OPTIMASI SISTEM REKOMENDASI FILM MENGGUNAKAN METODE HYBRID FILTERING

Abstrak

Transformasi digital dalam industri hiburan telah mendorong kebutuhan akan sistem rekomendasi yang cerdas dan adaptif, khususnya untuk platform streaming berbasis mikro seperti konter pulsa MJ CELL. Penelitian ini bertujuan mengembangkan sistem rekomendasi film anime menggunakan pendekatan Hybrid Filtering yang menggabungkan metode Collaborative Filtering (CF) berbasis algoritma Singular Value Decomposition (SVD) dan Content-Based Filtering (CBF) berbasis TF-IDF dan Cosine Similarity. Penelitian dilakukan menggunakan dataset sekunder dari MyAnimeList melalui Kaggle, yang terdiri dari lebih dari 73.000 pengguna dan 12.000 judul anime. Proses pengembangan mengikuti metodologi CRISP-DM dengan tahapan preprocessing, pelatihan model, dan evaluasi kinerja. Evaluasi dilakukan menggunakan metrik RMSE, MAE, Precision@10, Recall@10, dan F1-Score@10. Hasil menunjukkan bahwa model CF memiliki performa prediktif terbaik (RMSE = 1,08), sementara model Hybrid mampu menjaga keseimbangan antara akurasi dan cakupan rekomendasi (Precision@10 = 82,77%, F1@10 = 0,6168). Sistem juga diimplementasikan dalam bentuk prototipe web menggunakan Flask, dengan fitur autentikasi pengguna, rating, dan tampilan rekomendasi personal. Penelitian ini menyimpulkan bahwa pendekatan Hybrid Filtering efektif untuk meningkatkan kualitas rekomendasi, serta relevan diterapkan pada platform streaming skala kecil yang memiliki keterbatasan data pengguna.