<![CDATA[Perkembangan teknologi informasi telah mendorong hadirnya platform baca digital seperti Google Books dan Gramedia Digital yang menyediakan ribuan pilihan buku. Namun, kelimpahan informasi ini menimbulkan tantangan information overload yang membuat pengguna kesulitan menemukan buku sesuai minat. Permasalahan utama adalah metode Collaborative Filtering konvensional memiliki akurasi rendah (53%) pada data dengan sparsity tinggi dan mengalami cold start problem untuk pengguna baru. Penelitian ini bertujuan menerapkan metode Collaborative Filtering berbasis Singular Value Decomposition (SVD) untuk meningkatkan akurasi sistem rekomendasi buku. Metode SVD dipilih karena kemampuannya mengekstrak latent factors dari user-item matrix untuk menemukan pola tersembunyi. Pendekatan penelitian bersifat kuantitatif dengan metode eksperimen menggunakan dataset Book-Crossing dari Kaggle (271.360 buku, 278.858 pengguna, 383.842 rating). Sistem dikembangkan menggunakan Python dengan pustaka NumPy, Pandas, dan Surprise. Evaluasi menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) menunjukkan nilai RMSE 0.7209 dan MAE 0.5588, mengindikasikan tingkat kesalahan prediksi rendah dan peningkatan akurasi signifikan. Kontribusi penelitian adalah implementasi pure SVD yang terbukti efektif mengatasi data sparsity dan menghasilkan rekomendasi personal lebih akurat. Sistem berupa prototype aplikasi web AMBACA mampu memberikan 12 rekomendasi buku berdasarkan 5 rating awal pengguna]]>
Copyrights © 2026
