Optimasi Model Sistem Rekomendasi Film Dengan Neural Network (Studi Kasus: Platform Letterboxd)

Abstract

Perkembangan internet yang pesat diiringi banyaknya penggunaan internet membuat pengguna menghadapi masalah kelebihan informasi. Sistem rekomendasi pun hadir sebagai alat penyaringan informasi yang menyajikan item kepada pengguna berdasarkan preferensi dan perilaku pengguna. Salah satu penerapan sistem rekomendasi dalam dunia hiburan adalah sistem rekomendasi pada film untuk ditonton. Letterboxd merupakan sebuah platform kecil yang masih berkembang untuk komunitas yang sangat gemar terhadap film. Sebagai platform media sosial yang berfokus pada film, Letterboxd belum memberikan fasilitas rekomendasi kepada pengguna berdasarkan preferensi pengguna. Sampai saat ini, penelitian tentang penggunaan optimizer yang optimal untuk digunakan dalam sistem rekomendasi juga belum terpapar dalam literatur terkait. Untuk itu, dilakukan penelitian yang bertujuan untuk membangun algoritma model dan menemukan optimizer terbaik dalam model sistem rekomendasi dengan metode item-based collaborative filtering berbasis neural network (jaringan saraf). Penelitian ini membangun algoritma model sistem rekomendasi yang terdiri dari tiga dense layer utama dengan jumlah neuron yang diberikan pada masing-masing layer adalah 400, 200, dan 100 neuron. Penelitian ini membagi sesi training ke dalam 5 skenario berdasarkan optimizer yang digunakan. Hasil penelitian menunjukkan bahwa model dengan optimizer SGD menunjukkan model dengan kinerja terbaik dengan nilai loss prediksi 2,1742.