Disertasi

Algoritma rekomendasi menggunakan integrasi collaborative filtering dan demographic-based similarity pada sistem rekomendasi film / Yuri Ariyanto

Abstrak
Sistem rekomendasi berbasis collaborative filtering telah menjadi pilar utama dalam platform hiburan digital seperti Netflix dan Amazon Prime karena kemampuannya memberikan rekomendasi yang dipersonalisasi berdasarkan pola perilaku pengguna. Pendekatan tradisional seperti KNN-Basic KNN-Baseline KNN-Means Co-Clustering hingga varian mutakhir seperti ExtKNNCF telah menunjukkan kinerja yang memadai dalam berbagai skenario. Namun metode-metode tersebut masih menghadapi tantangan mendasar terutama dalam mengatasi data sparsity yang sering kali menurunkan akurasi dan relevansi rekomendasi. Permasalahan ini muncul akibat representasi pengguna yang terbatas pada data rating tanpa mempertimbangkan konteks eksternal yang relevan seperti informasi demografi. Untuk mengatasi keterbatasan tersebut penelitian ini mengusulkan pendekatan inovatif bernama Demographic-Enhanced Cosine-KNN (Dem-Enh Cosine-KNN) yang secara eksplisit mengintegrasikan atribut demografi pengguna meliputi usia jenis kelamin pekerjaan dan kode pos ke dalam mekanisme perhitungan kesamaan antar pengguna. Integrasi dilakukan melalui kombinasi tertimbang antara cosine similarity berbasis pola rating dan demographic similarity berbasis atribut demografi dengan parameter alpha sebagai penyeimbang kontribusi kedua komponen. Dengan memperkaya representasi pengguna melalui dimensi kontekstual yang secara empiris memengaruhi preferensi media metode yang diusulkan bertujuan meningkatkan ketangguhan sistem dalam kondisi data yang jarang sekaligus memperkuat personalisasi rekomendasi. Evaluasi kinerja dilakukan secara komprehensif menggunakan dataset MovieLens 100K dan 1M dengan metrik standar Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil eksperimen menunjukkan bahwa metode Dem-Enh Cosine-KNN secara konsisten mengungguli seluruh metode pembanding termasuk ExtKNNCF. Pada dataset MovieLens 100K peningkatan akurasi mencapai 17 1% dalam RMSE dan 14 4% dalam MAE dibandingkan KNN-Basic serta 1 9% - 2 4% lebih baik daripada pendekatan Cosine-KNN standar. Temuan serupa juga teramati pada dataset MovieLens 1M yang mengonfirmasi skalabilitas dan stabilitas metode yang diusulkan di berbagai ukuran data. Dengan demikian integrasi data demografi terbukti efektif tidak hanya dalam meningkatkan akurasi prediksi tetapi juga dalam memperluas kapasitas sistem rekomendasi untuk menangani tantangan dunia nyata yang kompleks.

Informasi Detail

DDC

Rd 005.1 ARI a

Prodi

Universitas Negeri Malang. Program Studi Teknik Elektro dan Informatika, 2025.

Deskripsi Fisik

xiii, 121 lembar. : ilus ; 30 cm.

Bahasa

Indonesia

No Reg

00279/RD/25

Edisi

Disertasi (Pascasarjana)--Universitas Negeri Malang. 2025

Subjek

1. ALGORITMA KOMPUTER - SISTEM REKOMENDASI FILM
2. ALGORITMA KOMPUTER - COLLABORATIVE FILTERING
3. ALGORITMA KOMPUTER - DEMOGRAPHIC - BASED SIMILARITY
4. COMPUTER ALGORITHM - MOVIE RECOMMENDATION SYSTEM

Pembimbing

1. Triyanna Widiyaningtyas, M.t.; 2. Ilham Ari Elbaith Zaeni, S.t., M.t., Ph.d

Lampiran Berkas