Perpustakaan Digital ITB

Sistem rekomendasi film berbasis collaborative filtering dan content-based filtering memiliki keterbatasan dalam menghasilkan rekomendasi yang beragam (diversity) dan mengandung unsur kejutan (serendipity). Penelitian ini mengusulkan sistem rekomendasi dua lapis yang mengintegrasikan Personalized PageRank (PPR) pada graf heterogen dengan n tipe simpul sebagai pembangkit kandidat, yang dalam implementasi ini n = 6, dengan Constraint Optimization Problem (COP) sebagai pengoptimasi diversity dan serendipity. Graf dibangun dari dataset MovieLens 25M yang diintegrasikan dengan metadata TMDb. PPR dihitung menggunakan power iteration pada GPU untuk menghasilkan 200 kandidat per pengguna, kemudian COP memilih sepuluh rekomendasi final melalui tiga fase: Greedy Construction, Local Search, dan Maximum Marginal Relevance. Evaluasi pada 137.436 pengguna terjangkau menunjukkan bahwa COP berhasil meningkatkan Intra-List Distance (ILD@10) sebagai ukuran diversity konten antarfilm dalam satu daftar rekomendasi dari 0,7788 menjadi 0,9096 (+16,8%) dan Cakupan Katalog dari 1,61% menjadi 2,40% (+49,1%). Untuk aspek serendipity, persentase item long-tail meningkat 66,7% meskipun skor serendipity kuantitatif mengalami penurunan kecil akibat dominasi bobot relevansi. Normalized Discounted Cumulative Gain (NDCG@10) sebagai ukuran akurasi peringkat rekomendasi mengalami penurunan dari 0,1038 menjadi 0,0659, sesuai dengan accuracy-diversity dilemma yang diakui literatur.