<![CDATA[Sistem rekomendasi anime diperlukan untuk membantu pengguna menemukan tayangan yang sesuai dengan preferensi di tengah banyaknya pilihan anime yang tersedia. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi anime menggunakan pendekatan weighted hybrid yang menggabungkan algoritma random forest dan K-Nearest Neighbor (KNN) berbasis cosine similarity. Random Forest digunakan untuk mengklasifikasikan kelayakan anime berdasarkan atribut genres, type, studios, dan rating, sedangkan KNN digunakan untuk menghitung tingkat kemiripan antar-anime berdasarkan fitur genres. Kedua hasil tersebut digabungkan menggunakan metode weighted hybrid untuk menghasilkan skor rekomendasi dan menentukan urutan anime yang ditampilkan kepada pengguna. Dataset yang digunakan merupakan dataset anime dari situs Kaggle yang terdiri atas 24.905 data. Tahap penelitian meliputi pre-processing data, transformasi fitur menggunakan Multi-Label Binarizer dan Label Encoder, pelatihan model, proses rekomendasi, serta evaluasi menggunakan metrik Normalized Discounted Cumulative Gain (NDCG), precision, dan waktu komputasi. Hasil pengujian menunjukkan bahwa sistem memperoleh nilai precision Top-K sebesar 80%-85% dan nilai NDCG Top-K sebesar 89,5%-94,9%, sedangkan pada evaluasi keseluruhan diperoleh nilai precision sebesar 75,2%-75,6% dan nilai NDCG sebesar 97,3%-97,7%. Selain itu, sistem dapat menghasilkan rekomendasi dalam waktu komputasi kurang dari 2,5 detik untuk evaluasi Top-K. Berdasarkan hasil tersebut, pendekatan weighted hybrid yang menggabungkan random forest dan KNN dapat diterapkan untuk menghasilkan rekomendasi anime serta menyusun urutan rekomendasi berdasarkan hasil klasifikasi dan tingkat kemiripan antar-anime.]]>
Copyrights © 2026
