<![CDATA[Pesatnya pertumbuhan jumlah game di platform Steam menciptakan tantangan bagi pengguna dalam menemukan konten yang relevan, sehingga diperlukan sistem rekomendasi yang efisien. Penelitian ini memanfaatkan dataset metadata dari katalog platform Steam dengan alur metodologi yang komprehensif, meliputi tahap pembersihan data, prapemrosesan, serta representasi fitur. Representasi fitur dilakukan melalui tiga tahapan utama: pembobotan TF-IDF, pelatihan model Word2Vec, dan penggabungan bobot serta vektor dari kedua metode tersebut. Hasil representasi kemudian dihitung tingkat kemiripannya menggunakan Cosine Similarity untuk menghasilkan urutan rekomendasi item. Evaluasi dilakukan terhadap 100 game dengan jumlah kepemilikan tertinggi menggunakan metrik Precision@K, MAP@K, dan NDCG@K. Model gabungan TF-IDF dan Word2Vec menghasilkan nilai Precision@10 sebesar 0.556, nilai MAP@10 sebesar 0.7033, dan nilai NDCG@10 sebesar 0.8482, serta secara konsisten mengungguli kedua model baseline pada seluruh metrik evaluasi. Hasil ini menunjukkan bahwa sistem yang dibangun efektif tidak hanya dalam mengidentifikasi item yang relevan, tetapi juga dalam mengoptimalkan urutan peringkat rekomendasi sehingga item yang paling relevan berada di posisi teratas.]]>
Copyrights © 2026
