Implementasi Content-Based Filtering dan Singular Value Decomposition untuk Rekomendasi Film

Abstrak

Pertumbuhan katalog layanan video daring menimbulkan kelebihan informasi yang menyulitkan pengguna menemukan film sesuai preferensi. Penelitian ini bertujuan membangun dan mengevaluasi dua pendekatan sistem rekomendasi film, yaitu content-based filtering menggunakan TF-IDF dan cosine similarity serta collaborative filtering menggunakan Singular Value Decomposition (SVD). Data penelitian mencakup 4.803 film beserta kredit produksi dan 100.004 interaksi rating pengguna. Tahapan penelitian meliputi pembersihan dan integrasi data, pembentukan representasi konten, pemodelan faktor laten, pembagian data latih dan uji sebesar 75:25, serta evaluasi menggunakan Precision dan Root Mean Squared Error. Hasil pengujian menunjukkan bahwa rekomendasi berbasis konten memperoleh Precision 0,70 berdasarkan kesesuaian genre, sedangkan rekomendasi berbasis sutradara dan aktor mencapai presisi 1,00 karena fitur pemeringkatan identik dengan kriteria relevansi. Model SVD menghasilkan RMSE 0,9007 dan mampu memberikan rekomendasi personal berdasarkan pola rating pengguna. Kontribusi penelitian terletak pada evaluasi dua baseline dengan tujuan berbeda, analisis potensi bias pada pengukuran presisi, serta penegasan pentingnya konsistensi identitas film lintas dataset. Content-based filtering efektif untuk menemukan film serupa berdasarkan metadata, sedangkan SVD mampu memodelkan preferensi laten pengguna, tetapi hasil kedua pendekatan harus ditafsirkan menggunakan metrik yang sesuai.