EVALUASI PERFORMA ALGORITMA SIMILARITY PADA DATASET FILM INDONESIA MENGGUNAKAN METRIK PRECISION DAN RECALL

Abstract

Pertumbuhan pesat industri film Indonesia memicu fenomena information overload, yang menyulitkan pengguna menemukan konten tontonan yang relevan di antara ribuan judul yang tersedia. Permasalahan utama dalam mengatasi hal ini adalah perlunya sistem rekomendasi yang mampu menyaring informasi secara akurat berdasarkan karakteristik unik dataset film lokal. Penelitian ini bertujuan untuk mengevaluasi performa algoritma kemiripan pada sistem rekomendasi film Indonesia guna memastikan efektivitas rekomendasi yang diberikan kepada pengguna. Metode yang diterapkan adalah Content-Based Filtering menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dan perhitungan Cosine Similarity pada dataset riil IMDb Indonesian Movies. Evaluasi performa diukur secara komprehensif menggunakan metrik Precision at K, Recall at K, dan Mean Absolute Error (MAE). Hasil pengujian menunjukkan performa sistem yang cukup menjanjikan sebagai baseline, dengan nilai Precision mencapai 46.70% pada daftar 5 rekomendasi teratas (Top-5). Selain itu, sistem mencatat tingkat simpangan tebakan yang rendah dengan nilai MAE sebesar 0.9177 pada rentang skala rating 1-10. Hasil ini membuktikan bahwa algoritma Cosine Similarity dapat diandalkan sebagai landasan awal dalam memberikan rekomendasi film lokal, meskipun masih membutuhkan kombinasi metode lain untuk meningkatkan presisi.