Analisis Perbandingan Metode User-Based dan Item-Based Collaborative Filtering untuk Sistem Rekomendasi Film
Keywords:
Sistem Rekomendasi, Collaborative Filtering, User-Based Collaborative Filtering, Item-Based Collaborative Filtering, MovieLensAbstract
Perkembangan layanan streaming film telah meningkatkan jumlah konten yang tersedia sehingga pengguna sering mengalami kesulitan dalam menemukan film yang sesuai dengan preferensinya. Sistem rekomendasi menjadi salah satu solusi yang dapat digunakan untuk membantu pengguna memperoleh rekomendasi film yang lebih relevan dan personal. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa metode User-Based Collaborative Filtering dan Item-Based Collaborative Filtering pada sistem rekomendasi film menggunakan dataset MovieLens 100K. Penelitian menggunakan pendekatan kuantitatif dengan metode eksperimen yang meliputi tahap persiapan data, pembentukan matriks pengguna-item, perhitungan kemiripan menggunakan Cosine Similarity, serta evaluasi kinerja sistem. Evaluasi dilakukan menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa metode Item-Based Collaborative Filtering memperoleh performa yang lebih baik dibandingkan User-Based Collaborative Filtering dengan nilai RMSE sebesar 0,8895 dan MAE sebesar 0,6841, sedangkan User-Based Collaborative Filtering memperoleh nilai RMSE sebesar 0,9214 dan MAE sebesar 0,7142. Selain itu, metode Item-Based Collaborative Filtering juga menghasilkan nilai Precision sebesar 0,8173, Recall sebesar 0,8261, dan F1-Score sebesar 0,8217 yang lebih tinggi dibandingkan metode User-Based Collaborative Filtering. Temuan ini menunjukkan bahwa pendekatan berbasis item lebih efektif dalam menghasilkan rekomendasi film yang akurat dan relevan berdasarkan data rating pengguna.
Downloads
References
Annisa, S., Rini, D. P., & Abdiansah, A. (2024). Collaborative filtering recommendation system using a combination of clustering and association rule mining. Journal of Information Systems and Informatics, 6(3), 1499–1516. https://doi.org/10.51519/journalisi.v6i3.802
Ariyanto, Y., & Widiyaningtyas, T. (2024). A systematic review of movie recommender systems. ITEGAM-JETIA, 10(47), 34–41. https://doi.org/10.5935/jetia.v10i47.1052
Fadhillah, W., Nur Rohman, A., & Kusrini, K. (2026). Implementation of two-stage collaborative filtering method with diversity balancing for movie recommendation system. Journal of Applied Informatics and Computing, 10(2), 1774–1780. https://doi.org/10.30871/jaic.v10i2.12293
Fitriyeh, F., Haqqi, N., Choiriyah, L. M., & Ifada, N. (2024). Weighting impact on hybrid user-based and item-based method for movie recommendation system. Jurnal CoSciTech (Computer Science and Information Technology), 5(3), 516–525.
Harper, F. M., & Konstan, J. A. (2015). The MovieLens datasets: History and context. ACM Transactions on Interactive Intelligent Systems, 5(4), 1–19. https://doi.org/10.1145/2827872
Kanmani, R. S. A., Surendiran, B., & Ibrahim, S. P. S. (2021). Recency augmented hybrid collaborative movie recommendation system. International Journal of Information Technology, 13(5), 1829–1836. https://doi.org/10.1007/s41870-021-00769-w
Nagapraveena, T., Midhun, A., Rohit, & Pragna, B. (2024). Movie recommendation system using collaborative filtering. International Journal of Information Technology and Computer Engineering, 12(2), 426–431.
Nudrat, S., Khan, H. U., Iqbal, S., Talha, M. M., Alarfaj, F. K., & Almusallam, N. (2022). Users’ rating predictions using collaborating filtering based on users and items similarity measures. Computational Intelligence and Neuroscience, 2022, Article 2347641. https://doi.org/10.1155/2022/2347641
Ripan, F. G., Nasution, D., Raffi, M., Maulana, Z., & Rosyani, P. (2025). Sistem rekomendasi film menggunakan collaborative filtering. AI dan SPK: Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan, 3(2), 186–197.
Sable, N. P., Yenkikar, A., & Pandit, P. (2024). Movie recommendation system using cosine similarity. In 2024 IEEE 9th International Conference for Convergence in Technology (I2CT) (pp. 1–5). IEEE. https://doi.org/10.1109/I2CT61223.2024.10543873
Shani, G., & Gunawardana, A. (2011). Evaluating recommendation systems. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender Systems Handbook (pp. 257–297). Springer. https://doi.org/10.1007/978-0-387-85820-3_8
Sharma, L., & Gera, A. (2013). A survey of recommendation system: Research challenges. International Journal of Engineering Trends and Technology, 4(5), 1989–1992. https://doi.org/10.14445/22315381/IJETT-V4I5P132
Wang, Z. (2023). A content-based collaborative filtering algorithm for movies and TVS recommendation. Applied and Computational Engineering, 15, 83–91. https://doi.org/10.54254/2755-2721/15/20230812
Widiyaningtyas, T., Hidayah, I., & Adji, T. B. (2021). User profile correlation-based similarity (UPCSim) algorithm in movie recommendation system. Journal of Big Data, 8(1), 52. https://doi.org/10.1186/s40537-021-00425-x
Yadav, A., Srivastava, G., & Kumar, S. (2024). A hybrid approach to movie recommendation system. Journal of Management and Service Science, 4(1), 1–14. https://doi.org/10.54060/a2zjournals.jmss.62
Downloads
Published
Data Availability Statement
Seluruh data yang mendukung hasil penelitian ini telah disertakan dalam artikel. Informasi tambahan atau dokumen pendukung terkait dapat diperoleh dari penulis
Issue
Section
License
Copyright (c) 2026 Latif Dwi Asti, Nisa Amelia Rani Saleha, Sopiah Nur Ningsih (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta artikel tetap berada pada penulis.
Seluruh artikel yang diterbitkan dalam JINTEN: Journal of Intelligent Systems and Digital Science dilisensikan di bawah Creative Commons Attribution-ShareAlike 4.0 International License (CC BY-SA 4.0).
Lisensi ini mengizinkan pengguna untuk membaca, mengunduh, menyalin, mendistribusikan, mencetak, menelusuri, menautkan, serta mengadaptasi karya untuk tujuan yang sah dengan tetap memberikan atribusi yang sesuai kepada penulis dan sumber publikasi serta mendistribusikan karya turunan dengan lisensi yang sama.
Penulis memberikan hak publikasi pertama kepada jurnal dan tetap memiliki hak cipta atas artikel yang diterbitkan. Penulis juga diperbolehkan menyimpan, membagikan, dan mengarsipkan versi artikel yang telah dipublikasikan pada repositori institusi, situs web pribadi, maupun platform ilmiah lainnya dengan tetap mencantumkan sitasi yang sesuai terhadap publikasi asli dalam jurnal ini.
