Mesin Rekomendasi Film Menggunakan Metode Kemiripan Genre Berbasis Collaborative Filtering

Era digital ditandai dengan information overload membutuhkan cara penemuan kembali informasi yang efektif. Sistem rekomendasi muncul sebagai solusi memberikan informasi atau item yang bersifat personal dengan mempelajari interaksi seorang pengguna dan pengguna lain dan items yang telah terekam sebelumnya tanpa memasukkan query seperti pada search engine. Collaborative filtering sebagai metode dalam memberikan rekomendasi personal. Pada paper ini peneliti menyodorkan sebuah model mesin rekomendasi untuk user baru dengan metode Collaborative Filtering dengan algoritma alternating least square-weight regularization (ALS-WR) yang kemudian di filter kembali berdasarkan kemiripian genrenya yang menggunakan algoritma cosine similarity dengan tujuan memberikan error terkecil dengan presisi yang tinggi. Untuk dataset peneliti menggunakan dataset dari movielens.org. Root Mean Squared Error (RMSE) pada saat training mendapatkan hasil prediksi pada dataset 100K adalah 0.96 (validasi) sementara 0.94 (test), pada dataset 1M nilai RMSE 0.86 (validasi) dan 0.96 (test), pada dataset 10M nilai RMSE 0.81 (validasi) sementara RMSE pada data test diperoleh 0.81 (test). Terlihat bahwa algoritma ALS-WR dapat mengatasi overfitting karena hasil dari validasi dan test pada saat training adalah sama. Terlihat juga semakin besar data, RMSE semakin kecil, dengan demikian ALS-WR dapat digunakan untuk data yang terus tumbuh dan bertambah. Hasil dari cosine similarity untuk mendekatkan hasil collaborative filtering dengan genrenya juga didapatkan nilai 1 untuk kemiripan 100% dan nilai itu akan berkurang berdasarkan tingkat kemiripan suatu item film yang dipilih user. Untuk uji penerimaan user didapatkan hanya 28% dari hasil rekomendasi pertama yang dapat diterima user, nilai ini meningkat menjadi 62% tingkat penerimaan user terhadap rekomendasi kedua. Hasil akhir ternyata 75% responden lebih menyukai rekomendasi kedua yaitu hasil dari filtering dua tahap dibandingkan hanya collaborative filtering saja. ================================================================================================================== The digital era marked with information overload requires an effective way of rediscovery of information. The recommendation system emerges as a solution to discovery personal information by studying the interaction of a user and items that have been previously recorded without enter a query like the search engine. Collaborative filtering with alternating least square-weight regularization algorithm (ALS-WR) as a method of providing personal recommendations. In this paper the researcher presented a recommendation engine model for the new user with Collaborative Filtering method which was filtered back based on its genre resemblance using cosine similarity algorithm with the aim of giving the smallest error with high precision. For dataset researchers use the dataset from movielens.org. Root Mean Squared Error (RMSE) during training gets predicted results on 100K datasets is 0.96 (validation) and 0.94 (test), on 1M dataset RMSE 0.86 (validation) and 0.96 (test), on 10M dataset RMSE 0.81 (validation)and .81 (test). It can be seen that ALS-WR algorithm not overfit because the result of validation and test during training is the same. Also visible the larger the data, the smaller RMSE, thus ALS-WR can be used for data that continues to grow and grow. The result of cosine similarity to get closer to the collaborative filtering with the genre is also obtained value 1 for 100% resemblance and the value will decrease based on the similarity level of a selected item of the user. For user acceptance test only 28% of the first user acceptable recommendation, this value increased to 62% acceptance level of the user against the second recommendation. The final result turned out that 75% of respondents prefer the second recommendation is the result of two-stage filtering than just collaborative filtering alone