Metode Hybrid (SVD++–KNN) pada Sistem Rekomendasi Film dan Preferensi Artis Musik

Maswadi Ra’uf (Universitas Muhammadiyah Jember)
Ilham Saifudin (Universitas Muhammadiyah Jember)
Luluk Handayani (Universitas Muhammadiyah Jember)

JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer
Vol. 5 No. 1 (2026): Desember 2026

Latar Belakang: Sistem rekomendasi berbasis collaborative filtering telah banyak digunakan untuk membantu pengguna menemukan konten yang sesuai preferensi, namun masih menghadapi tantangan terkait keragaman data. Tujuan: Penelitian ini mengevaluasi efektivitas metode weighted hybrid SVD++–KNN dalam meningkatkan akurasi sistem rekomendasi film dan preferensi artis musik. Metode: Penelitian ini menggunakan pendekatan eksperimen kuantitatif pada dataset MovieLens 1M dan Last.FM. Data dibagi menjadi 80% data latih dan 20% data uji dengan validasi hold-out. Model menggabungkan algoritma SVD++ dan KNN, kemudian dievaluasi menggunakan metrik RMSE dan MAE.  Hasil: Pada dataset MovieLens diperoleh nilai RMSE 0,8594 dan MAE 0,6747 pada α = 0,8, sedangkan pada dataset Last.FM diperoleh RMSE 0,2632 dan MAE 0,1955 pada α = 0,9. Kesimpulan: Metode weighted hybrid SVD++–KNN meningkatkan akurasi sistem rekomendasi pada kedua dataset. Penyesuaian nilai alpha sesuai dengan karakteristik dataset dapat meningkatkan kinerja model, sehingga metode ini menjadi alternatif yang efektif untuk sistem rekomendasi berbasis kolaborasi.