Collaborative Filtering (CF) adalah model rekomendasi yang paling banyak digunakan dengan menghitung kemiripan antara pengguna dan item. Model ini mengasumsikan bahwa beberapa orang yang menyukai hal-hal yang sama cenderung juga sama-sama menyukai terhadap hal-hal yang lainnya, sehingga rekomendasi yang dihasilkan akan lebih bervariasi. Namun CF memiliki dua masalah utama, yaitu sparsity dan scalability. Untuk mengatasi sparsity, maka akan dilakukan pengisian matriks rating yang kosong dengan menggunakan perhitungan item similarity dan item attribute similarity. Kemudian menyelesaikan masalah scalability dengan menerapkan Fuzzy C-Means clustering sehingga proses perhitungan hanya mengolah item yang benar-benar serupa dalam cluster yang sama. Dari implementasi sistem yang telah dilakukan, permasalahan sparsity mampu diselesaikan dengan perhitungan gabungan similaritas antara item similarity dan item attribute similarity dengan tingkat kepadatan yang awalnya 5,04% menjadi 100%. Sedangkan masalah scalability mampu diselesaikan dengan penerapan Fuzzy C-Means clustering dengan waktu komputasi lebih cepat sekitar 25,74%. Berdasarkan nilai evaluasi f1-score, CF Clustering menghasilkan nilai evaluasi tertinggi sebesar 5,434 dan model CF Tradisional menghasilkan nilai evaluasi tertinggi sebesar 2,307. Hal tersebut menunjukkan bahwa dalam penelitian ini model CF Clustering menghasilkan rekomendasi yang lebih baik daripada model CF Tradisional.

Collaborative Filtering (CF) is the most widely used recommendation model by calculating similarities between users and items. This model assumes that some people who like the same things tend to be equally fond of other things, so the recommendations produced will be more varied. But CF has two main problems, namely sparsity and scalability. To overcome sparsity, an empty rating matrix will be filled using the calculation of item similarity and item attribute similarity. Then solve the scalability problem by applying Fuzzy C-Means clustering so that the calculation process only processes items that are really similar in the same cluster. From the implementation of the system that has been done, sparsity problems can be solved by calculating the combination of similarity between items similarity and item attribute similarity with a density level that initially 5.04% to 100%. While the scalability problem can be solved by applying Fuzzy C-Means clustering with faster computing time of around 25.74%. Based on the f1-score evaluation value, CF Clustering produces the highest evaluation value of 5.434 and the Traditional CF model produces the highest evaluation value of 2.307. This shows that in this study the CF Clustering model produced better recommendations than Traditional CF models.