Di kota besar seperti Jakarta, Bandung, Surabaya, dan lainnya, kebutuhan akan tempat tinggal memiliki peranan sangat penting ketika menunjang kebutuhan bisnis. Contoh kebutuhan bisnis itu sendiri adalah tempat bekerja, berdagang dan sebagainya. Meskipun demikian, kebutuhan akan rumah atau tempat tinggal dikota besar seperti Jakarta dan sekitarnya sulit untuk menentukan lokasi. Hal ini menjadi alasan agar setiap orang ingin terbebas dari kemacetan. Disamping itu, lahan di Jakarta sangat terbatas, sehingga sebagian orang akan memilih lokasi di sekitar kota Jakarta seperti Tangerang, Bekasi, Depok, dan Bogor. Sistem rekomendasi akan membantu merekomendasikan kepada pencari tempat tinggal agar mudah mencarinya. Oleh sebab itu, didalam penelitian ini akan membuat sistem rekomendasi dengan menggunakan metode Collaborative Filtering. Hasil penelitian ini menunjukan bahwa hasil prediksi rating setiap developer untuk masing-masing pengguna dengan menggunakan metode collaborative filtering kurang efektif. Hal tersebut menunjukan bahwa semakin banyak jumlah data yang digunakan dan jika terdapat pengguna yang belum pernah merating, maka sistem yang dihasilkan relatif tidak akurat dan menghasilkan rekomendasi yang tidak efektif.
Kata kunci: Sistem Rekomendasi, Rumah, Collaborative Filtering, Merating, Kredit

Abstract. A large city such as Jakarta, Bandung, Surabaya, and others, the need for somewhere to stay has a very important role when supporting business needs. For Examples of business requirement itself is a place of work, trade and so on., However, the need for home or place of residence big cities like Jakarta and surrounding areas is difficult to determining the location. This is the reason that everyone wants to be free from congestion. In addition, the land in Jakarta is very limited, so most people will choose locations around the city such as Tangerang Jakarta, Bekasi, Depok, and Bogor. Recommendation system will help recommend searching; so that you can easily look for somewhere to stay. Therefore, in this study will make a recommendation system using Collaborative Filtering. These results indicate that the predicted outcome rating of each developer for each user by using collaborative filtering methods are less effective. It shows that the more the amount of data used and if there are users who have never rate a, then the resulting system is relatively inaccurate and resulted in a recommendation that is not effective.
Keywords: Recommendation System, House, Collaborative Filtering, rate a, Credit