<![CDATA[Sistem rekomendasi berperan penting dalam membantu pengguna menemukan konten sesuai preferensi di tengah banyaknya informasi. Penelitian ini membandingkan dua pendekatan, yaitu Collaborative Filtering (CF) berbasis Singular Value Decomposition (SVD) dan Reinforcement Learning (RL) berbasis Deep Q-Network (DQN). Fokus utama penelitian adalah menilai efektivitas keduanya dalam memberikan rekomendasi anime yang relevan, baik untuk pengguna eksisting maupun pengguna baru (cold-start). Dataset penelitian diambil dari Kaggle, melalui tahap preprocessing berupa pembersihan data, normalisasi fitur, dan encoding genre dengan one-hot. Model CF dilatih menggunakan parameter hasil tuning, sedangkan model RL dibangun dalam lingkungan simulasi dengan fungsi reward berbobot yang menggabungkan rating pengguna, skor global anime, dan kesamaan preferensi genre. Evaluasi dilakukan menggunakan skenario Top-N Recommendation (N = 1, 3, 5, 10, 15, 20) dengan metrik Precision@N, Recall@N, dan F1-Score@N. Item relevan untuk pengguna eksisting ditentukan berdasarkan reward persentil ke-80, sementara untuk pengguna baru ditetapkan pada anime dengan skor global ≥ 9.0. Hasil menunjukkan RL dengan DQN unggul pada masalah cold-start, sedangkan CF lebih baik untuk pengguna dengan riwayat interaksi. Perbandingan ini menyoroti kelebihan dan keterbatasan masing-masing pendekatan, sekaligus memberi panduan dalam memilih strategi rekomendasi sesuai konteks pengguna. Kata kunci— deep q-network, reinforcement learning, colaborative filtering, sistem rekomendasi anime]]>
Copyrights © 2026
