Perpustakaan Digital ITB

Pesatnya perkembangan industri film membuat sistem rekomendasi film semakin dibutuhkan. Sistem rekomendasi film adalah sebuah sistem yang memberikan daftar rekomendasi film kepada pengguna. Terdapat beberapa tipe sistem rekomendasi, di antaranya: knowledge-based recommender, content-based system, dan collaborative filtering. Pada Tugas Akhir ini digunakan tipe collaborative filtering dengan metode faktorisasi matriks. Faktorisasi matriks merupakan sebuah metode yang memfaktorkan matriks pengguna-barang menjadi dua matriks yang lebih kecil, yaitu matriks pengguna dan matriks barang. Tugas Akhir ini bertujuan untuk membuat dan melakukan analisis terhadap pengaruh hyperparameter pada model sistem rekomendasi film dengan metode faktorisasi matriks. Dataset yang digunakan pada Tugas Akhir ini adalah MovieLens 100k yang memuat total seratus ribu penilaian yang diberikan oleh sebanyak 943 pengguna di 1682 film. Pelatihan model dilakukan dengan cara melakukan variasi hyperparameter, yaitu: jumlah fitur (k), learning rate (?), dan faktor regularisasi (?). Inisiasi keacakan matriks dibedakan menjadi tiga matriks inisiasi. Nilai hyperparameter jumlah fitur (k) menentukan tingkat kompleksitas dari model, bertambahnya nilai k akan meningkatkan performa model dalam memberikan prediksi. Jumlah iterasi yang diperlukan oleh model untuk mencapai performa tertentu dapat dipengaruhi oleh learning rate (?). Pemilihan nilai ? yang terlalu besar menyebabkan model menjadi tidak konvergen. Faktor regularisasi (?) menentukan seberapa besar penalty yang diberlakukan kepada model sehingga dapat membantu model terhindar dari over-fit. Perbedaan matriks inisiasi P dan Q pada proses pelatihan dapat berpengaruh pada model yang dihasilkan, yaitu pada pemberian daftar rekomendasi yang berbeda.