Ra’uf, Maswadi. 2026. Penerapan Algoritma SVD++–KNN Menggunakan Metode Weighted Hybrid pada Sistem Rekomendasi Film dan Preferensi Artis Musik. Tugas Akhir. Program Sarjana. Program Studi Teknik Informatika. Universitas Muhammadiyah Jember.
Pembimbing: Dr. Ilham Saifudin, S.Pd., M.Si; Luluk Handayani, S.Si., M.Si.
Sistem rekomendasi adalah salah satu aplikasi Artificial Intelligence yang membantu pengguna menemukan konten sesuai selera mereka. Pendekatan collaborative filtering banyak digunakan karena dapat memberikan rekomendasi berdasarkan pola interaksi pengguna tanpa harus bergantung pada atribut item tertentu. Meski demikian, pendekatan ini masih memiliki kendala, seperti data sparsity yang tinggi, yang menyebabkan kinerja prediksi menurun, terutama pada dataset dengan karakter yang berbeda. Selain itu, variasi jenis umpan balik baik explicit maupun implicit juga mempengaruhi proses pelatihan model dalam menghasilkan rekomendasi yang tepat. Oleh sebab itu, perlu dikembangkan metode yang menggabungkan keunggulan model-based dan memory-based agar kualitas rekomendasi dapat lebih baik.
Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi algoritma SVD++–KNN dengan metode weighted hybrid pada sistem rekomendasi film dan preferensi musik artis berbasis web. Selain itu, penelitian ini menganalisis pengaruh karakteristik dataset terhadap kinerja model. Pendekatan eksperimen kuantitatif digunakan dengan dua dataset: MovieLens 1M untuk domain film dan Last.FM untuk preferensi artis musik. Dataset MovieLens memanfaatkan explicit feedback berupa rating langsung dari pengguna, sementara Last.FM menggunakan implicit feedback berupa play count yang diubah menjadi rating eksplisit melalui fungsi logaritmik dan min-max scaling. Kedua dataset dibagi menjadi 80% data latih dan 20% data uji dengan metode validasi hold-out. Algoritma SVD++ dan KNN digabungkan menggunakan weighted hybrid, dengan nilai α yang ditentukan melalui hyperparameter tuning. Performa dievaluasi menggunakan metrik RMSE dan MAE.
Hasil penelitian menunjukkan bahwa pada dataset MovieLens, metode weighted hybrid SVD++–KNN mencapai RMSE sebesar 0,8594 dan MAE sebesar 0,6747 pada nilai α = 0,80. Sebaliknya, pada dataset Last.FM, nilai RMSE sebesar 0,2632 dan MAE sebesar 0,1955 diperoleh dengan α = 0,90. Perbedaan hasil evaluasi antara kedua dataset dipengaruhi oleh beragamnya karakteristik data, termasuk jenis feedback, tingkat sparsity, distribusi rating, serta proporsi kontribusi algoritma SVD++ dan KNN dalam prediksi. Hasil tuning hyperparameter mengindikasikan bahwa SVD++ memberikan kontribusi yang lebih dominan dibandingkan dengan KNN, terutama pada dataset dengan tingkat sparsity yang lebih tinggi.
Hasil penelitian menunjukkan bahwa metode weighted hybrid SVD++–KNN dapat meningkatkan kinerja sistem rekomendasi untuk domain film dan artis musik. Selain itu, penyesuaian nilai α sesuai karakteristik dataset terbukti berpengaruh terhadap peningkatan performa model. Oleh karena itu, metode ini bisa menjadi pilihan yang efektif untuk pengembangan sistem rekomendasi berbasis collaborative filtering di berbagai bidang data.