Sistem rekomendasi merupakan sebuah sistem yang dibuat dengan tujuan memberikan sebuah rekomendasi item kepada user. Salah satu model pendekatan sistem rekomendasi yang sering digunakan adalah Collaborative Filtering (CF), dengan pendekatan item-based. Model ini memberikan hasil rekomendasi yang cukup baik, namun item-based CF tidak memanfaatkan atribut item dalam perhitungan rekomendasinya. Penerapan atribut item dapat dilakukan dengan dua cara, yaitu dengan satu tahap permodelan dan dua tahap permodelan. Satu tahap permodelan menghasilkan kualitas rekomendasi tidak terlalu signifikan (kurang baik). Cara yang kedua adalah dua tahap permodelan, candidate rekomendasi dan tahap re-ordering. Misal, tahap candidate rekomendasi menggunakan pendekatan collaborative filtering, dan re ordering dilakukan content-basedatau naïve bayes. Pada penelitian sebelumnya sudah dilakukan penerapan candidate rekomendasi menggunakan collaborative filtering, dan re ordering dengan naive bayes pada data tagging menghasikan rekomendasi yang baik. Oleh sebab itu pada penelitian ini penulis mencoba menerapkan dua tahap permodelan candidate ranking dengan collaborative filtering, dan re-ordering menggunakan nave bayes. dengan study kasus movie atribut genre pada data explicit (2 dimensi) . Dari hasil percobaan mendapatkan nilai yang cukup baik, dengan kenaikan nilai akurasi yang dihasilkan metode evaluasi NDCG sebesar 40.94486%. Kata kunci: Sistem Rekomendasi, Item-Based Collaborative Filtering, Naive Bayes, NDCG, Probabilistic Ranking.

The recommendation system is a system created with the aim of providing a recommendation for items to the user . One model approach frequently used system recommendations are C ollaborative Filtering (CF), the item-based approach. Model this gives a pretty good recommendation, however item-based CF does not utilize item attributes in calculating its recommendations . The application of item attributes can be done with two way, that is with one modeling stage and two modeling stages . One stage modeling results in the quality of recommendations not being too significant (not good) . The second method is the two modeling stages, candidate recommendations and the re-ordering stage . For example, the candidate recommendation stage uses a collaborative filtering approach , and ordering is done content-based or naïve bayes . Previous research has been carried out candidate recommendation using collaborative filtering , and re-ordering with Naive Bayes on tagging data produces good recommendations .Therefore, in this study the author tried to apply two candidate modeling stages ranking with collaborative filtering , and re-ordering using nave bayes . with a case study of movie attribute genres in explicit data (2 dimensions ) . From the results of the experiment get a pretty good value, with an increase in the value of accuracy produced by themethod evaluation NDCG amounting to 40.94486%. Keywords : Recommendation Systems, Item-Based Collaborative Filtering , Naive Bayes, NDCG, Probabilistic Ranking .