REKOMENDASI FILM BERDASARKAN RIWAYAT RATING PENGGUNA MENGGUNAKAN COLLABORATIVE FILTERING

Azmi, Romiza Farrel Andaluswirawan (2026) REKOMENDASI FILM BERDASARKAN RIWAYAT RATING PENGGUNA MENGGUNAKAN COLLABORATIVE FILTERING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (320kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (2MB)
	Text (BAB V) BAB V.pdf - Published Version Download (162kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (170kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.3858.zip Restricted to Repository staff only Download (86kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (564kB)

Abstract

Fenomena information overload pada industri perfilman digital saat ini mengakibatkan pengguna mengalami kesulitan dalam menentukan pilihan tontonan yang relevan, yang berdampak pada penurunan efisiensi waktu dan kepuasan 3rekomendasi film yang mampu mengurai kompleksitas tersebut dengan menerapkan tiga metode komparatif, yaitu Demographic Filtering, Content-Based Filtering, dan Collaborative Filtering berbasis algoritma Singular Value Decomposition (SVD). Implementasi sistem dilakukan menggunakan arsitektur microservices dengan mengintegrasikan pangkalan data MovieLens dan TMDB. Evaluasi kualitas performa sistem tidak hanya diukur melalui metrik statistik RMSE dan MAE, tetapi juga melalui parameter usulan Recommendation Quality Score (RQS) yang menggabungkan aspek akurasi, personalisasi, dan diversitas secara proporsional. Hasil penelitian menunjukkan bahwa algoritma SVD merupakan metode paling superior dengan capaian skor RQS tertinggi sebesar 80,78 dibandingkan metode lainnya. Sistem ini berhasil memberikan rekomendasi yang presisi namun tetap variatif bagi pengguna guna memitigasi efek filter bubble. Kontribusi penelitian ini dapat dimanfaatkan oleh pengembang platform streaming video untuk meningkatkan retensi pengguna melalui personalisasi konten yang lebih cerdas. Penelitian lebih lanjut direkomendasikan untuk melakukan kalibrasi bobot heuristik RQS melalui pengujian langsung kepada responden riil atau penggunaan algoritma deep learning untuk menangani skala data yang lebih masif.

Actions (login required)

View Item