ABSTRAK Nama : Deni Lukmanul Hakim Program Studi : Magister Ilmu Komputer Judul : Pengaruh Kelengkapan Data Terhadap Explainable Recommender Systems Pembimbing : Fariz Darari S.Kom, M.Sc., PhD Sistem Rekomendasi merupakan bagian yang penting dalam membantu penggunanya untuk mendapatkan item yang paling sesuai di berbagai bidang, seperti kesehatan, transportasi, agrikultur, media, dan e-commerce. Pengembangan Explainable Recommender Systems dikatakan dapat memberikan nilai lebih dalam meningkatkan kepuasan pengguna. Berbagai riset telah dilakukan dalam pembuatan model untuk dapat memberikan solusi bagi permasalahan yang ada. Namun, studi mengenai kualitas data yang digunakan untuk membangun sistem rekomendasi yang explainable masih sulit ditemukan. Pada penelitian ini, peneliti menginvestigasi mengenai apakah kelengkapan (completeness) data yang digunakan dalam pembuatan Explainable Recommender Systems dapat mempengaruhi kualitas rekomendasi yang diberikan. Studi ini dilakukan dengan menggunakan dataset Yelp, MovieLens, dan Amazon. Peneliti melakukan training pada model Explainable Recommender Systems dalam berbagai kelengkapan data dengan mengurangi data rekam yang ada dan melakukan eliminasi features hingga mendapatkan kondisi Missing Completely Random (MCAR) & Missing at Random (MAR). Pada akhir penelitian, dilakukan evaluasi pada rekomendasi yang dihasilkan dengan menggunakan Root Mean Square Error (RMSE) untuk mengevaluasi rating dan Bilingual Evaluation Understudy (BLEU) & Recall-Oriented Understudy for Gisting Evaluation (ROUGE) untuk mengevaluasi keluaran explanation. Eksperimen kami disimpulkan dengan bahwa Pearson Correlation Coefficient sebagai hubungan korelasi antara kelengkapan data dan hasil evaluasi dari tiap eksperimen. Kami menemukan bahwa jenis data reduksi dan dataset yang berbeda menentukan level dari performa rating dan explanation. Kata kunci: kelengkapan; kualitas data; sistem rekomendasi; explainable