<![CDATA[Industri game digital telah mengalami pertumbuhan pesat dengan platform Steam Store menyediakan lebih dari 50.000 game, menciptakan masalah information overload bagi pengguna. Penelitian ini merancang sistem rekomendasi game Steam menggunakan pendekatan Neural Multi-Criteria Collaborative Filtering (MCCF) yang memprediksi empat kriteria rating (gameplay, graphics, value, overall) secara simultan. Sistem dilengkapi dengan cold start handler berbasis few-shot learning yang berjalan otomatis di backend tanpa menampilkan proses perhitungan ke pengguna. Dataset yang digunakan terdiri dari 21 game Steam dengan 21 atribut lengkap dan 500 profil pengguna hasil filtering yang menghasilkan 10.500 multi-criteria rating. Hasil perancangan menunjukkan sistem mampu menghasilkan rekomendasi game yang sesuai dengan preferensi pengguna, dengan contoh rekomendasi top-3 yaitu Elden Ring (prediksi overall 4,82), Hades (prediksi overall 4,71), dan The Witcher 3 (prediksi overall 4,65) untuk pengguna dengan preferensi genre RPG/Action dan graphics yang baik. Rancangan antarmuka sistem terdiri dari empat halaman dengan navigasi tab-based yang user-friendly. Hasil perancangan menunjukkan arsitektur model yang mampu menangkap preferensi multi-dimensi pengguna dengan representasi vektor 59-dimensi melalui deep matrix factorization dan task-specific heads.]]>
Copyrights © 2026
