PENGEMBANGAN SISTEM REKOMENDASI FILM BERBASIS WEB MENGGUNAKAN ALGORITMA COLLABORATIVE FILTERING

DEVELOPMENT OF A WEB-BASED MOVIE RECOMMENDATION SYSTEM USING COLLABORATIVE FILTERING ALGORITHM

Perkembangan industri hiburan digital yang pesat menuntut adanya sistem yang dapat membantu pengguna menemukan konten yang relevan secara cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi film berbasis web menggunakan algoritma Collaborative Filtering dengan pendekatan user-based dan item-based. Sistem dibangun menggunakan dataset MovieLens dan diimplementasikan dalam platform Google Colab dengan antarmuka Gradio. Fokus utama pengembangan adalah mengatasi dua permasalahan umum dalam Collaborative Filtering, yaitu data sparsity dan cold start problem. Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimen dan dilakukan evaluasi terhadap fungsionalitas, performa, dan akurasi sistem. Hasil pengujian menunjukkan nilai MAE sebesar 1.00, RMSE sebesar 0.87, precision sebesar 1.00, recall sebesar 0.74, dan F1-score sebesar 0.85. Selain itu, hasil uji pengguna menunjukkan bahwa sistem mudah digunakan, cepat dalam merespons, serta mampu memberikan rekomendasi yang relevan. Dengan demikian, sistem ini terbukti layak sebagai solusi dalam memberikan rekomendasi film yang dipersonalisasi dan efisien bagi pengguna.

Kata Kunci: sistem rekomendasi, collaborative filtering, film, MovieLens, web, cold start, data sparsity.

The rapid development of the digital entertainment industry requires a system that can help users find relevant content quickly and accurately. This study aims to develop a web-based movie recommendation system using the Collaborative Filtering algorithm with a user-based and item-based approach. The system was built using the MovieLens dataset and implemented on the Google Colab platform with a Gradio interface. The primary focus of development was to address two common issues in Collaborative Filtering: data sparsity and the cold start problem. This study employed a quantitative approach using experimental methods and evaluated the system's functionality, performance, and accuracy. Test results showed an MAE value of 1.00, an RMSE of 0.87, a precision of 1.00, a recall of 0.74, and an F1-score of 0.85. Additionally, user testing results indicated that the system is easy to use, responds quickly, and is capable of providing relevant recommendations. Thus, this system has proven to be a viable solution for providing personalized and efficient movie recommendations to users.

Keywords: recommendation system, collaborative filtering, movies, MovieLens, web, cold start, data sparsity.