<![CDATA[Film merupakan sarana hiburan yang dapat dinikmati oleh banyak orang, bukan hanya sebagai hiburan tetapi juga merupakan sarana pemasaran, perdagangan dan pendidikan. Genre merupakan salah satu karakteristik penting dari sebuah film. Oleh sebab itu klasifikasi genre merupakan cara untuk menemukan hubungan dari masing-masing film sehingga memudahkan penonton untuk menemukan film yang sesuai. Klasifikasi genre film mungkin sangat komprehensif atau beragam berdasarkan kriteria, ada banyak genre yang serupa dalam satu film mungkin termasuk beberapa genre di dalamnya. Untuk menyelesaikan masalah tersebut peneliti mengusulkan klasifikasi multilabel genre film berdasarkan sinopsis menggunakan algoritma Long Short Term Memory (LSTM) dan membandingkan kinerja word embedding Word2Vec, GloVe dan FastText. Arsitektur model LSTM yang diusulkan terdiri dari beberapa layer yakni layer Embedding, SpastialDropout1d, LSTM dan Dese. Nilai dari masing-masing layer yakni 300, 0.5, 128, dan 18. Pengujian dilakukan dengan tiga scenario menunjukkan word embedding GloVe  mengungguli Word2Vec dan FastText dengan f1-score 0.603, 0.591 dan 0.580.]]>
Copyrights © 2025
