<![CDATA[Dalam era digital, semakin banyaknya film yang tersedia di berbagai platform streaming menimbulkan tantangan bagi pengguna dalam memilih tontonan yang sesuai dengan preferensi mereka. Permasalahan utama yang dihadapi adalah bagaimana meningkatkan akurasi rekomendasi film agar lebih relevan dan personal bagi pengguna. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi film berbasis Machine Learning dengan metode Content-Based Filtering. Sistem ini dirancang untuk memberikan rekomendasi yang lebih sesuai dengan preferensi pengguna berdasarkan deskripsi film. Metode yang digunakan dalam penelitian ini melibatkan pemrosesan dataset dari The Movie Database (TMDb), di mana teknik Term Frequency-Inverse Document Frequency (TF-IDF) dan cosine similarity digunakan untuk mengukur kesamaan antar film. Implementasi dilakukan menggunakan bahasa pemrograman Python dengan pustaka pandas, numpy, dan scikit-learn, serta dikembangkan dalam antarmuka berbasis Streamlit untuk kemudahan penggunaan. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu memberikan rekomendasi yang relevan sesuai dengan preferensi pengguna. Namun, terdapat beberapa keterbatasan, seperti kurangnya variasi rekomendasi akibat ketergantungan pada data deskriptif film. Oleh karena itu, pengembangan lebih lanjut dapat mempertimbangkan pendekatan Hybrid Filtering atau integrasi dengan model Deep Learning untuk meningkatkan akurasi dan pengalaman pengguna.]]>
Copyrights © 2025
