<![CDATA[Sistem pembelajaran secara online telah berkembang dengan pesat seiring dengan perkembangan teknologi internet dan aplikasi mobile. Konten pembelajaran sangat banyak dan mudah didapatkan di internet. Permasalahan yang dihadapi oleh siswa adalah kebingungan siswa untuk memilih materi yang relevan dan diperlukan dari sekian banyak materi yang ada. Penelitian ini menawarkan solusi system rekomendasi materi pembelajaran dimana rekomendasi diartikan sebagai sebuah saran yang menganjurkan untuk dilakukan. Rekomendasi berfungsi untuk membantu pengguna memilih sesuatu yang paling mirip dengan apa yang sedang di cari. Ada beberapa cara rekomendasi yang diberikan antara lain jumlah rating, jumlah kesamaan nama, jumlah view dan lain sebagainya. Dalam memberikan rekomendasi, penelitian ini menggunakan metode collaborative filtering, Collaborative filter memiliki 3 cara pemberian rekomendasi yaitu memory based (berdasarkan rating yang diberikan user lain), model based (berdasarkan kemiripan sumber data) dan gabungan keduanya menjadi hybrid recommendation system bertujuan untuk mengatasi kelemahan yang muncul pada kedua kategori sebelumnya. Penelitian ini menekankan pada hybrid recommendation system, yaitu menggabungkan antara memory based dan model based. Dalam menghitung nilai memory based digunakan algoritma cosine similarity, sedangkan untuk model based digunakan algoritma simple addictive weight (SAW). Dalam pembobotan SAW digunakan 0.571 untuk kemiripan dan 0.429 untuk nilai rating yang diperoleh dari hasil quisioner. Hasil yang diperoleh dari penelitian ini menunjukkan bahwa dalam menghitung nilai similarity harus menentukkan nilai vektor masing-masing pelajaran dengan mencari nilai kemunculan kata/term frekuensi (tf), dokument frekuensi (df), dan inverse dokument frekuensi(idf). Setelah menemukan nilai vektor maka dilakukan pencarian kemiripan dengan cosine similarity. Hasil similarity kemudian bandingkan dengan rating masingmasing untuk dirangking dengan SAW sesuai dengan bobot masing-masing. Dari tersebut maka diperoleh pelajaran yang direkomendasikan. Batas nilai yang direkomendasikan adalah 0.4. Penelitian ini memberikan rekomendasi sesuai dengan tingkat kemiripan judul dan juga rating tertinggi Dengan diberikan nilai batas maka pelajaran yang memiliki kemiripan nama tidak akan selalu di tampilkan, karena nilai rating pelajaran tersebut ratingnya rendah.]]>
