FunkSVD untuk Sistem Rekomendasi Film yang Efisien dan Optimal Menggunakan Dataset IMDb
Abstract
Pada era saat ini, banyak sekali video konten kreator di luar sana yang disediakan oleh platform video seperti YouTube, yang memiliki jutaan video di dalamnya. Platform video tersebut memberikan videonya kepada para penggunanya dengan cara menggunakan sistem rekomendasi, dimana konten-konten video tersebut diberikan kepada para penggunanya berdasarkan preferensi/selera para penggunanya. Cara kerja sistem rekomendasi adalah dengan mengumpulkan data dari masa lalu yang sesuai dengan preferensi penggunanya, lalu akan dianalisis untuk mengidentifikasi pola dalam preferensi penggunanya. Namun, sistem rekomendasi tidak selalu memberikan hasil yang bagus dalam memberikan hasil rekomendasinya kepada target penggunanya. Selain itu untuk mendapatkan hasil yang optimal dibutuhkan waktu dalam menjalankan program prediksinya. Oleh karena itu, penelitian ini bertujuan untuk mencari metode mana yang memberikan hasil prediksi terbaik dan memiliki waktu paling singkat dalam menjalankan program prediksi pada sistem rekomendasi film. Pada penelitian ini digunakan metode FunkSVD dan user/item-based K-Nearest-Neighbor (KNN) untuk perbandingannya. Hasilnya menunjukkan, FunkSVD memberikan performa yang lebih baik, dengan nilai RMSE = 0,86, nilai MAE = 0,65, nilai Precision@k = 0,67, dan nilai NDGC@k = 0,81. Untuk waktu tercepat dalam menjalankan program prediksinya dipegang oleh FunkSVD, dengan waktu 0,10 detik dalam menjalankan programnya.
Kata kunci— sistem rekomendasi, FunkSVD, collaborative filtering, film
References
C. A. Gomez-Uribe and N. Hunt, “The netflix recommender system: Algorithms, business value, and innovation,” ACM Transactions on Management Information Systems, vol. 6, no. 4, Dec. 2015, doi: 10.1145/2843948.
K. Falk, Practical Recommender Systems. Shelter Island, NY: Manning Publications, 2018.
A. Brasoveanu, M. Moodie, and R. Agrawal, “Textual evidence for the perfunctoriness of independent medical reviews,” in CEUR Workshop Proceedings, CEUR-WS, 2020, pp. 1–9.
H. Ko, S. Lee, Y. Park, and A. Choi, “A Survey of Recommendation Systems: Recommendation Models, Techniques, and Application Fields,” Electronics (Switzerland), vol. 11, no. 1. MDPI, Jan. 01, 2022. doi: 10.3390/electronics11010141.
B. Walek and O. Sládek, “Comparison of Selected Algorithms in Movie Recommender System,” Applied Sciences (Switzerland), vol. 15, no. 17, Sep. 2025, doi: 10.3390/app15179518.
A. Chaudhari, A. Kale, and P. Lad, “Solution To Challenges In Recommendation Systems,” International Journal for Scientific Research & Technology (IJSART), vol. 8, no. 11, pp. 45–50, Nov. 2022, [Online]. Available: www.ijsart.com.
S. Salmani and S. Kulkarni, “Hybrid Movie Recommendation System Using Machine Learning,” in Proceedings - International Conference on Communication, Information and Computing Technology, ICCICT 2021, Institute of Electrical and Electronics Engineers Inc., 2021. doi: 10.1109/ICCICT50803.2021.9510058.
T. Anwar and V. Uma, “Comparative study of recommender system approaches and movie recommendation using collaborative filtering,” International Journal of System Assurance Engineering and Management, vol. 12, no. 3, pp. 426–436, Jun. 2021, doi: 10.1007/s13198-021-01087-x.
A. Paullier and R. Sotelo, “A recommender systems’ algorithm evaluation using the lenskit library and movielens databases,” in IEEE International Symposium on Broadband Multimedia Systems and Broadcasting, BMSB, IEEE Computer Society, Oct. 2020. doi: 10.1109/BMSB49480.2020.9379914.
M. Jalili, S. Ahmadian, M. Izadi, P. Moradi, and M. Salehi, “Evaluating Collaborative Filtering Recommender Algorithms: A Survey,” IEEE Access, vol. 6, pp. 74003–74024, 2018, doi: 10.1109/ACCESS.2018.2883742.
L. V. Nguyen, Q. T. Vo, and T. H. Nguyen, “Adaptive KNN-Based Extended Collaborative Filtering Recommendation Services,” Big Data and Cognitive Computing, vol. 7, no. 2, Jun. 2023, doi: 10.3390/bdcc7020106.
Y. Zhang, “An Introduction to Matrix factorization and Factorization Machines in Recommendation System, and Beyond,” arXiv preprint arXiv:2203.11026, vol. arXiv e-prints, no. arXiv:2203.11026, pp. 1–19, Mar. 2022, [Online]. Available: http://arxiv.org/abs/2203.11026.
A. Jadon and A. Patil, “A Comprehensive Survey of Evaluation Techniques for Recommendation Systems,” arXiv preprint, vol. arXiv:2312.16015v2, no. No. 2312.16015v2, pp. 1–25, Jan. 2024, [Online]. Available: http://arxiv.org/abs/2312.16015.
Z. Zhang, “Introduction to machine learning: K-nearest neighbors,” Annals of Translational Medicine, vol. 4, no. 11, Jun. 2016, doi: 10.21037/atm.2016.03.37.
