Perbandingan Cosine Similarity dan Euclidean Distance pada Sistem Rekomendasi Buku dengan Metode Item-based Collaborative Filtering

Cosine Similarity and Euclidean DIstance Comparison in The Book Recommendation System with The Item-based Collaboration Method

Sistem rekomendasi merupakan metode penyaringan informasi menggunakan teknik analisis data untuk membantu pengguna menemukan item yang diinginkan. Salah satu metode yang digunakan pada sistem rekomendasi yaitu Item-based Collaborative Filtering. Metode ini merupakan teknik untuk menghitung nilai item similarity. Algoritma yang dapat digunakan untuk menghitung nilai item similarity, yaitu Cosine Similarity dan Euclidean Distance. Permasalahannya yaitu belum diketahui algoritma item similarity yang lebih akurat antara hasil rekomendasi menggunakan Cosine Similarity dan Euclidean Distance. Tujuan dari penelitian ini yaitu untuk mengetahui algoritma item similarity mana yang lebih akurat antara Cosine Similarity dan Euclidean Distance. Dari hasil pengujian Mean Absolute Error (MAE) menggunakan K-Fold Cross Validation pada penelitian ini dapat disimpulkan bahwa rumus perhitungan Cosine Similarity mempunyai tingkat akurasi yang cukup baik yaitu 0.647352 dibandingkan dengan rumus perhitungan Euclidean Distance memilki nilai akurasi yaitu 0.676872 dengan skala MAE viii 0–1. Semakin kecil nilai MAE semakin tinggi akurasi prediksi yang dihasilkan. Hal ini menunjukan bahwa rumus perhitungan Cosine Similarity dapat menghasilkan rekomendasi yang lebih baik dari Euclidean Distance.

The recommendation system is a method of filtering information using data analysis techniques to help users find the desired item. One of the methods used in the recommendation system is Item-based Collaborative Filtering. This method is a technique to calculate the item similarity value. Algorithms that can be used to calculate the value of similarity items, namely Cosine Similarity and Euclidean Distance. The problem is that the item similarity algorithm that is more accurate is not known between the recommendations using Cosine Similarity and Euclidean Distance. The purpose of this research is to find out which item similarity algorithm is more accurate between Cosine Similarity and Euclidean Distance. From the results of the Mean Absolute Error (MAE) test using K-Fold Cross Validation in this study, it can be concluded that the Cosine Similarity calculation formula has a fairly good level of accuracy with value of 0.647352 compared to the Euclidean Distance calculation formula, which has an accuracy value of 0.676872 with an MAE scale of 0-1. The smaller the MAE value, the higher the prediction accuracy x produced. This shows that the Cosine Similarity calculation formula can produce better recommendations than Euclidean Distance.