Metode Hybrid (SVD++–KNN) pada Sistem Rekomendasi Film dan Preferensi Artis Musik
DOI:
https://doi.org/10.53624/jsitik.v5i1.956Keywords:
Sistem Rekomendasi, SVD , K-Nearest Neighbor, Weighted Hybrid, Collaborative FilteringAbstract
Latar Belakang: Sistem rekomendasi berbasis collaborative filtering telah banyak digunakan untuk membantu pengguna menemukan konten yang sesuai preferensi, namun masih menghadapi tantangan terkait keragaman data. Tujuan: Penelitian ini mengevaluasi efektivitas metode weighted hybrid SVD++–KNN dalam meningkatkan akurasi sistem rekomendasi film dan preferensi artis musik. Metode: Penelitian ini menggunakan pendekatan eksperimen kuantitatif pada dataset MovieLens 1M dan Last.FM. Data dibagi menjadi 80% data latih dan 20% data uji dengan validasi hold-out. Model menggabungkan algoritma SVD++ dan KNN, kemudian dievaluasi menggunakan metrik RMSE dan MAE. Hasil: Pada dataset MovieLens diperoleh nilai RMSE 0,8594 dan MAE 0,6747 pada α = 0,8, sedangkan pada dataset Last.FM diperoleh RMSE 0,2632 dan MAE 0,1955 pada α = 0,9. Kesimpulan: Metode weighted hybrid SVD++–KNN meningkatkan akurasi sistem rekomendasi pada kedua dataset. Penyesuaian nilai alpha sesuai dengan karakteristik dataset dapat meningkatkan kinerja model, sehingga metode ini menjadi alternatif yang efektif untuk sistem rekomendasi berbasis kolaborasi.
Downloads
References
Aisyiah, J., & Cahyani, L. (2024). Sistem Rekomendasi Program Studi Menggunakan Metode Hybrid Recommendation (Studi Kasus: MAN Sumenep). Jurnal Eksplora Informatika, 12(1), 59–72. https://doi.org/10.30864/eksplora.v12i1.992 DOI: https://doi.org/10.30864/eksplora.v12i1.992
Amiri, B., Shahverdi, N., Haddadi, A., & Ghahremani, Y. (2024). Beyond the Trends: Evolution and Future Directions in Music Recommender Systems Research. IEEE Access, 12, 51500–51522. https://doi.org/10.1109/ACCESS.2024.3386684 DOI: https://doi.org/10.1109/ACCESS.2024.3386684
Anwar, T., Uma, V., Hussain, Md. I., & Pantula, M. (2022). Collaborative Filtering and kNN based recommendation to overcome cold start and sparsity issues: A comparative analysis. Multimedia Tools and Applications, 81(25), 35693–35711. https://doi.org/10.1007/s11042-021-11883-z DOI: https://doi.org/10.1007/s11042-021-11883-z
Ekstrand, M. D., Carterette, B., & Diaz, F. (2024). Distributionally-Informed Recommender System Evaluation. ACM Transactions on Recommender Systems, 2(1), 1–27. https://doi.org/10.1145/3613455 DOI: https://doi.org/10.1145/3613455
Harlianto, R., Saifudin, I., & Suharso, W. (2025). Implementasi Sistem Rekomendasi Film Berbasis Website Menggunakan Pendekatan Collaborative Filtering dengan Metode Weighted Hybridization (SVD-KNN). Skripsi. Universitas Muhammadiyah Jember. https://repository.unmuhjember.ac.id/id/eprint/27243
Hssina, B., Grota, A., & Erritali, M. (2021). Recommendation system using the K-Nearest Neighbors and singular value decomposition algorithms. International Journal of Electrical and Computer Engineering (IJECE), 11(6), 5541. https://doi.org/10.11591/ijece.v11i6.pp5541-5548 DOI: https://doi.org/10.11591/ijece.v11i6.pp5541-5548
Kouki, P., Schaffer, J., Pujara, J., O’Donovan, J., & Getoor, L. (2020). Generating and Understanding Personalized Explanations in Hybrid Recommender Systems. ACM Transactions on Interactive Intelligent Systems, 10(4), 1–40. https://doi.org/10.1145/3365843 DOI: https://doi.org/10.1145/3365843
Kumar, J., Patra, B. K., Sahoo, B., & Babu, K. S. (2023). Group recommendation exploiting characteristics of user-item and collaborative rating of users. Multimedia Tools and Applications, 83(10), 29289–29309. https://doi.org/10.1007/s11042-023-16799-4 DOI: https://doi.org/10.1007/s11042-023-16799-4
Ma’ruf, M. A., & Qoiriah, A. (2022). Perbandingan Algoritma Cosine Similarity dan Euclidean Distance pada Sistem Rekomendasi Film dengan Metode Item-Based Collaborative Filtering. Journal of Informatics and Computer Science (JINACS), 04, 160–168. https://doi.org/10.26740/jinacs.v4n02.p160-168 DOI: https://doi.org/10.26740/jinacs.v4n02.p160-168
Muflih, M., Ratna, S., & Mahalisa, G. (2025). Development of A Collaborative Recommendation System Based on Singular Value Decomposition (SVD) on E-Commerce Data. Journal of Applied Informatics and Computing, 9(6), 3769–3773. https://doi.org/10.30871/jaic.v9i6.11688 DOI: https://doi.org/10.30871/jaic.v9i6.11688
Pratama, R. A., Safi’i, Y., Nugraha, M. A., Sobihah, A. S., & Ifada, N. (2025). Perbandingan User-Based dan Item-Based pada Sistem Rekomendasi Film Kombinasi Teknik Reduksi Dimensi dan Clustering. Jurnal Tekno Insentif, 19(1), 1–14. https://doi.org/10.36787/jti.v19i1.1662 DOI: https://doi.org/10.36787/jti.v19i1.1662
Saifudin, I., & Widiyaningtyas, T. (2024). Systematic Literature Review on Recommender System: Approach, Problem, Evaluation Techniques, Datasets. IEEE Access, 12, 19827–19847. https://doi.org/10.1109/ACCESS.2024.3359274 DOI: https://doi.org/10.1109/ACCESS.2024.3359274
Vahidi Farashah, M., Etebarian, A., Azmi, R., & Ebrahimzadeh Dastjerdi, R. (2021). A hybrid recommender system based-on link prediction for movie baskets analysis. Journal of Big Data, 8(1), 32. https://doi.org/10.1186/s40537-021-00422-0 DOI: https://doi.org/10.1186/s40537-021-00422-0
Wang, S., Sun, G., & Li, Y. (2020). SVD++ Recommendation Algorithm Based on Backtracking. Information, 11(7), 369. https://doi.org/10.3390/info11070369 DOI: https://doi.org/10.3390/info11070369
Widiyaningtyas, T., Saifudin, I., Zaeni, I. A. E., Maulana, Moh. Z. N., & Caesarendra, W. (2025). Memory-based Collaborative Filtering based on matrix factorization and Gower’s set rank. Journal of King Saud University Computer and Information Sciences, 37(9), 289. https://doi.org/10.1007/s44443-025-00261-6 DOI: https://doi.org/10.1007/s44443-025-00261-6
Zhang, Z., Patra, B. G., Yaseen, A., Zhu, J., Sabharwal, R., Roberts, K., Cao, T., & Wu, H. (2023). Scholarly recommendation systems: a literature survey. Knowledge and Information Systems, 65(11), 4433–4478. https://doi.org/10.1007/s10115-023-01901-x DOI: https://doi.org/10.1007/s10115-023-01901-x
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Maswadi Ra’uf, Ilham Saifudin, Luluk Handayani
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
1. Hak cipta atas artikel apa pun dipegang oleh penulisnya.
2. Penulis memberikan jurnal, hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Lisensi Atribusi Creative Commons yang memungkinkan orang lain untuk membagikan karya dengan pengakuan atas kepenulisan dan publikasi awal karya tersebut dalam jurnal ini.
3. Penulis dapat membuat pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan dari publikasi awalnya di jurnal ini.
4. Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena hal itu dapat mengarah pada pertukaran yang produktif, serta kutipan yang lebih awal dan lebih besar dari karya yang diterbitkan.
5. Artikel dan materi terkait yang diterbitkan didistribusikan di bawah Lisensi Internasional Creative Commons Attribution-ShareAlike 4.0
.png)
