SISTEM REKOMENDASI ANIME MENGGUNAKAN K-NEAREST NEIGHBOR

Abdul Khobir Rizky

11160910000077

Program Studi Teknik Informatika, Fakultas Sains Dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta
abdul.khobir16@mhs.uinjkt.ac.id

ABSTRAK

Anime adalah istilah untuk film animasi atau kartun khas Jepang. Anime tidak hanya digemari di Jepang
saja, di Indonesia sendiri, minat terhadap topik Anime cenderung meningkat dalam lima tahun terakhir.
Dengan setidaknya ada 300 sampai 400 judul Anime yang dirilis setiap tahunnya, hal ini membuat
peminat Anime kebingungan untuk menemukan konten yang sesuai dengan selera mereka. Oleh karena
itu, diperlukan sebuah sisem rekomendasi untuk memudahkan dan mempercepat proses pencarian
Anime bagi para peminatnya. Pada penelitian ini, digunakan algoritma K-Nearest Neighbor sebagai
sistem rekomendasi. Algoritma K-Neares Neighbor menentukan item paling mirip atau serupa
berdasarkan pada ukuran jarak tertentu seperti euclidean, jaccard, minkowsky, dan lainnya. Penelitian
ini menggunakan dataset yang dikeluarkan oleh pihak myanimelist dan disebarluaskan pada situs
Kaggle. Hasil penelitian dapat menunjukkan Anime serupa berdasarkan judul atau anime_id.

Kata Kunci: Anime, Recommendation System, KNN

ABSTRACT

Anime is the term used for animated film or cartoon from Japan. Anime is not only popular in Japan
alone, In Indonesia itself, interest in Anime topics tends to increase in the past five years. With at least
300 to 400 Anime titles released every year, this makes Anime fans confused to find content that suits
their tastes. Therefore, a recommendation system is needed to facilitate and accelerate the Anime search
process. In this research, K-Nearest Neighbor algorithm is used as a recommendation system. K-Nearest
Neighbor algorithm determines which items are the most similar based on certain distance
measurements such as euclidean, jaccard, minkowsky, and others. This research uses dataset released
by animelist and distributed on Kaggle. The result of this research can show similar Anime based on the
title or anime_id.

Keywords: Anime, Recommendation System, KNN

 I. PENDAHULUAN
Anime adalah istilah untuk film animasi
atau kartun khas Jepang [1]. Anime tidak hanya
digemari di Jepang saja, tetapi juga di berbagai
belahan dunia. Berdasarkan data yang diambil
dari Google Trends, minat terhadap tpoik Anime
di Indonesia cenderung meningkat dalam lima
tahun terakhir [2]. Hal tersebut mungkin
disebabkan oleh perilisan Anime setiap
tahunnya yang kian meningkat, tercatat sekitar
300 sampai 400 judul Anime yang dirilis setiap
tahunnya dalam lima tahun terakhir [3].
Tentunya hal tersebut akan memunculkan
kebingungan bagi peminat Anime untuk
menemukan konten yang sesuai dengan selera
mereka. Oleh karena itu diperlukan sistem
rekomendasi guna memudahkan dan
menghemat waktu peminat Anime dalam
pencarian konten yang mereka minati.
Sistem rekomendasi adalah alat perangkat
lunak dan teknik-teknik yang menyediakan
saran untuk item-item yang akan berguna bagi
pengguna. Saran yang diberikan oleh sistem
rekomendasi ditujukan untuk mendukung
pengguna dalam berbagai proses pengambilan
keputusan, seperti barang apa yang akan dibeli,
berita apa yang ingin dibaca. Sistem
rekomendasi adalah sarana berharga bagi
pengguna untuk mengatasi informasi yang
terlalu banyak dan membantu mereka dalam
membuat pilihan yang baik [4].
Dengan kemujuan dan inovasi teknologi,
tren aplikasi saat ini adalah menyediakan
layanan rekomendasi bagi pengguna, yang
dapat mengurangi biaya waktu yang
ditimbulkan dalam pencarian. Layanan
rekomendasi secara bertahap telah menjadi
bagian penting bagi perusahaan besar seperti
Amazon, Netflix, Youtube [5].
Metode Klasifikasi dengan Algoritma K-
Nearest Neighbor (K-NN) adalah metode yang
menggunakan algoritma supervised, dimana
hasil dari sampel uji yang baru diklasifikasikan
berdasarkan mayoritas dari kategori pada K-NN
yang bertujuan untuk mengklasifikasi objek
baru berdasarkan atribut dan training sample.
Metode KNN diterapkan pada penelitian ini
karena metode ini efektif bila mempunya data
latih yang besar, algoritma ini juga termasuk
kedalam algoritma lazy learning yang mudah
diimplementasikan. KNN dilakukan dengan
mencari kelompok k objek dalam data training
yang paling dekat (serupa) dengan objek pada
data baru atau data testing [6]. Algoritma KNN
memiliki beberapa kelebihan yaitu kemudahan,
efektivitas, intuitif, dan performa klasifikasi
yang kompetitif dalam banyak domain [7].
II. TINJAUAN PUSTAKA
A. Machine Learning
Machine Learning (ML) atau pembelajaran
mesin merupakan pendekatan dalam Artficial
Intelligent (AI) yang banyak digunakan untuk
menggantikan atau menirukan perilaku manusia
untuk menyelesaikan masalah atau melakukan
otomatisasi [8]. Sesuai namanya, ML mencoba
menirukan bagaimana proses manusia atau
mahluk cerdas belajar dan mengeneralisasi
(insert citation bolzman). Setidaknya ada dua
aplikasi utama dalam ML yaitu, klasifikasi dan
prediksi. Ciri khas dari ML adalah adanya
proses pelatihan, pembelajaran, atau training.
Oleh karena itu, ML membutuhkan data untuk
dipelajari yang disebut sebagai data training.
Klasifikasi adalah metode dalam ML yang
digunakan oleh mesin untuk memilih atau
mengklasifikasikan obyek berdasarkan ciri
tertentu sebagaimana manusia mencoba
membedakan benda satu dengan yang lainnya.
Klasifikasi dapat dibagi menjadi dua macam,
yaitu:
a. Supervised Classification
b. Unsupervised Classification
Prediksi atau regresi digunakan oleh mesin
untuk menerka keluaran dari suatu data
masukan berdasarkan data yang sudah
dipelajari dalam training. Metode ML yang
paling popular yaitu Sistem Pengambil
Keputusan, Support Vector Machine (SVM)
dan Neural Network.
B. K-Nearest Neighbor
Salah satu metode klasifikasi yang sering
digunakan adalah metode K-Nearest Neighbor
yang bertujuan untuk mengklasifikasikan objek
baru berdasarkan data pembelajaran yang
jaraknya paling dekat dengan objek baru
tersebut. Teknik algoritma K-Nearest Neighbor
mudah untuk diimplementasikan. Dalam hal ini
jumlah data atau biasa disebut dengan tetangga
terdekat ditentukan oleh user yang dinyatakan
oleh k.
 Algoritma K-Neares Neighbor menentukan
item paling mirip atau serupa berdasarkan pada 1. Pengumpulan Data
ukuran jarak tertentu seperti euclidean, jaccard,
minkowsky, dan lainnya.

III. METODOLOGI

A. Bahan dan Alat Penelitian Gambar 2: Library yang digunakan

a. Bahan Penelitian

Bahan yang digunakan dalam

penelitian ini adalah dataset Anime
yang disediakan oleh myanimelist pada
situs Kaggle. Dataset tersebut berisi
sekitar 73 ribu data preferensi
pengguna terhadap 12 ribu judul
Anime. Adapun jenis data yang tersedia Gambar 3: Pengambilan dataset dari
pada dataset tersebut yaitu: anime_id, direktori yang sudah disiapkan
judul, genre, type, episodes, rating, dan
members. 2. Pre-Processing Data

b. Alat Penelitian

Alat yang digunakan pada penelitian ini

yaitu sebuah laptop dengan spesifikasi
Intel Core i5-7200U, RAM 8GB,
Sistem Operasi Windows 10, Phyton 3,
dan Jupyter Notebook.

B. Tahapan Penelitian

Gambar 4: Pengecekan data null

Banyak Anime yang memiliki jumlah

episode unknown, hal ini bisa disebabkan
karena status penyiaran Anime tersebut
yang masih berlangsung sehingga
jumlahnya belum pasti. Oleh karena itu,
perlu dilakukan pemrosesan data Anime
yang jumlah episode nya unknown.

Gambar alur penelitian.

IV. HASIL DAN PEMBAHASAN


Gambar 5: Pemrosesan data episode anime
yang unknown
3. Training Data
Gambar 6: merubah tipe kategori ke dataframe
dengan indikator variabel
Gambar 7: Penerapan Model KNN
Gambar 8: Pembuatan fungsi untuk query dan
tampilan hasil
4. Hasil Rekomendasi
Gambar 9: Hasil Rekomendasi Anime
berdasarkan judul
V. PENUTUP
Berdasarkan penelitian yang dilakukan,
dapat ditarik kesimpulan bahwa, dengan
menggunakan K-Nearest Neighbor dapat
dibuat sebuah sistem rekomendasi Anime
dengan bahasa pemrograman Phyton.
Adapun saran bagi peneliti yang ingin
mengembangkan penelitian ini, yaitu untuk
menekankan tingkat akurasi pada hasil
perekomendasian.
DAFTAR PUSTAKA
[1] R. E. Brenner, Understanding Manga
and Anime. 2008.
[2] Google, “Google Trends on Anime.”
[Online]. Available:
https://trends.google.com/trends/explor
e?date=today 5-y&geo=ID&q=anime.
[Accessed: 22-Apr-2019].
[3] AniChart, “Anime Archive.” [Online].
Available: https://anichart.net/archive.
[Accessed: 22-Apr-2019].
[4] F. Ricci, L. Rokach, and B. Saphira,
Recommender Systems Handbook, 2nd
ed., vol. 2, no. 1. Springer US, 2015.
[5] M. Y. Hsieh, W. K. Chou, and K. C. Li,
“Building a Mobile Movie
Recommendation Service by User
Rating and APP Usage With Linked
Data on Hadoop,” Multimed. Tools
Appl., vol. 76, no. 3, pp. 3383–3401,
2017.
[6] L. Anshori, R. Regasari, and M. Putri,
“Implementasi Metode K-Nearest
Neighbor untuk Rekomendasi
 Keminatan Studi ( Studi Kasus :
Jurusan Teknik Informatika Univ ....,”
J. Pengemb. Teknol. Inf. dan Ilmu
Komput. Univ. Brawijaya, vol. 2, no. 7,
pp. 2745–2753, 2018.
[7] C. S. D. Prasetya, “Sistem
Rekomendasi Pada E-Commerce
Menggunakan K-Nearest Neighbor,” J.
Teknol. Inf. dan Ilmu Komput., vol. 4,
no. 3, p. 194, 2017.
[8] A. Ahmad, “Mengenal Artificial
Intelligence, Machine Learning, Neural
Network, dan Deep Learning,” J.
Teknol. Indones., no. October, p. 3,
2017.