Di era digital saat ini, film menjadi salah satu bentuk hiburan yang sangat diminati oleh masyarakat. Namun, banyaknya film yang dirilis setiap tahun membuat menemukan film sesuai dengan preferensi pribadi tidaklah mudah. Sistem rekomendasi hadir sebagai solusi dengan memanfaatkan opini dan Rating pengguna lain untuk memberikan rekomendasi yang dipersonalisasi. Penelitian ini mengimplementasikan dan mengevaluasi sistem rekomendasi film yang menggunakan metode Collaborative Filtering berbasis pengguna (User Based). Pada metode ini, tingkat kemiripan antar pengguna diukur menggunakan Cosine Similarity yang dipilih karena kemampuannya menangani data sparse, seperti data Rating film. Dataset yang digunakan bersumber dari Movielens 100k, yang terdiri dari 943 pengguna dan 1.682 film serta merupakan sebuah Dataset populer dalam penelitian sistem rekomendasi film. Nilai MAE sebesar 0.7201 dan RMSE sebesar 0.9267 menunjukkan bahwa sistem rekomendasi mampu menghasilkan prediksi Rating yang cukup mendekati nilai aktual pengguna sehingga metode tersebut dapat dianggap lebih efektif dalam memberikan rekomendasi yang relevan.


Deskripsi Lain

In today's digital age, films have become one of the most popular Forms of entertainment. However, with so many films being released every year, finding films that suit personal preferences is not easy. Recommendation systems offer a solution by utilising the opinions and Ratings of other Users to provide personalised recommendations. This study implements and evaluates a film recommendation system that uses a User-based collaborative filtering method. In this method, the level of Similarity between Users is measured using Cosine Similarity, which was chosen for its ability to handle sparse data, such film Rating data. The Dataset used was sourced from Movielens 100k, which consists of 943 Users and 1,682 films and is a popular Dataset in film recommendation system research. The MAE value of 0.7201 and the RMSE value of 0.9267 indicate that the recommendation system is capable of producing Rating predictions that are quite close to the actual User values, so that the method can be considered more effective in providing relevant recommendations.

• SISTEM REKOMENDASI BUKU ONLINE DENGAN METODE COLLABORATIVE FILTERING
• SISTEM REKOMENDASI PARIWISATA BERBASIS CONTENT BASE FILTERING (STUDI KASUS: JOMBANG)
• Sistem Rekomendasi Produk Pada M-Commerce Berbasis Android Menggunakan Metode Collaborative Filtering
• SISTEM REKOMENDASI PROGRAM STUDI PADA PERGURUAN TINGGI BAGI SISWA SMA DENGAN LOGIKA FUZZY TSUKAMOTO (Studi Kasus : SMA NEGERI 1 KAMAL)
• Penerapan Metode Collaborative Filtering untuk Menentukan Keterkaitan Topik Tugas Akhir