<![CDATA[Penelitian ini bertujuan untuk menentukan representasi teks ringan yang paling efektif dan efisien untuk rekomendasi film cold-start ketika sistem hanya memiliki sinopsis dan belum memiliki riwayat interaksi pengguna. Penelitian membandingkan TF-IDF, Word2Vec, dan FastText yang dikombinasikan dengan cosine similarity pada dataset film IMDb. Dari 10.001 data film, sebanyak 9.924 data valid digunakan setelah penghapusan sinopsis kosong, duplikasi, dan token tidak informatif. Pengujian dilakukan menggunakan 20 skenario kueri cold-start yang terdiri atas sepuluh kueri panjang bernarasi dan sepuluh kueri pendek berbasis kata kunci. Karena dataset tidak menyediakan label relevansi eksplisit dari pengguna, relevansi diukur menggunakan genre-proxy relevance. Evaluasi menggunakan Precision@10, HitRate@10, AP@10, MRR@10, nDCG@10, F1 skenario, serta waktu retrieval rata-rata. Hasil menunjukkan bahwa TF-IDF + cosine similarity memperoleh kinerja terbaik dengan Precision@10 sebesar 0,835, AP@10 sebesar 0,884, MRR@10 sebesar 0,942, nDCG@10 sebesar 0,942, dan F1 skenario sebesar 0,902. Kontribusi utama penelitian ini adalah pembuktian empiris terkontrol bahwa representasi leksikal dapat mengungguli rata-rata word embedding dalam rekomendasi cold-start berbasis sinopsis. TF-IDF lebih unggul karena sinopsis film yang pendek dan kueri tematik yang eksplisit masih mempertahankan kata kunci diskriminatif, sedangkan rata-rata vektor Word2Vec dan FastText cenderung meratakan sinyal kata kunci yang spesifik. Hasil ini menunjukkan bahwa TF-IDF tetap menjadi baseline yang kuat]]>
Copyrights © 2026
