Implementasi Bounding Box dan NMF dengan Segmentasi DBSCAN Pada Sistem Rekomendasi Film Berbasis Collaborative Filtering

Oleh :
Della Fitria - L0122044 - Fak. Teknologi Informasi dan Sains Data

Penelitian ini bertujuan untuk menerapkan teknik Bounding Box serta metode Non-negative Matrix Factorization (NMF) dengan segmentasi pendukung Density-Based Spatial Clustering of Applications with Noise (DBSCAN) dalam sistem rekomendasi film yang menggunakan Collaborative Filtering. Proses ini dimulai dengan segmentasi pengguna melalui algoritma DBSCAN untuk menciptakan kelompok preferensi genre yang seragam. Selanjutnya, teknik Bounding Box digunakan secara kreatif dengan mekanisme sliding window untuk memisahkan area matriks user-item-rating yang padat, sehingga proses faktorisasi matriks menggunakan NMF dapat dilakukan dengan efisien hanya pada ruang koordinat tersebut untuk mengatasi isu data sparsity dan pilihan berlebih. Penilaian model dilakukan melalui analisis perbandingan antara skenario pembagian acak (Random Split) dan skenario berdasarkan waktu (Timestamp Split) secara mendalam menggunakan dataset MovieLens 1M dengan proporsi rasio data pelatihan dan data pengujian sebesar 80:20. Temuan dari penelitian menunjukkan bahwa penggunaan Bounding Box sangat berpengaruh dalam memisahkan kawasan matriks padat dan berhasil mengurangi waktu komputasi pelatihan secara signifikan menjadi 0,339 detik. Dalam skenario Random Split, model menunjukkan tingkat kesalahan prediksi yang rendah dengan MAE sebesar 0,755 dan RMSE sebesar 0,972, serta kualitas pemeringkatan yang optimal dengan Precision@5 sebesar 0,7788 dan NDCG@5 sebesar 0,7953. Sementara itu, dalam pengujian yang menggunakan Timestamp Split, model menunjukkan kemampuan generalisasi temporal yang konsisten dengan mempertahankan nilai NDCG@5 sebesar 0,710 dan berhasil mengurangi efek perubahan preferensi (concept drift) seiring waktu.