ANALISIS KINERJA SISTEM REKOMENDASI FILM MENGGUNAKAN HYBRID  MODEL COLLABORATIVE FILTERING MATRIX  FACTORIZATION

Fani Suryaningsih; Rudi Kurniawan; Bani Nurhakim; Aris Pratama Putra

Authors

Fani Suryaningsih STMIK IKMI Cirebon, Indonesia
Rudi Kurniawan STMIK IKMI Cirebon, Indonesia
Bani Nurhakim STMIK IKMI Cirebon, Indonesia
Aris Pratama Putra STMIK IKMI Cirebon, Indonesia

Keywords:

Sistem rekomendasi film, Hybrid Collaborative Filtering, Matrix Factorization (SVD), Evaluasi RMSE, Data sparsity

Abstract

Banyaknya judul film, variasi genre, serta perbedaan kualitas film yang tersedia pada berbagai platform digital seringkali membuat pengguna mengalami kesulitan dalam menemukan tontonan yang sesuai dengan preferensi mereka. Kondisi ini menunjukkan pentingnya keberadaan sistem rekomendasi yang mampu memberikan saran secara lebih akurat dan adaptif. Selain itu, sistem rekomendasi juga dihadapkan pada beberapa permasalahan umum seperti data sparsity dan cold-start, yang dapat mempengaruhi kinerja metode Collaborative Filtering konvensional. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi film menggunakan pendekatan hybrid, yaitu dengan menggabungkan metode Item-Based Collaborative Filtering dan Matrix Factorization menggunakan algoritma Singular Value Decomposition (SVD). Sistem dikembangkan menggunakan bahasa pemrograman Python dan diuji menggunakan dataset MovieLens 1M. Proses penelitian meliputi beberapa tahapan, yaitu pra-pemrosesan data, pembagian data menggunakan metode k-fold cross-validation, serta proses optimasi hyperparameter yang mencakup jumlah faktor laten (n_factors), nilai regularisasi, dan learning rate. Kinerja model dievaluasi menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) untuk mengukur tingkat kesalahan prediksi antara rating aktual dan rating yang dihasilkan oleh model. Hasil penelitian menunjukkan bahwa model hybrid yang diusulkan mampu menghasilkan performa yang lebih baik dengan nilai RMSE sebesar 0,8682 dan MAE sebesar 0,6796, serta menunjukkan peningkatan kinerja dibandingkan dengan model User-Based Collaborative Filtering maupun model SVD yang digunakan secara terpisah. Selain itu, visualisasi hasil cross-validation serta pengujian statistik menunjukkan bahwa model hybrid memiliki performa yang lebih konsisten dalam menghasilkan prediksi rating. Hasil penelitian ini menunjukkan bahwa penggabungan pendekatan berbasis kemiripan pengguna dengan teknik ekstraksi faktor laten mampu mengatasi permasalahan data sparsity secara lebih efektif serta menghasilkan rekomendasi yang lebih relevan bagi pengguna. Dengan demikian, model hybrid Collaborative Filtering dan Matrix Factorization yang dikembangkan dalam penelitian ini terbukti mampu meningkatkan akurasi sistem rekomendasi dan memiliki potensi untuk diterapkan dalam pengembangan sistem rekomendasi film pada lingkungan nyata.

References

L. Zhang, L. Wang, J. Dang, L. Guo, And Q. Yu, “Gender-Aware Cnn-Blstm For Speech Emotion Recognition,” In Lecture Notes In Computer Science (Including Subseries Lecture Notes In Artificial Intelligence And Lecture Notes In Bioinformatics), 2018, Pp. 782–790. Doi: 10.1007/978-3-030-01418-6_76.

R. Maurya, N. Nath Pandey, And M. Kishore Dutta, “Visioncervix: Papanicolaou Cervical Smears Classification Using Novel Cnn-Vision Ensemble Approach,” Biomed. Signal Process. Control, Vol. 79, 2023, Doi: 10.1016/J.Bspc.2022.104156.

B. H. Pansambal, A. B. Nandgaokar, J. L. Rajput, And A. Wagh, “An Integrated Cnn-Bilstm Approach For Facial Expressions,” International Journal Of Advanced Computer Science And Applications, Vol. 15, No. 3, Pp. 985–990, 2024, Doi: 10.14569/Ijacsa.2024.0150398.

N. Wu, D. Jia, C. Zhang, And Z. Li, “Cervical Cell Classification Based On Strong Feature Cnn-Lsvm Network Using Adaboost Optimization,” Vol. 44, No. 3, Pp. 4335–4355, 2023, Doi: 10.3233/Jifs-221604.

D. J. Chaudhari And K. Malathi, “Detection And Prediction Of Rice Leaf Disease Using A Hybrid Cnn-Svm Model,” Optical Memory And Neural Networks (Information Optics), Vol. 32, No. 1, Pp. 39–57, 2023, Doi: 10.3103/S1060992x2301006x.

M. Khan And S. Kwon, “1d-Cnn: Speech Emotion Recognition System Using A Stacked Network With Dilated Cnn Features,” Computers, Materials And Continua, Vol. 67, No. 3, Pp. 4039–4059, 2021, Doi: 10.32604/Cmc.2021.015070.

S. M. H. Ali Shuvo And R. Khan, “Bangla Speech-Based Emotion Detection Using A Hybrid Cnn-Transformer Approach,” In Proceedings - 2023 8th International Conference On Communication, Image And Signal Processing, Ccisp 2023, 2023, Pp. 163–167. Doi: 10.1109/Ccisp59915.2023.10355685.

A. Shaik, G. Prabhakar Reddy, R. Vidya, J. Varsha, G. Jayasree, And L. Sriveni, “Hybrid Cnn-Lstm Framework For Robust Speech Emotion Recognition,” In Proceedings - International Research Conference On Smart Computing And Systems Engineering, Scse 2025, 2025. Doi: 10.1109/Scse65633.2025.11031070.

H. Oleiwi, A. Alkaim, And H. Jasim, “Cross-Corpus Speech Emotion Recognition Using Cnn-Mfcc Fusion, Nca Feature Selection, And Bilstm Classification,” Computers & Electrical Engineering, Vol. 119, P. 109626, 2025.

A. Islam, M. Foysal, And M. I. Ahmed, “Emotion Recognition From Speech Audio Signals Using Cnn-Bilstm Hybrid Model,” In 2024 3rd International Conference On Advancement In Electrical And Electronic Engineering, Icaeee 2024, 2024. Doi: 10.1109/Icaeee62219.2024.10561755.

J. L. Bautista, Y. K. Lee, And H. S. Shin, “Speech Emotion Recognition Based On Parallel Cnn-Attention Networks With Multi-Fold Data Augmentation,” Electronics (Switzerland), Vol. 11, No. 23, 2022, Doi: 10.3390/Electronics11233935.