Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Rasman, Kharis Kurniawan
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Sistem Rekomendasi Buku Menggunakan Algoritma Use-Based Collaborative Fitltering Rasman, Kharis Kurniawan; Akbar, Muhammad Faizi; Sinaga, Zeksen Michael Rivaldo
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.5675

Abstract

Perkembangan teknologi informasi telah mengubah cara masyarakat mengakses buku melalui perpustakaan digital dan toko buku online yang menyediakan jutaan koleksi. Namun, banyaknya pilihan buku menyebabkan pengguna mengalami kesulitan dalam menemukan buku yang sesuai dengan minat mereka, fenomena yang dikenal sebagai information overload. Sistem rekomendasi menjadi solusi untuk mengatasi permasalahan tersebut dengan menyarankan buku berdasarkan preferensi dan perilaku pengguna. Penelitian ini bertujuan merancang dan mengimplementasikan sistem rekomendasi buku menggunakan algoritma user-based collaborative filtering yang dapat memberikan rekomendasi akurat dan personal. Metode penelitian menggunakan pendekatan kualitatif deskriptif dengan memanfaatkan dataset Book-Crossing yang terdiri dari 92.107 pengguna aktif dan 45.678 buku. Implementasi dilakukan dengan membandingkan tiga metrik kesamaan yaitu cosine similarity, Pearson correlation, dan Jaccard similarity, serta optimasi parameter k-nearest neighbors. Hasil penelitian menunjukkan bahwa Pearson correlation dengan k=20 menghasilkan performa terbaik dengan nilai MAE sebesar 0.82, RMSE sebesar 1.15, precision@10 sebesar 0.68, dan recall@10 sebesar 0.52. Sistem yang dikembangkan mengungguli metode baseline dengan peningkatan akurasi hingga 34% dan berhasil menangani cold start problem dengan coverage mencapai 98%. Analisis kualitas rekomendasi menunjukkan tingkat relevansi 78%, diversity score 0.72, dan novelty score 65%. Penelitian ini membuktikan bahwa user-based collaborative filtering efektif untuk sistem rekomendasi buku dan memiliki potensi implementasi pada perpustakaan digital atau platform baca buku online di Indonesia untuk meningkatkan pengalaman pengguna dan mendorong budaya literasi masyarakat.
Co-Authors Akbar, Muhammad Faizi Sinaga, Zeksen Michael Rivaldo