Pengembangan Algoritma Rekomendasi Menggunakan Collaborative Filtering dan Content-Based Filtering

Abstract

Dalam era digital saat ini, sistem rekomendasi memainkan peran penting dalam membantu pengguna menemukan informasi atau produk yang relevan di tengah banyaknya pilihan yang tersedia. Namun, sistem rekomendasi tradisional sering menghadapi tantangan seperti masalah cold start dan sparsity. Penelitian ini bertujuan untuk mengembangkan algoritma rekomendasi yang lebih efektif dengan menggabungkan dua pendekatan utama, yaitu Collaborative Filtering (CF) dan Content-Based Filtering (CBF). CF memanfaatkan data interaksi pengguna sebelumnya untuk memberikan rekomendasi berdasarkan preferensi pengguna yang serupa, sementara CBF menggunakan fitur atau karakteristik konten untuk menyarankan item yang sesuai dengan minat pengguna.

Metodologi penelitian ini melibatkan pengujian dan penggabungan kedua pendekatan tersebut menggunakan teknik weighted hybridization, di mana bobot tertentu diberikan pada hasil dari CF dan CBF berdasarkan kinerja model. Data yang digunakan terdiri dari 10.000 pengguna dan 5.000 item, dengan total 150.000 interaksi. Hasil eksperimen menunjukkan bahwa pendekatan hibrida mampu meningkatkan akurasi rekomendasi secara signifikan, dengan peningkatan precision sebesar 0,82, recall sebesar 0,76, dan F1-score sebesar 0,79, serta mengurangi Mean Absolute Error (MAE) menjadi 0,22. Selain itu, pendekatan hibrida juga berhasil mengatasi masalah cold start dan meningkatkan diversitas rekomendasi.

Temuan ini menunjukkan bahwa pendekatan hibrida dapat menjadi solusi yang efektif dalam pengembangan sistem rekomendasi yang adaptif dan personal, serta dapat diterapkan dalam berbagai domain seperti e-commerce, layanan streaming, dan media sosial.