IMPLEMENTASI METODE HYBRID FILTERING (CONTENT BASED AND COLLABORATIVE) DALAM SISTEM REKOMENDASI FILM

Abstract

Lonjakan volume data pada platform streaming memicu fenomena kelebihan informasi (information overload), sehingga diperlukan sistem rekomendasi yang mampu menyajikan konten secara personal dan efisien. Namun, penerapan algoritma tunggal seperti Content-Based Filtering (CBF) maupun Collaborative Filtering (CF) seringkali dihadapkan pada batasan isolasi algoritma, seperti rentannya sistem terhadap ketidaksediaan interaksi pengguna baru (cold-start) dan kekosongan matriks (data sparsity). Oleh karena itu, penelitian ini bertujuan mengembangkan arsitektur sistem rekomendasi film dengan mengusulkan pendekatan Weighted Hybrid Filtering untuk mengatasi kelemahan tersebut. Metode penelitian mengintegrasikan algoritma Content-Based Filtering (berbasis TF-IDF + cosine similarity) dan Collaborative Filtering (berbasis Truncated SVD k=50). Model dibangun menggunakan data multi-sumber, yaitu metadata film dari TMDB dan data rating dari MovieLens, dengan skema pembobotan 40:60. Evaluasi dilakukan menggunakan 5-Fold Cross Validation dengan metrik RMSE, Hit Rate@10, dan Mean Average Precision (MAP). Hasil eksperimen menunjukkan bahwa model hybrid yang diusulkan mampu mengungguli metode tunggal dengan nilai RMSE sebesar 0,731, Hit Rate@10 sebesar 0,716, dan MAP sebesar 0,268. Hasil ini menunjukkan bahwa pendekatan hybrid efektif dalam meningkatkan akurasi serta kualitas rekomendasi. Dengan demikian, penelitian ini memberikan kontribusi dalam pengembangan sistem rekomendasi yang tidak hanya akurat secara prediktif, tetapi juga aplikatif untuk diimplementasikan dalam platform berbasis web