Perkembangan teknologi mobile telah menghasilkan ribuan aplikasi dengan beragam fungsi, sehingga pengguna sering mengalami kesulitan dalam memilih aplikasi yang sesuai dengan kebutuhan mereka. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi aplikasi mobile menggunakan metode Collaborative Filtering. Metode ini bekerja dengan menganalisis data interaksi pengguna, seperti rating dan ulasan, untuk menemukan pola kesamaan antar pengguna maupun antar aplikasi.
Penelitian dilakukan dengan pendekatan kuantitatif eksperimental menggunakan data rating aplikasi mobile. Algoritma user-based collaborative filtering dan item-based collaborative filtering diimplementasikan, kemudian dievaluasi menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa pendekatan item-based collaborative filtering memiliki akurasi lebih tinggi dibandingkan user-based collaborative filtering.
Temuan ini sejalan dengan penelitian Rabbani dkk. (2023) dan Gupta & Dave (2020) yang menekankan efektivitas metode item-based collaborative filtering dalam meningkatkan relevansi rekomendasi. Penelitian ini juga mengidentifikasi tantangan utama berupa masalah cold start dan sparsity, yang dapat diatasi dengan pendekatan model-based collaborative filtering atau sistem rekomendasi hybrid.
Dengan demikian, penelitian ini memberikan kontribusi terhadap pengembangan sistem rekomendasi aplikasi mobile yang lebih adaptif, akurat, dan mampu meningkatkan kepuasan pengguna.
You may also start an advanced similarity search for this article.