Research & Simulation

Sistem Rekomendasi Film Berdasarkan

RIWAYAT RATING PENGGUNA

Mengeksplorasi perbandingan empiris kinerja pendekatan Demographic Filtering, Content-Based Filtering, dan Collaborative Filtering.

Mulai SimulasiPelajari Latar Belakang

LATAR BELAKANG

Mengapa sistem rekomendasi menjadi krusial di era transformasi digital.

Fenomena "Information Overload"

Paradoks Pilihan di Layanan Streaming

"Fenomena information overload terjadi ketika volume informasi yang tersedia melampaui kapasitas pemrosesan kognitif pengguna, menyebabkan kebingungan dan kesulitan dalam mengambil keputusan."

— Fayyaz, et al.

Di era digital ini, pengguna sering menghabiskan waktu yang tidak proporsional hanya untuk memilih tontonan. Akibatnya, tingkat kepuasan menurun. Munthe & Siregar menekankan bahwa penyedia layanan memiliki urgensi bisnis untuk membantu pengguna menemukan konten secara otomatis guna meningkatkan retensi pengguna.
2,2 Juta

Jumlah Konteks Rating

Riwayat data rating pengguna dari TMDB

45.000+

Katalog Film

Semakin banyak pilihan memicu information overload

TAKSONOMI ALGORITMA

Tiga metode paling fundamental yang memiliki filosofi berbeda dalam mendefinisikan "relevansi" rekomendasi (Li et al).

Demographic Filtering

Model Baseline

Bekerja dengan mengelompokkan pengguna berdasarkan atribut umum atau merekomendasikan item yang populer secara global. Menggunakan formula Weighted Rating (seperti IMDb).

Keunggulan: Mengatasi masalah cold-start dengan konten teruji.

Kelemahan: Bersifat statis, tidak dipersonalisasi.

Content-Based Filtering

NLP & TF-IDF

Menganalisis atribut intrinsik (sinopsis, genre, aktor) menggunakan NLP. Jika pengguna menyukai film A, sistem mencari film B yang memiliki kemiripan teks.

Keunggulan: Menemukan film spesifik sesuai riwayat tontonan individu.

Kelemahan: Rentan "filter bubble" / overspecialization.

Collaborative Filtering

SVD Matrix Factorization

Memanfaatkan "wisdom of the crowd". Memprediksi preferensi berdasarkan pola interaksi komunitas menggunakan SVD (Singular Value Decomposition).

Keunggulan: Rekomendasi lintas-genre yang tidak terduga.

Tantangan: Membutuhkan penanganan skalabilitas (sparsity).

RESEARCH GAP & EVALUASI

Memahami trade-off dari setiap metode sangat penting sebelum merancang sistem kompleks.

Kesenjangan Penelitian Saat Ini

Sebagian besar penelitian terkini (seperti Sharma et al.) cenderung langsung berfokus pada pengembangan sistem Hybrid yang kompleks tanpa terlebih dahulu melakukan komparasi mendalam secara terpisah pada dataset yang sama.

Penelitian ini bertujuan untuk merancang dan membandingkan secara komparatif kinerja dari Demographic Filtering, Content-Based Filtering, dan Collaborative Filtering.