KLASIFIKASI GENRE BERDASARKAN DESKRIPSI FILM MENGGUNAKAN TF-IDF DAN SELEKSI FITUR DENGAN XGBOOST

Abstract

Perkembangan industri perfilman yang semakin pesat menyebabkan meningkatnya jumlah film yang diproduksi setiap tahunnya sehingga diperlukan sistem pengelolaan informasi yang efektif, salah satunya melalui pengelompokan film berdasarkan genre. Penentuan genre film yang masih banyak dilakukan secara manual cenderung bersifat subjektif, memerlukan waktu yang lama, serta kurang efektif dalam menangani film dengan karakteristik multi-genre. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi genre film secara otomatis berdasarkan deskripsi film berupa sinopsis. Sinopsis film memuat ringkasan alur cerita dan tema yang dapat merepresentasikan karakteristik suatu genre, namun masih berbentuk teks bebas sehingga memerlukan tahapan pengolahan teks agar dapat dianalisis secara komputasional. Metode yang digunakan dalam penelitian ini meliputi preprocessing teks, ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), seleksi fitur untuk mengurangi dimensi data, serta algoritma Extreme Gradient Boosting (XGBoost) dengan pendekatan One-Vs-Rest untuk melakukan klasifikasi multi-genre. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan f1-score. Hasil pengujian menggunakan dataset IMDb Movie Genres mampu menghasilkan akurasi sebesar 87%, serta menunjukkan kinerja yang baik dalam mengklasifikasikan genre film berdasarkan sinopsis.