Meningkatnya jumlah judul anime dengan variasi genre, tipe, studio, dan segmentasi usia menyebabkan proses pencarian tontonan yang sesuai preferensi pengguna menjadi semakin kompleks, sehingga dibutuhkan sistem rekomendasi yang mampu menyaring pilihan konten secara relevan dan efisien. Penelitianpenelitian terdahulu umumnya menerapkan algoritma klasifikasi dan algoritma perhitungan kemiripan secara terpisah, sehingga integrasi antara algoritma random forest dan K-Nearest Neighbor (KNN) dalam sistem rekomendasi anime berbasis content-based filtering masih belum banyak dikaji. Berdasarkan celah tersebut, rumusan masalah dalam penelitian ini adalah seberapa besar kinerja pendekatan weighted hybrid yang mengintegrasikan skor klasifikasi random forest dan skor kemiripan KNN dalam menghasilkan rekomendasi anime, ditinjau dari nilai Normalized Discounted Cumulative Gain (NDCG), precision, dan waktu komputasi. Berdasarkan rumusan masalah tersebut, penelitian ini bertujuan menganalisis kinerja pendekatan weighted hybrid yang mengintegrasikan skor klasifikasi algoritma random forest dan skor kemiripan K-Nearest Neighbor (KNN) dalam menghasilkan rekomendasi anime, berdasarkan metrik NDCG, precision, dan waktu komputasi. Dataset yang digunakan merupakan data sekunder dari situs Kaggle yang terdiri atas 24.905 records, meliputi atribut name, genres, type, studios, rating, dan score. Atribut score digunakan sebagai dasar pembentukan label kelayakan konten ("Layak" dan "Tidak Layak") melalui pendekatan mean thresholding pada tahap pre-processing, dilanjutkan dengan transformasi fitur menggunakan Multi-Label Binarizer dan Label Encoder. Algoritma random forest dilatih untuk mengklasifikasikan kelayakan anime berdasarkan atribut genres, type, studios, dan rating, sedangkan algoritma KNN digunakan untuk menghitung tingkat kemiripan antar anime berdasarkan fitur genres menggunakan cosine similarity. Kedua skor tersebut digabungkan melalui skema pembobotan (weighted hybrid) untuk menghasilkan urutan rekomendasi akhir yang ditampilkan kepada pengguna melalui antarmuka berbasis website. Evaluasi dilakukan pada tiga skenario pembagian data (70:30, 80:20, dan 90:10) menggunakan skema pengujian Top-K (K=10, 20, dan 30) serta evaluasi global. Hasil pengujian menunjukkan bahwa sistem memperoleh nilai precision tertinggi sebesar 85% dan NDCG sebesar 94,9% pada pengujian Top-K, serta nilai precision sebesar 75,6% dan NDCG sebesar 97,7% pada evaluasi keseluruhan, yang mengindikasikan bahwa urutan rekomendasi yang dihasilkan sudah mendekati urutan ideal yang diharapkan. Dari sisi efisiensi, sistem menghasilkan rekomendasi dengan waktu pemrosesan kurang dari 2,5 detik pada pengujian TopK dan waktu tercepat sebesar 4,464 detik pada skenario pembagian data 90:10.
Berdasarkan hasil tersebut, dapat disimpulkan bahwa pendekatan weighted hybrid yang mengintegrasikan skor klasifikasi random forest dan skor kemiripan KNN terbukti memiliki kinerja yang baik dalam menghasilkan rekomendasi anime, baik dari segi kualitas rekomendasi (NDCG dan precision) maupun efisiensi waktu komputasi, sehingga pendekatan ini efektif digunakan sebagai metode rekomendasi anime.