antar item menggunakan cosine similarity, prediksi rating dengan weighted sum, penyusunan rekomendasi top-N, serta evaluasi model menggunakan metrik RMSE dan MAE. Hasil penelitian menunjukkan bahwa model yang diimplementasikan mampu melakukan prediksi rating dengan tingkat kesalahan yang relatif rendah, yaitu memperoleh nilai RMSE sebesar 0,8571 dan MAE sebesar 0,5914 dengan parameter jumlah faktor laten k = 1000, dan jumlah tetangga terdekat n = 10. Sistem berhasil menghasilkan lima rekomendasi buku teratas bagi setiap pengguna berdasarkan pola preferensi laten. Meskipun sparsity data yang tinggi menyebabkan beberapa prediksi cenderung seragam, pendekatan ini efektif menangani matriks interaksi yang jarang. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem rekomendasi berbasis Collaborative Filtering.

Kata Kunci: Sistem Rekomendasi, Singular Value Decomposition, Item-Based Collaborative Filtering, Prediksi Rating, Buku.

The advancement of information technology has increased the need for recommendation systems to help users find items aligned with their preferences. This study aims to implement Singular Value Decomposition (SVD) combined with Item-Based Collaborative Filtering (IBCF) in a book recommendation system using the Goodbooks-10k dataset. The data consists of user ratings obtained from Kaggle. The research process includes data preprocessing, user-item matrix construction, rating normalization, imputing missing values with zeros, applying SVD for latent factor extraction, calculating item similarity using cosine similarity, predicting ratings via weighted sum, generating top-N recommendations, and evaluating the model using RMSE and MAE metrics. Results indicate that the implemented model achieves relatively low prediction errors, yielding an RMSE of 0,8571 and an MAE of 0,5914, with k = 1000 latent factors and n = 10 nearest neighbors. The system successfully generates the top five book recommendations for each user based on latent preference patterns. Although high data sparsity leads to some uniform predictions, the approach effectively handles sparse interaction matrices. This research is expected to serve as a reference for developing collaborative filtering-based recommendation systems. Keyword: Recommendation System, Singular Value Decomposition, Item-Based Collaborative Filtering, Rating Prediction, Book.