Sistem Rekomendasi Film Menggunakan Metode Hybrid (Content Based Dan Collaborative Filtering Item-Based)

Sistem rekomendasi adalah sistem yang memprediksi rating atau preferensi yang akan diberikan user ke suatu item.Tujuan dari sistem rekomendasi agar secara otomatis menghasilkan item yang disarankan untuk pengguna sesuai dengan preferensi historis mereka dan menghemat waktu pencarian mereka secara online dengan mengumpulkan data yang berhubungan dengan user atau item yang bermanfaat. Rekomendasi film adalah aplikasi yang paling populer digunakan ditambah dengan platform multimedia online. Dalam menghasilkan rekomendasi ada beberapa pendekatan metode tradisional yaitu metode Collaborative Filtering(CF) dan Content-Based (CB). Meskipun kedua metode memiliki kelebihan, mereka juga memiliki kelemahan tertentu pada masing-masing setiap metode. Secara umum pada pendekatan metode CF melaporkan kinerja yang lebih baik daripada pendekatan CB, tetapi keberhasilannya bergantung pada jumlah rating user yang mencukupi (Sparsity). Dalam situasi ini penggunaan pendekatan CB muncul sebagai alternatif. Namun demikian, pendekatan ini memiliki keterbatasannya sendiri. Misalnya, kata kunci yang digunakan untuk mewakili konten item mungkin tidak terlalu representatif. Salah satu algoritma yang sering digunakan pada metode CF ini yaitu item-based dan user-based. Item-based CF mempunyai akurasi yang lebih baik dibandingkan user-based CF. Maka solusi yang ditawarkan dengan menutupi kekurangan kedua metode pada penelitian ini dilakukanlah metode Hybrid(CB dan CF item-based). Pada CB akan dilakukan text mining untuk melakukan text prepocessing nya dan algoritma K-Means untuk melakukan clustering data karena metode ini telah dikenal sangat efisien dan diperhitungkan dalam melakukan clustering. Dala penelitian ini hasil evaluasi dengan pendekatan metode hybrid (CB dan CF item-based) dalam mengatasi sparsity data dan kelemahan pada metode CB dan CF item-based dalam menghasilkan suatu rekomendasi diperoleh hasil evaluasi DCG dengan menggunakan nilai parameter jumlah neighbour(Q) = 40, jumlah cluster(k) = 520 dan Top-10 adalah 0,03840.