IMPLEMENTASI SISTEM REKOMENDASI FILM BERBASIS COLLABORATIVE FILTERING: STUDI KASUS MOVIELENS

Dalam era digital saat ini, sistem rekomendasi memegang peranan krusial dalam membantu pengguna menavigasi informasi yang berlimpah, terutama dalam platform hiburan seperti layanan streaming film. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan tiga pendekatan utama dalam Collaborative Filtering (CF), yaitu User-Based CF, Item-Based CF, dan Singular Value Decomposition (SVD), dengan menggunakan dataset MovieLens 100K sebagai studi kasus. Permasalahan utama yang dihadapi dalam sistem rekomendasi adalah sparsity dan cold-start, yang dapat memengaruhi kualitas rekomendasi yang dihasilkan. Oleh karena itu, penting untuk mengevaluasi efektivitas masing-masing pendekatan dalam menghasilkan rekomendasi yang akurat, relevan, dan konsisten.
Evaluasi dilakukan menggunakan empat metrik utama, yaitu Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Precision@10, dan Recall@10. Hasil menunjukkan bahwa SVD memberikan performa terbaik dari sisi akurasi prediksi, dengan nilai RMSE sebesar 0.8695 dan MAE sebesar 0.6682. SVD juga unggul pada Precision@10 sebesar 0.6469 dan Recall@10 sebesar 0.6771, mendekati performa terbaik User-Based CF pada recall. Sementara itu, pendekatan Item-Based CF menghasilkan nilai relevansi terendah, meskipun lebih stabil dalam beberapa kasus penggunaan dan lebih mudah diinterpretasikan dalam konteks sistem berbasis item.
Penelitian ini juga mengidentifikasi distribusi error prediksi dan pola preferensi pengguna, yang menunjukkan bahwa SVD tidak hanya unggul secara kuantitatif, tetapi juga menghasilkan prediksi yang lebih stabil dan simetris. Berdasarkan hasil tersebut, dapat disimpulkan bahwa pendekatan matrix factorization berbasis SVD merupakan solusi paling optimal untuk sistem rekomendasi film berbasis Collaborative Filtering, khususnya dalam konteks dataset terbatas seperti MovieLens 100K. Penelitian ini diharapkan dapat menjadi acuan praktis dan teoritis bagi pengembang sistem rekomendasi dalam memilih algoritma yang paling sesuai berdasarkan kebutuhan dan karakteristik data yang dimiliki.