Dengan berkembangnya teknologi yang pesat dan informasi yang berukuran besar, tentunya pengguna mengalami kesulitan ketika akan mencari informasi. Maka dari itu dibutuhkan sebuah sistem rekomendasi yang dapat memberikan informasi yang relevan dengan pengguna. Collaborative Filtering (CF) adalah salah satu pendekatan yang sering digunakan dalam sistem rekomendasi. CF biasanya digunakan untuk mengatasi permasalahan sparsity. Sparsity adalah keadaan dimana terdapat banyaknya data atau nilai rating yang kosong. Pendekatan CF memiliki tiga kategori yaitu memory-based, model-based, dan hybrid. Tentunya dari beberapa kategori itu memiliki beberapa kelemahan, seperti memory-based yang memberikan akurasi yang kurang optimal ketika menggunakan dataset sparsity. Tujuan penelitian ini adalah mengatasi permasalahan sparsity menggunakan CF yang menerapkan Non-Negative Matrix Factorization (NMF) dan Fuzzy C-Means Clustering (FCM). NMF digunakan sebagai pengurangan dimensi dengan nilai optimal dimensi (optimal 'k') dan mempertahankan nilai positif. FCM digunakan sebagai pengelompokan antara pengguna aktif dengan pengguna lainnya yang berada dalam satu kelompok. Pada penelitian ini, akan menggunakan metrik evaluasi Normalized Discounted Cumulative Gain (NDCG) yang digunakan untuk mengetahui hasil evaluasi dari pendekatan yang diusulkan. Berdasarkan skenario pengujian yang dilakukan untuk mangatasi masalah data sparsity, menghasilkan nilai NDCG@10=0,0755 atau 7,55%. Pendekatan CF yang menerapkan NMF dan FCM menunjukkan hasil yang lebih baik dibandingkan metode Item-based Collaborative Filtering (IBCF) dengan rata-rata kenaikan akurasi NDCG=31,41%, maksimal NDCG=40,17% dan minimal NDCG=20,28%.

Rapid development of technology and large-sized of information, users have difficulty when searching for some information. Therefore a recommendation system that can provide information relevant to the user is needed. Collaborative Filtering (CF) is one approach that is often used in recommendation systems. CF is usually used to overcome sparsity problems. Sparsity is a condition where there is a lot of data or rating values that are empty. The CF approach has three categories namely memory-based, model-based, and hybrid. Some of these categories have some disadvantages, such as memory-based which provides less than optimal accuracy when using sparsity datasets. The purpose of this study is to overcome the problem of sparsity using CFs that apply Non-Negative Matrix Factorization (NMF) and Fuzzy C-Means Clustering (FCM). NMF is used as a reduction of dimensions with an optimal dimension value (optimal 'k') and maintaining a positive value. FCM is used as a grouping between active users and other users who are in one group. In this study, Normalized Discounted Cumulative Gain (NDCG) evaluation metrics will be used to resolve the evaluation results of the proposed approach. Based on the test scenario carried out to resolve the sparsity data problem, the NDCG value = 10 = 0.0755 or 7.55%. The CF approach that applies NMF and FCM shows better results than the Item-based Collaborative Filtering (IBCF) method with an average increase in accuracy of NDCG = 31.41%, maximum NDCG = 40.17% and minimum NDCG = 20.28% .