<![CDATA[Perkembangan jumlah dan variasi film yang semakin meningkat menyebabkan pengguna mengalami kesulitan dalam menentukan pilihan tontonan yang sesuai dengan preferensi mereka. Oleh karena itu, sistem rekomendasi menjadi solusi penting untuk membantu pengguna memperoleh rekomendasi film yang relevan dan personal. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi kinerja sistem rekomendasi menggunakan pendekatan Item-Based Collaborative Filtering, Content-Based Filtering, Hybrid Filtering, serta Model-Based Collaborative Filtering pada dataset MovieLens 100k. Secara khusus, pendekatan Model-Based menerapkan algoritma Singular Value Decomposition (SVD) yang dioptimalkan dengan learning rate 0.005, regularisasi 0.02, dan 50 faktor laten. Penelitian ini memberikan kontribusi ilmiah berupa analisis komparatif antara pendekatan memory-based dan model-based pada dataset dengan tingkat sparsity tinggi. Proses penelitian meliputi tahapan preprocessing data, pemisahan data menggunakan metode random holdout, dan eksplorasi data untuk menganalisis distribusi rating. Evaluasi kinerja sistem dilakukan menggunakan metrik Root Mean Square Error (RMSE) dan Precision@10. Hasil penelitian menunjukkan bahwa metode Model-Based SVD menghasilkan performa terbaik dengan nilai RMSE terendah sebesar 0.877 dan Precision@10 tertinggi sebesar 67.45%. Sementara itu, metode Hybrid Filtering yang menggunakan skema pembobotan manual menghasilkan kinerja rendah dengan Precision@10 sebesar 0.40%; hal ini disebabkan oleh penggunaan bobot statis yang tidak mampu mengakomodasi variasi bias antar-model secara efektif. Hasil ini menunjukkan bahwa pendekatan berbasis machine learning dengan model laten lebih efektif dalam menangani dataset sparse dibandingkan metode berbasis konten maupun hybrid konvensional dengan bobot statis.]]>
Copyrights © 2026
