SISTEM REKOMENDASI NOVEL BERBASIS KONTEN DENGAN METODE K-NEAREST NEIGHBOR (KNN) DAN BINARY PARTICLE SWARM OPTIMIZATION (BPSO)

Sistem rekomendasi novel saat ini kurang baik karena user masih sulit menemukan novel menarik dan hasil rekomendasi kurang sesuai dengan selera pengguna. Banyak user yang menyatakan rekomendasi berdasarkan sinopsis dapat membantu memilih novel untuk dibaca. Sistem rekomendasi berdasarkan sinopsis sudah dipakai saat ini tetapi hanya mempertimbangkan novel disukai user dan tidak mempertimbangkan novel tidak disukai. Untuk mengatasi permasalahan diatas, maka dimplementasikan sistem rekomendasi berdasarkan konten disukai dan tidak disukai user yang bekerja dengan mengklasifikasikan novel ke dalam kelompok novel disukai atau tidak disukai user dengan menghitung kesamaan fitur-fitur novel. Seleksi fitur sangat mempengaruhi akurasi klasifikasi, algoritma Binary Particle Swarm Optimization (BPSO) dan K-Nearest Neighbor (KNN) akan digunakan untuk seleksi fitur. Metode pengujian yang digunakan adalah black box testing dan pengujian akurasi rekomendasi dengan seleksi fitur dan tanpa seleksi fitur. Hasil pengujian akurasi rekomendasi dengan seleksi fitur menggunakan 20 data training adalah 47.5% sedangkan tanpa seleksi fitur adalah 57.5% dan hasil pengujian akurasi rekomendasi dengan seleksi fitur menggunakan 30 data training adalah 57.2% sedangkan tanpa seleksi fitur adalah 54.7% maka disimpulkan jika jumlah data training semakin banyak, rekomendasi dengan seleksi fitur memberikan rekomendasi yang lebih sesuai dengan selera user dari pada rekomendasi tanpa seleksi fitur.