Analisis Kinerja Sistem Rekomendasi yang Menggunakan Collaborative Filtering Berdasarkan Pengguna dengan Python

Abstract

Tujuan dari penelitian ini adalah untuk menilai kinerja sistem rekomendasi yang mengimplementasikan pendekatan Collaborative Filtering berbasis pengguna dengan algoritma K-Nearest Neighbors (KNN) dalam memberikan rekomendasi film kepada pengguna. Sistem ini menggunakan cosine similarity untuk menghitung tingkat kesamaan antar pengguna berdasarkan pola penilaian film yang mereka berikan. Data yang digunakan dibagi menjadi dua set, yaitu training set dan test set, yang kemudian dievaluasi menggunakan metrik precision, recall, F1-score, dan Mean Squared Error (MSE). Hasil evaluasi menunjukkan performa yang sangat baik, dengan nilai precision, recall, dan F1-score mencapai 1.0000, serta MSE sebesar 0.0000, yang menandakan bahwa model berhasil memberikan rekomendasi yang sangat relevan dan akurat tanpa kesalahan prediksi. Hasil ini mengonfirmasi bahwa pendekatan User-Based Collaborative Filtering dengan KNN dan cosine similarity efektif dalam memberikan rekomendasi yang sesuai dengan preferensi pengguna. Penelitian ini juga menunjukkan potensi yang besar untuk mengembangkan sistem rekomendasi berbasis pengguna dengan akurasi dan relevansi yang sangat tinggi.