Sistem Rekomendasi Film Menggunakan Metode Hybrid Collaborative Filtering Dan Content-based Filtering
DOI:
https://doi.org/10.34818/eoe.v9i3.18066Abstrak
Abstrak Sistem rekomendasi pada dasarnya merupakan sistem yang berguna untuk menyaring dan mengidentifikasi item berupa produk, layanan atau informasi yang memiliki potensi besar untuk dipilih, dibeli ataupun digunakan oleh pengguna. Terdapat beberapa metode yang dapat digunakan dalam membangun sistem rekomendasi, seperti collaborative filtering yang merekomendasikan item berdasar kemiripan pengguna dalam hal memilih atau memberi nilai kepada item dan content-based filtering yang merekomendasikan item berdasarkan kemiripan item dalam hal isi atau konten item yang disukai oleh pengguna. Namun perlu diketahui, masingmasing metode ini memiliki kelemahan dan kelebihan. Untuk menutupi kelemahan masingmasing metode ini, pendekatan hybrid dapat dilakukan dimana kedua metode ini digabungkan dengan harapan dapat mengurangi kelemahan dari satu metode melalui kelebihan dari satu metode lainnya dan menghasilkan rekomendasi yang lebih baik. Oleh karena itu dalam penelitian ini dilakukan pembuatan sistem rekomendasi film menggunakan metode hybrid collaborative filtering dan content-based filtering. Dalam pengujiannya, hasil rekomendasi metode ini dibandingkan dengan hasil rekomendasi ketika hanya menggunakan metode collaborative filtering saja, metode content-based filtering saja dan metode hybrid dengan kedua metode tersebut dibalik. Dapat disimpulkan bahwa hasil pengujian yang dilakukan menggunakan metode hybrid collaborative filtering dan content-based filtering menghasilkan list rekomendasi item film yang lebih baik dibandingkan 3 metode lainnya yang diujicobakan terhadap keseluruha pengguna dalam dataset pengujian. Kata kunci: sistem rekomendasi film, pendekatan hybrid, collaborative filtering, content-based filteringReferensi
[1] F. O. Isinkaye, Y. O. Folajimi, and B. A. Ojokoh, “Recommendation systems: Principles, methods and evaluation,” Egyptian Informatics Journal, vol. 16, no. 3, pp. 261–273, 2015, doi: 10.1016/j.eij.2015.06.005.
[2] G. Geetha, M. Safa, C. Fancy, and D. Saranya, “A Hybrid Approach using Collaborative filtering and Content based Filtering for Recommender System,” Journal of Physics: Conference Series, vol. 1000, no. 1, 2018, doi: 10.1088/1742-6596/1000/1/012101.
[3] P. Nagarnaik and A. Thomas, “Survey on recommendation system methods,” 2nd International Conference on Electronics and Communication Systems, ICECS 2015, vol. 137, no. 7, pp. 1603–1608, 2015, doi: 10.1109/ECS.2015.7124857.
[4] D. Das, L. Sahoo, and S. Datta, “A Survey on Recommendation System,” International Journal of Computer Applications, vol. 160, no. 7, pp. 6–10, 2017, doi: 10.5120/ijca2017913081.
[5] C. S. M. Wu, D. Garg, and U. Bhandary, “Movie Recommendation System Using Collaborative Filtering,” Proceedings of the IEEE International Conference on Software Engineering and Service Sciences, ICSESS, vol. 2018-Novem, pp. 11–15, 2019, doi: 10.1109/ICSESS.2018.8663822.
[6] K. Y. Jung, D. H. Park, and J. H. Lee, “Hybrid collaborative filtering and content-based filtering for improved recommender system,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 3036, pp. 295–302, 2004, doi: 10.1007/978-3-540-24685-5_37.
[7] S. Reddy, S. Nalluri, S. Kunisetti, S. Ashok, and B. Venkatesh, Content-based movie recommendation system using genre correlation, vol. 105, no. September. Springer Singapore, 2019. doi: 10.1007/978-981-13-1927-3_42.
[8] J. Jeon, “Data Science Series: Content-based Recommender System using Azure Databricks,” Visualbi, 2018. https://visualbi.com/blogs/microsoft/azure/data-science-series-content-based-recommender-system-using-azure-databricks/
[9] K. Luk, “Introduction to TWO approaches of Content-based Recommendation System,” Towards Data Science Web page, 2019. https://towardsdatascience.com/introduction-to-two-approaches-of-content-based-recommendation-system-fc797460c18c
[10] D. Jannach, M. Zanker, A. Felfernig, and G. Friedrich, Recommender Systems. Cambridge: Cambridge University Press, 2010. doi: 10.1017/CBO9780511763113.
[11] E. Çano and M. Morisio, “Hybrid recommender systems: A systematic literature review,” Intelligent Data Analysis, vol. 21, no. 6. IOS Press, pp. 1487–1524, 2017. doi: 10.3233/IDA-163209.
[12] B. Wang, “Ranking Evaluation Metrics for Recommender Systems,” Towards Data Science, 2021. https://towardsdatascience.com/ranking-evaluation-metrics-for-recommender-systems-263d0a66ef54
[13] R. J. Tan, “Breaking Down Mean Average Precision (mAP),” Towards Data Science, 2019. https://towardsdatascience.com/breaking-down-mean-average-precision-map-ae462f623a52#1a59
[14] S. Sawtelle, “Mean Average Precision (MAP) For Recommender Systems,” 2016. sdsawtelle.github.io/blog/output/mean-average-precision-MAP-for-recommender-systems.html
[15] G. Shani and A. Gunawardana, “Evaluating Recommendation Systems,” Recommender Systems Handbook, pp. 257–297, 2011, doi: 10.1007/978-0-387-85820-3_8.
[16] P. Refaeilzadeh, L. Tang, and H. Liu, “Cross-Validation,” in Encyclopedia of Database Systems, Springer New York, 2016, pp. 1–7. doi: 10.1007/978-1-4899-7993-3_565-2.
