SISTEM REKOMENDASI VIDEO GAME BERBASIS CONTENT BASED FILTERING MENGGUNAKAN TF-IDF DAN COSINE SIMILARITY

Abstract

Industri video game tumbuh pesat dengan lebih dari 14.000 judul baru dirilis setiap tahun pada platform distribusi digital, sehingga pengguna semakin sulit menemukan game yang sesuai preferensi dari ribuan pilihan yang tersedia. Kondisi ini menciptakan fenomena information overload yang tidak dapat diselesaikan secara manual oleh pengguna. Sistem rekomendasi berbasis Collaborative Filtering juga tidak mampu bekerja optimal karena keterbatasan data interaksi pengguna (cold-start problem). Penelitian ini bertujuan membangun sistem rekomendasi video game berbasis Content-Based Filtering yang mampu menghasilkan rekomendasi relevan tanpa bergantung pada data historis pengguna, sekaligus menganalisis pengaruh mekanisme sorting rating terhadap kualitas rekomendasi. Sistem dibangun menggunakan algoritma Term Frequency-Inverse Document Frequency (TF-IDF) dan Cosine Similarity dengan dataset 60.000 judul game dari platform Backloggd, direduksi menjadi 37.669 data bersih setelah preprocessing. Atribut Summary, Genres, dan Platforms digabungkan sebagai representasi konten dan dikonversi menjadi matriks TF-IDF berukuran 37.669 × 71.951. Evaluasi menggunakan Precision@5 pada empat skenario lintas genre menghasilkan Mean Precision@5 sebesar 0,95. Mekanisme sorting Rating terbukti meningkatkan rata-rata Rating rekomendasi dari 3,22 menjadi 3,90 dengan trade-off penurunan Cosine Similarity rata-rata sebesar 0,0532