(PENGEMBANGAN SISTEM REKOMENDASI FILM MENGGUNAKAN METODE DATA MINING: STUDI KASUS PADA DATABASE IMDB) DENGAN MENGGUNAKAN METODE CLUSTERING (K-MEANS)

Abstrak

Sistem rekomendasi film menjadi semakin penting dalam membantu pengguna menemukan film yang sesuai dengan preferensi mereka, terutama di tengah melimpahnya jumlah film yang tersedia secara daring. Penelitian ini mengangkat topik pengembangan sistem rekomendasi film berbasis data mining dengan menggunakan kombinasi metode Mini-Batch K-Means Clustering, Collaborative Filtering, dan Content-Based Filtering. Permasalahan yang dihadapi adalah bagaimana meningkatkan akurasi rekomendasi agar sesuai dengan kebutuhan pengguna. Penelitian ini menerapkan pendekatan CRISP-DM yang terdiri dari enam tahap: business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Data yang digunakan berasal dari database IMDb, difilter berdasarkan tahun rilis 2014–2024 dan hanya mencakup film berbahasa Inggris. Metode Mini-Batch K-Means digunakan untuk mengelompokkan film berdasarkan kesamaan fitur seperti genre, rating, dan pemeran, sementara Collaborative Filtering dan Content-Based Filtering digunakan untuk menghasilkan rekomendasi yang relevan. Evaluasi sistem dilakukan dengan metrik precision, recall, dan F1-score untuk mengukur kualitas rekomendasi. Hasil evaluasi menunjukkan bahwa penggabungan ketiga metode tersebut mampu meningkatkan akurasi dan relevansi rekomendasi dibandingkan penggunaan metode tunggal. Sistem diuji menggunakan metode Blackbox dan User Acceptance Testing (UAT), dan dinyatakan berjalan dengan baik. Diharapkan penelitian ini memberikan kontribusi dalam pengembangan solusi sistem rekomendasi yang efektif, efisien, dan aplikatif dalam mendukung pengambilan keputusan pengguna dalam memilih film yang sesuai dengan preferensi mereka.