PENGARUH GAUSSIAN MIXTURE MODELS (GMM) PADA COLLABORATIVE FILTERING DALAM METODE REKOMENDASI FILM

Wulan, Taufika Retno (2026) PENGARUH GAUSSIAN MIXTURE MODELS (GMM) PADA COLLABORATIVE FILTERING DALAM METODE REKOMENDASI FILM. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 123220196_Cover - TAUFIKA RETNO WULAN.pdf Download (234kB)
	Text 123220196_Abstrak - TAUFIKA RETNO WULAN.pdf Download (967kB)
	Text 123220196_Halaman Pengesahan - TAUFIKA RETNO WULAN.pdf Download (142kB)
	Text 123220196_Daftar Isi - TAUFIKA RETNO WULAN.pdf Download (1MB)
	Text 123220196_Daftar Pustaka - TAUFIKA RETNO WULAN.pdf Download (2MB)
	Text 123220196_Fulltext - TAUFIKA RETNO WULAN.pdf Restricted to Repository staff only Download (3MB)

Abstract

Pada era digital ini, layanan streaming film menyediakan jumlah konten yang sangat besar sehingga menimbulkan fenomena kelebihan informasi (information overload), di mana pengguna mengalami kesulitan dalam menemukan film yang sesuai dengan preferensi mereka. Masalah tersebut dapat diatasi dengan menggunakan sistem rekomendasi. Terdapat dua metode populer yang digunakan, yaitu collaborative filtering yang rekomendasinya berdasarkan kemiripan antar perilaku pengguna dan content-based filtering yang berdasarkan kemiripan antar item. Collaborative filtering memiliki masalah cold start dan sparsity data, di mana pemberian rekomendasi tidak akurat pada data yang memiliki pengguna baru dan film baru. Sedangkan content-based filtering memiliki kelemahan overspecialization karena rekomendasinya bergantung pada kemiripan fitur item.
Kedua masalah tersebut dapat ditangani dengan metode hybrid yang menggabungkan beberapa metode sekaligus. Metode hybrid yang digunakan pada penelitian ini menggabungkan collaborative filtering berbasis Singular Value Decomposition (SVD) dengan Gaussian Mixture Models (GMM) untuk content-based clustering serta dilengkapi mekanisme adaptive weighting. GMM melakukan soft clustering pada film berdasarkan genre menggunakan smoothed one-hot encoding untuk merepresentasikan multi-genre film secara akurat. Adaptive weighting memberikan bobot lebih besar pada GMM (α=0,20) untuk pengguna baru dan meningkatkan bobot SVD (α=0,50) seiring bertambahnya riwayat rating pengguna.
Pengujian menggunakan Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE) untuk mengukur tingkat error, Top-K overlap untuk mengukur kesamaan daftar rekomendasi, serta uji paired t-test untuk signifikansi statistik. Hasil pengujian menunjukkan model hybrid berhasil menurunkan RMSE sebesar 1,04% (dari 0,968 menjadi 0,957) dan MAE sebesar 2,82% (dari 0,769 menjadi 0,747). Pada validasi silang 5-fold, model hybrid mencapai rata-rata RMSE 0,945 (peningkatan 1,01%) dan MAE 0,737 (peningkatan 2,9%). Uji paired t-test menghasilkan p-value 0,0009 (RMSE) dan 0,00001 (MAE) yang < 0,05, mengonfirmasi peningkatan akurasi signifikan secara statistik. Untuk pengguna baru, model hybrid menghasilkan 100% rekomendasi sesuai genre favorit dengan nilai Top-K overlap 0% pada K=5.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Sistem rekomendasi film, collaborative filtering, Gaussian Mixture Models, Singular Value Decomposition, hybrid, adaptive weighting, cold start
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	09 Oct 2026 03:51
Last Modified:	09 Oct 2026 03:51
URI:	http://eprints.upnyk.ac.id/id/eprint/49657

Actions (login required)

View Item