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.