Implementasi Sistem Rekomendasi Film Menggunakan Algoritma Matrix Factorization Berbasis Flask untuk Personalisasi Konten di Era Disrupsi Digital
Keywords:
Sistem rekomendasi, Matrix Factorization, Collaborative Filtering, MovieLens, FlaskAbstract
Perkembangan teknologi digital telah menyebabkan peningkatan signifikan pada volume informasi yang dihasilkan setiap hari. Dalam konteks layanan hiburan daring, pengguna sering mengalami kesulitan menemukan film sesuai preferensi pribadi akibat banyaknya pilihan konten yang tersedia (information overload). Penelitian ini mengusulkan sistem rekomendasi film berbasis algoritma Matrix Factorization (MF) dengan pendekatan Collaborative Filtering untuk memberikan rekomendasi personal. Dataset yang digunakan adalah MovieLens 100K, yang telah menjadi standar evaluasi dalam penelitian sistem rekomendasi. Model dilatih menggunakan metode optimisasi Stochastic Gradient Descent (SGD) dengan pembagian data 80:20 antara training dan testing. Evaluasi dilakukan menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa model mencapai RMSE = 0.9026 dan MAE = 0.6943, dengan korelasi sebesar 0.5018, menandakan prediksi yang cukup akurat terhadap rating aktual pengguna. Penelitian ini difokuskan pada pembangunan model dan rancangan sistem, sedangkan implementasi aplikasi web akan menjadi tahap lanjutan.
References
Y. Koren, R. Bell, and C. Volinsky, “Matrix factorization techniques for recommender systems,” IEEE Computer, vol. 42, no. 8, pp. 30–37, 2009.
F. M. Harper and J. A. Konstan, “The MovieLens datasets: History and context,” ACM Transactions on Interactive Intelligent Systems, vol. 5, no. 4, pp. 1–19, 2015.
F. Ricci, L. Rokach, and B. Shapira, Recommender Systems Handbook, 2nd ed., Springer, 2015.
J. Bobadilla, F. Ortega, and A. Gutiérrez, “Comprehensive evaluation of matrix factorization models for collaborative filtering recommender systems,” International Journal of Interactive Multimedia and Artificial Intelligence, vol. 8, no. 6, pp. 15–23, 2024.
C. C. Aggarwal, Recommender Systems: The Textbook, Springer, 2016.
S. Rendle, L. Zhang, and Y. Koren, “On the difficulty of evaluating baselines: A study on recommender systems,” arXiv preprint, 2019.
R. Fiagbe, “Movie recommender system using matrix factorization,” Master’s Thesis, University of Central Florida, 2023.
A. Abdolmaleki et al., “An optimal context-aware content-based movie recommendation using genetic algorithms,” Journal of Information Science, 2024.
F. B. Arviyanto and A. A. Soebroto, “Sistem rekomendasi model sandal pada home industri menggunakan collaborative filtering dan matrix factorization,” Jurnal PTIIK UB, vol. 9, no. 1, 2025.
R. Saputra, “Implementasi sistem rekomendasi film dengan metode Matrix Factorization,” Jurnal Teknologi Informasi UB, 2022.
M. Grinberg, Flask Web Development: Developing Web Applications with Python, 2nd ed., O’Reilly Media, 2018.
