Anime Rekomendasi Menggunakan Collaborative Filtering
Abstract
Abstrak-Di era digital ini orang-orang semakin mudah mendapatkan hiburan yang mereka perlukan salah satunya adalah anime[1]. Anime merupakan animasi khas dari jepang anime bisa di buat baik di gambar menggunakan tangan atau menggunakan komputer. Anime menjadi salah satu hiburan yang banyak di sukai orang-orang di dunia, hal ini bisa di lihat dari Netflix salah satu layan streaming yang besar mulai memasukkan anime ke dalam aplikasi dan situs mereka. Pada tahun 2021 sekarang terdapat kurang lebih 18350 anime baik yang sudah selesai maupun yang masih berlanjut[2]. hal ini membuat orang-orang yang sudah menyukai anime ataupun orang-orang yang baru ingin menonton anime kebingungan mencari anime yang seusai dengan selera mereka karena itulah kita memerlukan sistem rekomendasi. Sistem rekomendasi merupakan sistem yang dibuat untuk membantu pengguna mendapatkan rekomendasi sebuah barang/informasi yang pengguna sukai/butuhkah dari banyaknya barang ataupun informasi yang ada. Rekomendasi yang di berikan di harapkan bisa memberikan bantuan pada pengguna untuk dapat menentukan pilihan yang akan di ambil. Dalam sistem rekomendasi sendiri terdapat banyak metode yang bisa di gunakan salah satunya adalah metode collaborative filtering yang di gunakan untuk mencari kesamaan item/ barang yang di carik oleh user lain[3] dengan algoritma yang digunakan adalah KNNWithMeans yang berupakan salah satu basic algoritma collaborative filtering[4], [5].Pada penelitian ini dilakukan tiga skenario pengujian yang bergguna untuk mendapatkan hasil rekomendasi terbaik dengan melakukan pengukuran MAE dan NDCG.Dapat di simpulkan metode collaboratif filtering dengan menggunakan algoritma KNNWithMeans mendapatkan rekomendasi yang cukup akurat dengan hasil MAE terbaik sebesar 0.8989 dan NDCG sebesar 0.2028.
Kata kunci-sistem rekomendasi, collaborative filtering
References
Nuurshadieq and A. T. Wibowo, “Leveraging Side Information to Anime Recommender System using Deep learning,” in 2020 3rd International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), Yogyakarta, Indonesia, Dec. 2020, pp. 62–67. doi: 10.1109/ISRITI51436.2020.9315363.
“Top Anime (18350 - ),” MyAnimeList.net. https://myanimelist.net/topanime.php?limit=18350 (accessed Aug. 20, 2021).
M. Irfan, “SISTEM REKOMENDASI: BUKU ONLINE DENGAN METODE COLLABORATIVE FILTERING,” vol. 7, no. 1, p. 9, 2014.
J. Hedlund and E. N. Tengstrand, “A Comparison between Differ- ent Recommender System Ap- proaches for a Book and an Au- thor Recommender System,” p. 97.
A. Y. Zhubatkhan, Z. A. Buribayev, S. S. Aubakirov, M. D. Dilmagambetova, and S. A. Ryskulbek, “COMPARISON MODELS OF MACHINE LEARNING FOR MOVIE RECOMMENDATION SYSTEMS,” News of NAS RK. SPh-M, vol. 335, no. 1, pp. 26–31, Feb. 2021, doi: 10.32014/2021.2518-1726.4.
A. Lesley, “What Is Anime? - Anime.” http://www.bellaonline.com/articles/art4260.asp (accessed Jul. 27, 2022).
A. Halim, H. Gohzali, D. M. Panjaitan, and I. Maulana, “Sistem Rekomendasi Film menggunakan Bisecting K-Means dan Collaborative Filtering,” p. 5, 2017.
S. Sari and A. P. Sary, “SISTEM REKOMENDASI PERSONAL PADA TOKO BUKU ONLINE MENGGUNAKAN PENDEKATAN COLLABORATIVE FILTERING DAN ALGORITMA SLOPE ONE,” p. 6, 2017.
H. A. Aziz, B. Dirgantoro, and C. Setianingsih, “Boarding Recommendation Application Using Collaborative Filtering Algorithm,” p. 11, 2021.
P. Phorasim and L. Yu, “Movies recommendation system using collaborative filtering and k-means,” IJACR, vol. 7, no. 29, pp. 52–59, Feb. 2017, doi: 10.19101/IJACR.2017.729004.
“Anime Recommendations Database.” https://kaggle.com/CooperUnion/anime-recommendations-database (accessed Oct. 04, 2021).
T. Tukino and B. Huda, “PENERAPAN ALGORITMA K-MEANS UNTUK MENDUKUNG KEPUTUSAN DALAM PEMILIHAN TEMA TUGAS AKHIR PADA PRODI SISTEM INFORMASI UNIVERSITAS BUANA PERJUANGAN KARAWANG.,” TX, vol. 4, no. 1, pp. 1–10, Apr. 2019, doi: 10.36805/technoxplore.v4i1.542.
R. A. Rizkie and M. Fachrurrozi, “Sistem Rekomendasi Wisata Kuliner Kota Palembang Menggunakan Metode Collaborative Filtering,” p. 3.
K. X. Phonexay Vilakone and Doo-Soon Park, “Movie Recommendation System Based on Users’ Personal Information and Movies Rated Using the Method of k-Clique and Normalized Discounted Cumulative Gain,” Journal of Information Processing Systems, vol. 16, no. 2, pp. 494–507, Apr. 2020, doi: 10.3745/JIPS.04.0169.
R. Rismala, R. Prabowo, and A. T. Wibowo, “Pairwise Preference Regression on Movie Recommendation System,” IndoJC, vol. 4, no. 1, p. 57, Mar. 2019, doi: 10.21108/INDOJC.2019.4.1.255.
S. Agarwal, “Data Mining: Data Mining Concepts and Techniques,” in 2013 International Conference on Machine Intelligence and Research Advancement, Katra, India, Dec. 2013, pp. 203–207. doi: 10.1109/ICMIRA.2013.45.
V. L. Jaja, B. Susanto, and L. R. Sasongko, “Penerapan Metode Item-Based Collaborative Filtering Untuk Sistem Rekomendasi Data MovieLens,” dC, vol. 9, no. 2, p. 78, Sep. 2020, doi: 10.35799/dc.9.2.2020.28274.
V. X. Chen and T. Y. Tang, “Incorporating Singular Value Decomposition in User-based Collaborative Filtering Technique for a Movie Recommendation System: A Comparative Study,” in Proceedings of the 2019 the International Conference on Pattern Recognition and Artificial Intelligence - PRAI ’19, Wenzhou, China, 2019, pp. 12–15. doi: 10.1145/3357777.3357782.
E. Vozalis and K. G. Margaritis, “Analysis of Recommender Systems’ Algorithms,” p. 15.
T. McMurray and J. A. Pearce, “Theoretical and experimental comparison of the Lorenz information measure, entropy, and the mean absolute error,” in Proceedings of the IEEE Southwest Symposium on Image Analysis and Interpretation, Dallas, TX, USA, 1994, pp. 24–29. doi: 10.1109/IAI.1994.336688.
“k-NN inspired algorithms — Surprise 1 documentation.” https://surprise.readthedocs.io/en/stable/knn_inspired.html (accessed Sep. 09, 2022).
