<![CDATA[Sistem rekomendasi merupakan salah satu fitur penting dalam platform digital modern, terutama dalam industri game, untuk membantu pengguna menemukan konten yang relevan dengan preferensi mereka. Sayangnya, sistem rekomendasi yang tidak akurat atau kurang relevan dapat menyebabkan penurunan kepuasan pengguna dan mengurangi tingkat keterlibatan. Untuk mengatasi masalah tersebut, penelitian ini mengembangkan sistem rekomendasi game berbasis hybrid filtering dengan menggabungkan dua pendekatan utama, yaitu Neural Collaborative Filtering (NCF) dan cosine similarity pada dataset dari platform Steam. NCF digunakan untuk mempelajari pola interaksi antara pengguna dan game menggunakan teknik deep learning, sedangkan cosine similarity dimanfaatkan untuk mengukur tingkat kemiripan antar game berdasarkan atribut kontennya. Proses pengembangan sistem dilakukan menggunakan metodologi Software Development Life Cycle (SDLC) Waterfall, dimulai dari tahap analisis kebutuhan, desain sistem, implementasi, hingga pengujian. Pengujian dilakukan dengan metode black-box testing untuk memastikan fungsionalitas sistem berjalan sesuai harapan. Selain itu, evaluasi akurasi model dilakukan menggunakan metrik Binary Crossentropy Loss dan Root Mean Squared Error (RMSE). Hasil pengujian menunjukkan model NCF mencapai performa optimal dengan nilai loss 0,3602, RMSE 0,2211, val_loss 0,4828, dan val_rmse 0,2604. Sementara itu, metode cosine similarity berhasil memberikan rekomendasi yang relevan, seperti contoh kasus input "Coral Island" yang menghasilkan rekomendasi game “My Time at Sandrock” dengan skor similarity sebesar 0,4888. Sistem ini mampu memberikan 10 rekomendasi game yang disesuaikan dengan preferensi input pengguna.]]>
Copyrights © 2025
