PENERAPAN PENDEKATAN HYBRID MENGGUNAKAN NON-NEGATIVE MATRIX FACTORIZATION DAN SEMANTIC SIMILARITY UNTUK MENGATASI MASALAH COLD-START DALAM SISTEM REKOMENDASI FILM

Perkembangan teknologi yang semakin pesat dan informasi yang terus bertambah membuat sistem rekomendasi sangat dibutuhkan, khususnya pada perusahaan digital streaming film dalam mencari informasi mengenai film. Sistem rekomendasi dapat membantu merekomendasikan film kepada pengguna sehingga pengguna dapat menemukan informasi film yang relevan dan berguna. Salah satu pendekatan yang sering digunakan adalah Hybrid Recommender Systems. Hybrid biasanya digunakan untuk mengatasi cold-start yaitu keadaan dimana sistem rekomendasi kurang mampu memberikan rekomendasi disebabkan karena terdapat film (item) atau penonton (user) baru. Pendekatan Hybrid mengkombinasikan dua atau lebih pendekatan seperti menggabungkan pendekatan Collaborative Filtering (CF) dan Content-Based (CB). Kelebihan dari pendekatan Hybrid adalah dapat melengkapi kekurangan dari setiap pendekatan yang digunakan. Tujuan dari penelitian ini adalah mengatasi masalah cold-start user (keadaan dimana sistem tidak dapat merekomendasikan film apa pun yang sesuai dengan preferensi user baru karena kurangnya informasi mengenai user tesebut) dengan menerapkan CF menggunakan Non-Negative Matrix Factorization (NMF) dan CB menggunakan Semantic Similarity (SS) untuk memberikan skor rating film. Dari hasil uji coba yang telah dilakukan berdasarkan skor Normalized Discounted Cumulative Gain (NDCG), variasi nilai rank (f) terbaik adalah f 2 dengan skor NDCG @10 0,45585. Metode Hybrid menggunakan NMF dan Semantic Similarity mampu memberikan hasil rekomendasi lebih baik dibandingkan Item-Based dengan rata-rata kenaikan akurasi adalah 70,49062%