Sistem rekomendasi film dengan Collaborative Deep Learning

Abstract

Kemajuan teknologi memungkinkan individu untuk menjalankan berbagai aktivitas melalui perangkat gadget, seperti mengakses internet, media sosial, berbelanja online, dan menikmati berbagai layanan hiburan seperti layanan streaming film. Kemudahan akses ini menciptakan tantangan bagi penggemar film untuk menemukan film yang sesuai dengan preferensi di tengah informasi yang melimpah. Salah satu solusi untuk mengatasi tantangan ini adalah penggunaan sistem rekomendasi yang memanfaatkan teknologi untuk memberikan rekomendasi yang dipersonalisasi kepada pengguna berdasarkan preferensi pengguna. Penelitian ini berfokus pada pengembangan sistem rekomendasi film menggunakan pendekatan Collaborative Deep Learning (CDL). CDL menggabungkan keunggulan deep learning dalam ekstraksi fitur otomatis dengan pendekatan collaborative filtering untuk meningkatkan kualitas rekomendasi. Implementasi CDL mencakup penggunaan Probabilistic Matrix Factorization (PMF) dan Stacked Denoising Autoencoder (SDAE). PMF digunakan untuk memodelkan hubungan antara pengguna dan film, sementara SDAE digunakan untuk mengekstraksi representasi fitur dari data konten film. Metode ini memungkinkan sistem untuk secara bersamaan mengeksplorasi preferensi pengguna dan informasi konten film. Penelitian ini menggunakan data terkait informasi film dan rating film dari MovieLens dan The Movie Database (TMDB) sebagai sumber data. Pengumpulan data dilakukan melalui situs Grouplens dan Kaggle. Pembuatan model dilakukan melalui 3 tahap, yaitu eksperimen pemilihan parameter model, eksperimen pembuatan model menggunakan seluruh data, dan pembuatan model akhir. Berdasarkan eksperimen yang dilakukan, pengaturan model yang memberikan hasil terbaik adalah model yang menggunakan kata kunci film dan sinopsis film sebagai data informasi konten film, menggunakan fungsi aktivasi sigmoid, inisialisasi parameter menggunakan distribusi multivariate normal, nilai rating film 0 diganti dengan rata-rata rating masing-masing film, kosa kata yang didapatkan dari informasi konten film disaring, serta memanfaatkan 2.000 epoch dalam proses pelatihan model. Pengaturan model tersebut digunakan dalam pembuatan model akhir. Setelah pembuatan model CDL, 3 evaluasi dilakukan untuk melihat performa model. Evaluasi tersebut adalah evaluasi model, evaluasi hasil rekomendasi secara kuantitatif, dan evaluasi hasil rekomendasi secara kualitatif. Evaluasi model dilakukan dengan memanfaatkan reconstruction loss dan rating loss untuk mengevaluasi performa model CDL, evaluasi hasil rekomendasi secara kuantitatif dilakukan dengan memanfaatkan rata-rata recall dari keseluruhan pengguna, evaluasi hasil rekomendasi secara kualitatif dilakukan dengan mengamati apakah hasil rekomendasi sudah sesuai dengan preferensi pengguna. Berdasarkan evaluasi hasil rekomendasi secara kuantitatif dan kualitatif dapat dikatakan bahwa model sudah memberikan rekomendasi yang baik. Pada evaluasi hasil rekomendasi secara kuantitatif, recall yang didapatkan adalah 53%. Rating loss yang didapatkan adalah 0,243 dan reconstruction loss yang didapatkan adalah 1,472. Hasil akhir dari penelitian ini adalah sebuah perangkat lunak yang menampilkan rekomendasi film untuk setiap pengguna berdasarkan hasil rekomendasi dari model Collaborative Deep Learning.