Publisher

ILMUBERSAMAILMUBERSAMA

Journal Hello World Jurnal Ilmu KomputerHello World Jurnal Ilmu Komputer Abstract

Meningkatnya jumlah konten film dan drama di platform streaming digital seperti VIU menyebabkan pengguna kesulitan dalam menemukan tontonan yang sesuai dengan preferensi mereka. Untuk mengatasi masalah tersebut, penelitian ini mengembangkan sistem rekomendasi film berbasis Collaborative Filtering menggunakan pendekatan Matrix Factorization dengan algoritma Singular Value Decomposition (SVD). Sistem ini memanfaatkan data rating pengguna terhadap film untuk memprediksi kemungkinan ketertarikan pengguna terhadap film lain yang belum ditonton. Dalam penelitian ini, Data yang digunakan meliputi 100 data pengguna, 30 data film, dan 10 data prediksi rating hasil dari model. Sistem memungkinkan pengguna memasukkan ID untuk melihat daftar film yang direkomendasikan secara khusus. Selain itu, evaluasi dilakukan menggunakan metrik klasifikasi (accuracy bernilai 0.8, precision bernilai 1.0, recall bernilai 0.6667, dan F1-score bernilai 0.8) serta Mean Absolute Error (MAE) untuk mengetahui tingkat akurasi sistem bernilai 0.4551. Hasilnya menunjukkan bahwa sistem dapat memberikan rekomendasi yang cukup sesuai dengan preferensi pengguna.

Conclusion

Berdasarkan hasil dari penelitian dan implementasi sistem rekomendasi film menggunakan metode Matrix Factorization (MF) serta evaluasi menggunakan Mean Absolute Error (MAE) dan confusion matrix, dapat disimpulkan beberapa hal berikut.Sistem rekomendasi berhasil memberikan prediksi rating film kepada pengguna berdasarkan pola penilaian sebelumnya yang diperoleh dari matriks user-item.Tingginya tingkat sparsity menunjukkan bahwa sebagian besar pengguna belum memberi rating pada banyak film.Hal ini menyebabkan akurasi sistem rekomendasi bisa menurun.Untuk mengatasi kondisi ini, Matrix Factorization dengan teknik SVD digunakan karena mampu mengenali pola tersembunyi dan tetap memberikan prediksi yang baik meskipun data tidak lengkap.Model yang dibangun dengan teknik Matrix Factorization dapat memprediksi nilai rating dengan tingkat akurasi yang cukup baik, yang ditunjukkan oleh nilai MAE bernilai 0.4551 tidak begitu jauh dengan nilai MAE yang pengerjaannya manual yang bernilai 0,527 yang relatif rendah dan metrik evaluasi klasifikasi (seperti accuracy bernilai 0.8) yang berada pada kisaran yang memuaskan.Matrix Factorization (SVD) lebih akurat dibandingkan metode berbasis memori, dengan MAE rendah (0.SVD tetap efektif meski data rating tidak lengkap, karena mampu mengenali pola laten antar pengguna dan item.

Future Research

Berdasarkan hasil penelitian, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan untuk meningkatkan akurasi dan personalisasi sistem rekomendasi film. Pertama, perlu dilakukan eksplorasi terhadap teknik-teknik *data augmentation* untuk mengatasi masalah *data sparsity* yang masih menjadi tantangan dalam sistem rekomendasi. Dengan menambah jumlah data rating secara sintetis, diharapkan model dapat belajar lebih baik dan memberikan rekomendasi yang lebih akurat. Kedua, penelitian selanjutnya dapat mengkombinasikan pendekatan *collaborative filtering* dengan metode *content-based filtering* untuk memanfaatkan informasi deskriptif film seperti genre, aktor, dan sinopsis. Integrasi kedua pendekatan ini berpotensi menghasilkan rekomendasi yang lebih relevan dan beragam. Ketiga, pengembangan sistem dapat diperluas dengan mempertimbangkan faktor kontekstual seperti waktu, lokasi, dan perangkat yang digunakan pengguna dalam mengakses platform streaming. Dengan memahami konteks pengguna, sistem dapat memberikan rekomendasi yang lebih sesuai dengan situasi dan kebutuhan mereka.

References

1. Sistem Rekomendasi Film Berbasis Collaborative Filtering Menggunakan Algoritma Matrix Factorization (Studi... jurnal.ilmubersama.com/index.php/hello_world/article/view/1164Sistem Rekomendasi Film Berbasis Collaborative Filtering Menggunakan Algoritma Matrix Factorization Studi jurnal ilmubersama index php hello world article view 1164
2. Comparative analysis of RC4 algorithm, RC4 NGG algorithm and RC4 GGHN algorithm on image file security... iopscience.iop.org/article/10.1088/1757-899X/420/1/012131Comparative analysis of RC4 algorithm RC4 NGG algorithm and RC4 GGHN algorithm on image file security iopscience iop article 10 1088 1757 899X 420 1 012131
3. Analisis Perbandingan Model Matrix Factorization dan K-Nearest Neighbor dalam Mesin Rekomendasi Collaborative... openjournal.unpam.ac.id/index.php/informatika/article/view/7379Analisis Perbandingan Model Matrix Factorization dan K Nearest Neighbor dalam Mesin Rekomendasi Collaborative openjournal unpam ac index php informatika article view 7379

Metadata

File size	659.13 KB
Pages	12
DMCA	Report