Improvement of KNN Collaborative Filtering Model in User-based Approach on Anime Recommendation System

Abstract

Penelitian ini bertujuan untuk mengatasi masalah pemberian rekomendasi yang sesuai dengan preferensi user. Untuk pengujian model, digunakan dataset MyAnimeList yang dapat diakses dari situs Kaggle. Hasil dari penelitian ini adalah rancangan sistem rekomendasi berdasarkan preferensi user lainnya (user-based model). Metode yang diusulkan menggunakan model collaborative filtering dengan menggunakan algoritma KNN dan penambahan bobot pada dataset. Data yang digunakan pada penelitian ini berjumlah 193.272 data yang berisi rating user terhadap anime, dan terdiri dari atribut: username, anime_id, my_score, dan my_status. Sebagai pengembangan model KNN collaborative filtering, dilakukan pembobotan pada nilai rating berdasarkan status dari user. Penentuan nilai pembobotan didasarkan oleh kuisioner yang telah diisi oleh 105 responden. Selain pembobotan, nilai my_score dan my_status akan digabungkan dan dinormalisasi menggunakan MinMaxNormalization. Berbagai nilai parameter 𝑘 digunakan pada algoritma KNN di penelitian ini, yaitu: 3, 5, 9, 15, 23, 33, dan 45. Variasi parameter digunakan untuk mencari nilai 𝑘 terbaik untuk diimplementasikan pada KNN yang menggunakan matriks pearson similarity dalam mencari nilai similaritas antar user. Hasil pengujian menunjukkan bahwa nilai Mean Absolute Error terbaik adalah 0,14726 dan nilai Root Mean Square Error terbaik sebesar 0,19855, pada parameter 𝑘 = 5. Hasil dari model modifikasi ini juga menunjukkan bahwa KNN collaborative filtering yang ditambahkan pembobotan dapat memprediksi rating dengan nilai error yang stabil dan relatif rendah pada semua nilai 𝑘.