Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Putri, Renata Amalia
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Evaluasi Sistem Rekomendasi Film Berbasis Sinopsis Cold-Start: Perbandingan TF-IDF, Word2Vec, dan FastText: Cold-Start Synopsis-Based Movie Recommendation: Comparing TF-IDF, Word2Vec, and FastText Holle, Khadijah Fahmi Hayati; Hidayah, Ela Ilmatul; Putri, Renata Amalia; Ningrum, Citra Ayu Putri
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2896

Abstract

Penelitian ini bertujuan untuk menentukan representasi teks ringan yang paling efektif dan efisien untuk rekomendasi film cold-start ketika sistem hanya memiliki sinopsis dan belum memiliki riwayat interaksi pengguna. Penelitian membandingkan TF-IDF, Word2Vec, dan FastText yang dikombinasikan dengan cosine similarity pada dataset film IMDb. Dari 10.001 data film, sebanyak 9.924 data valid digunakan setelah penghapusan sinopsis kosong, duplikasi, dan token tidak informatif. Pengujian dilakukan menggunakan 20 skenario kueri cold-start yang terdiri atas sepuluh kueri panjang bernarasi dan sepuluh kueri pendek berbasis kata kunci. Karena dataset tidak menyediakan label relevansi eksplisit dari pengguna, relevansi diukur menggunakan genre-proxy relevance. Evaluasi menggunakan Precision@10, HitRate@10, AP@10, MRR@10, nDCG@10, F1 skenario, serta waktu retrieval rata-rata. Hasil menunjukkan bahwa TF-IDF + cosine similarity memperoleh kinerja terbaik dengan Precision@10 sebesar 0,835, AP@10 sebesar 0,884, MRR@10 sebesar 0,942, nDCG@10 sebesar 0,942, dan F1 skenario sebesar 0,902. Kontribusi utama penelitian ini adalah pembuktian empiris terkontrol bahwa representasi leksikal dapat mengungguli rata-rata word embedding dalam rekomendasi cold-start berbasis sinopsis. TF-IDF lebih unggul karena sinopsis film yang pendek dan kueri tematik yang eksplisit masih mempertahankan kata kunci diskriminatif, sedangkan rata-rata vektor Word2Vec dan FastText cenderung meratakan sinyal kata kunci yang spesifik. Hasil ini menunjukkan bahwa TF-IDF tetap menjadi baseline yang kuat
Co-Authors Hidayah, Ela Ilmatul Khadijah Fahmi Hayati Holle Ningrum, Citra Ayu Putri