JEPIN Vol.

x
No. y
(Jurnal Edukasi dan Penelitian Informatika) mm yy
ISSN(e): 2548-9364 / ISSN(p) : 2460-0741

Komparasi Algoritma KNN, NBC, DT dan RF

Untuk Rekomendasi Film di SMKN 1 Gunung
Sindur
Andika Pratama#1, Dian Erdiansyah*2, Imelda#3
#
Magister Ilmu Komputer, Universitas Budi Luhur
Jl. Ciledug Raya, Petukangan Utara, Jakarta Selatan, 12260. DKI Jakarta, Indonesia
1andika.bpme@gmail.com

2dian.erdiansyah.st@gmail.com

3imelda@budiluhur.ac.id

Abstrak— Industri perfilman merupakan salah satu industri
yang tidak terpengaruh dengan maraknya hiburan digital
seperti munculnya media sosial, program televisi yang beragam
dan game. Industri film yang terus melakukan produksi ini
semakin menambah informasi film yang melimpah di
internet. Permasalahan yang ada sekarang adalah belum
adanya media untuk memilih film yang direkomendasikan untuk
siswa di SMKN 1 Gunung Sindur. Tujuan penelitian adalah
menyediakan informasi yang dapat memberikan rekomendasi
film berdasarkan tahun film, review penonton, durasi pada film
Indonesia. Pendekatan yang digunakan yaitu metode data
mining dengan menggunakan algoritma Decision Tree, Naive
Bayes, K-Nearest Neighbors dan Random Forest, yang
dikomparasi untuk menentukan algoritma yang mempunyai
kinerja yang paling baik. Hasil perhitungan yang diperoleh
bahwa algoritma Decision Tree adalah algoritma yang
mempunyai kinerja paling baik dengan nilai Accuracy sebesar
99,29%, nilai Precision sebesar 99,00% dan Recall sebesar
98,72%. Hasil penelitian ini memberi manfaat bagi siswa di
SMKN 1 Gunung Sindur sebagai keputusan untuk mengerjakan
tugas dalam pelajaran perfilman.
Kata kunci—Rekomendasi Film, K-Nearest Neighbors, Naïve
Bayes Classifier, Decision Tree, Random Forest
I. PENDAHULUAN
Perkembangan teknologi informasi dan komunikasi
berkembang begitu pesat dalam berbagai bidang, tak
terkecuali industri hiburan. Dalam era digital saat ini, hiburan
dalam bentuk film telah menjadi salah satu aspek penting
dalam kehidupan manusia. Film tidak hanya menjadi sarana
hiburan, tetapi juga sebuah bentuk seni dan budaya yang dapat
mempengaruhi pemirsa secara mendalam. Namun, dengan
berkembangnya industri film yang begitu pesat, pemilihan
film yang sesuai dengan preferensi individu menjadi semakin
menantang. Jumlah film yang tersedia sangatlah banyak dan
pengguna seringkali kesulitan dalam memilih film yang sesuai
dengan preferensi mereka. Oleh karena itu, sistem
rekomendasi film menjadi sebuah solusi yang sangat relevan
dan berharga pada saat ini. Sistem rekomendasi
(recommender system) adalah suatu sistem yang dapat
merekomendasikan hal yang sesuai dengan apa yang
diinginkan dan dibutuhkan oleh seseorang. Salah satu sistem
yang menjanjikan untuk hal ini yaitu Movie Recommender
System atau Sistem Rekomendasi Film. Sistem rekomendasi
film adalah teknologi yang memungkinkan individu untuk
menemukan film yang paling sesuai dengan preferensi mereka,
berdasarkan sejumlah faktor seperti genre, aktor, sutradara,
dan ulasan pengguna atau faktor-faktor terkait lainnya.
SMKN 1 Gunung Sindur merupakan sekolah menengah
kejuruan yang memiliki 5 (lima) kompetensi keahlian salah
satunya yaitu Broadcasting dan Perfilman. Dalam penelitian
ini, penulis akan mengimplementasikan sistem rekomendasi
film menggunakan metode data mining analisis klasifikasi
dengan menggunakan algoritma K-Nearest Neighbors (KNN)
dan Naive Bayes Classifier (NBC). Tujuan dari penelitian ini
adalah untuk memberikan solusi bagi pengguna untuk
menemukan film yang sesuai dengan selera mereka. Sebagai
sebuah lembaga pendidikan, SMKN 1 Gunung Sindur
berusaha untuk mengintegrasikan teknologi informasi dalam
kurikulumnya dan memberikan pengalaman belajar yang
praktis bagi siswa terutama siswa dengan kompetensi keahlian
Broadcasting & Perfilman. Pengembangan Sistem
Rekomendasi Film ini adalah salah satu contoh bagaimana
teknologi dapat diterapkan dalam konteks dunia nyata, dengan
potensi untuk meningkatkan pemahaman siswa tentang
pemodelan data dan analisis prediktif.
Penelitian sebelumnya tentang rekomendasi film sudah
dilakukan yaitu sistem rekomendasi pemilihan film dengan
teknik hybrid filtering dan algoritma KNN berhasil dibangun
(Ciaputra dan Hansun, 2020). Pada penelitian sebelumnya
yang lain, metode Naïve Bayes Classifier dengan atribut yang
sudah ditentukan, yaitu meliputi genre film, aktor film,
bahasa,warna, durasi film, negara, dan lainnya yang dapat
digunakan sebagai tolak ukur sutradara untuk membuat film
[2].
Pada penelitian ini, penulis akan menggunakan teknik
data mining dalam implementasinya, salah satunya adalah

Submitted dd mm yy; Revised dd mm yy; Accepted dd mm yy 1

JEPIN (Jurnal Edukasi dan Penelitian Informatika), Vol. x, No. y, mm yy
klasifikasi dengan metode algoritma K-Nearest Neighbors
(KNN) dan Naive Bayes Classifier. Fokus pada penelitian ini
adalah melakukan Komparasi algoritma Decision Tree, K-
Nearest Neighbors, Naïve Bayes Classifier dan Random
Forest untuk memberikan rekomendasi film di SMKN 1
Gunung Sindur. Penelitian memberikan kontribusi berupa
insight perfilman Indonesia dan rekomendasi film Indonesia
yang dapat digunakan oleh siswa perfilman di SMKN 1
Gunung Sindur pada khususnya dan penyuka film Indonesia
pada umumnya.
II. TINJAUAN PUSTAKA
A. Data Mining
Data mining digunakan untuk menguraikan penemuan
pengetahuan di dalam database. Data mining adalah proses
yang menggunakan teknik statistik, matematika, kecerdasan
buatan, dan machine learning untuk mengekstraksi dan
mengidentifikasi suatu informasi yang bermanfaat dan
pengetahuan yang terkait dalam database besar. Menurut
Gartner Group data mining adalah suatu proses menemukan
hubungan yang berarti, pola, dan kecenderungan dengan cara
memeriksa dalam sekumpulan besar data yang tersimpan
dalam penyimpanan dengan menggunakan teknik pengenalan
pola seperti teknik statistik dan matematika. Kemampuan
algoritma data mining yang terdapat di dalam perangkat lunak
analisis yang terdapat saat ini memungkinkan terjadinya
kesalahan dalam penggunaan yang berakibat fatal. Banyak
pengguna menerapkan analisis yang tidak tepat terhadap
kumpulan data dengan menggunakan metode yang berbeda.
Oleh karena itu, dibutuhkan pemahaman tentang statistik dan
struktur model matematika yang mendasari kerja perangkat
lunak. Data mining merupakan suatu bidang yang lama.
Kesulitan untuk mendefinisikan data mining adalah kenyataan
bahwa data mining mewarisi banyak aspek dan teknik dari
bidang-bidang ilmu yang sudah terlebih dahulu mapan. Data
mining memiliki akar yang panjang dari bidang ilmu seperti
artificial intelligence, machine learning, statistik, database,
dan juga information retrieval.
B. Data Mining
Klasifikasi merupakan salah satu pembelajaran yang paling
banyak dipakai di dalam data mining. Klasifikasi dapat
diartikan sebagai bentuk dari analisis data yang digunakan
untuk mengekstrak model yang akan digunakan dalam
memprediksi label suatu kelas. Kelas yang terdapat dalam
klasifikasi merupakan atribut dalam satu set data yang paling
unik yang merupakan variabel bebas yang terdapat dalam
statistik. Klasifikasi terdiri dari dua proses yaitu tahap
pembelajaran dan tahap pengklasifikasian. Tahap
Pembelajaran merupakan tahapan dalam pembentukan model
klasifikasi, sedangkan tahap pengklasifikasian merupakan
tahapan dalam penggunaan model klasifikasi yang digunakan
untuk memprediksi label kelas pada data [3].
C. Data Mining
Metode K-Nearest Neighbors (KNN) adalah metode data
mining untuk klasifikasi berdasarkan kedekatan lokasi
Korespondensi : Fulan Fulana
berdasarkan jarak dari suatu objek data dengan yang lainnya.
KNN termasuk algoritma supervised learning, prinsip kerja
KNN sendiri adalah mencari jarak terdekat antara data yang
dievaluasi dengan (K) tetangga terdekatnya dalam data
pelatihan. Klasifikasi KNN dimulai dengan mencari k buah
tetangga terdekat dari data uji dan memilih kelas dengan
anggota terbanyak. Jumlah data/tetangga terdekat ditentukan
oleh user yang dinyatakan dengan k, misalnya ditentukan k-6,
maka setiap data testing dihitung jaraknya terhadap data
training dan dipilih 6 data training yang jaraknya paling dekat
ke data testing. Berdasarkan labelnya masing-masing,
ditentukan output mana yang frekuensinya paling banyak.
Untuk mendefinisikan antara dua titik yaitu titik pada data
training (X) dan titik data testing (y) maka digunakan rumus
Euclidean, [4].
(1)
Dimana:
d merupakan jarak antara titik pada data training x dan titik
data testing y yang akan diklasifikasi,
x=
y=
i merupakan nilai atribut serta
n merupakan dimensi atribut.
D. Naïve Bayes Classifier
Algoritma Naïve Bayes merupakan klasifikasi yang
mempresentasikan setiap kelas objek berdasarkan kesimpulan
atau rekapitulasi probabilistik dan menemukan kemungkinan
besar kelas yang sesuai untuk tiap objek-objek yang akan
ditentukan kelasnya dari objek-objek uji yang ada berdasarkan
atribut-atribut atau variabel yang telah diketahui nilai-nilainya
(Arhami dan Nasir, 2020). Algoritma Naïve Bayes dapat
digunakan untuk memprediksi probabilitas keanggotaan suatu
kelas. Algoritma NBC sangat cocok untuk melakukan
klasifikasi pada dataset bertipe nominal. Rumus dari Teorema
Bayes adalah sebagai berikut:
(1)
Dimana:
P(A|B) merupakan probabilitas bersyarat A yang diberikan
oleh B, P(B|A) merupakan probabilitas bersyarat B yang
diberikan oleh A, P(A) merupakan probabilitas kejadian A,
P(B) merupakan probabilitas kejadian B.
Terdapat penelitian terdahulu yang berkaitan dengan
penerapan algoritma Naïve Bayes dan pengklasifikasian
penyakit stroke menggunakan data mining. Penelitian yang
dilakukan (Doni et al., 2021) untuk mengklasifikasikan
tingkat kemungkinan hidup pasien yang telah didiagnosis
menderita penyakit Hepatocellular Carcinoma menunjukkan
performa akurasi yang dihasilkan sebesar 70,30%. Kemudian
penelitian yang dilakukan (Ridwan, 2020) dalam
mengklasifikasi data penyakit diabetes mellitus menunjukkan
performa akurasi yang dihasilkan sebesar 90,20%.
E. Decision Tree
Decision Tree adalah sebuah metode klasifikasi yang
dibangun untuk mendapatkan sebuah kesimpulan dari
2
JEPIN (Jurnal Edukasi dan Penelitian Informatika), Vol. x, No. y, mm yy
sejumlah data. Penarikan kesimpulan dalam bentuk pohon,
yaitu berbentuk hierarki pohon yang terdiri dari akar, batang
dan daun yang merepresentasikan hasil keputusan yang dibuat.
Sebuah node keputusan misalnya untuk mengklasifikasi
Cuaca, yang memiliki dua cabang atau lebih misalnya, cerah,
mendung dan hujan. Memiliki node daun, misalnya, Play,
merupakan klasifikasi atau keputusan. Node keputusan paling
atas dalam pohon sesuai dengan prediktor terbaik disebut node
akar, penerapan Decision Tree dapat dilihat pada Gambar 1.
Pada gambar dapat dilihat Decision Tree memiliki 2 macam
node yaitu node keputusan (Cuaca) dan node daun (Play=Ya
atau Play=Tidak).
Gambar. 1 Contoh resolusi gambar yang diterima
Proses mining dengan algoritma Decision Tree dimulai
dengan menghitung nilai Entropy dan Gain dari masing-
masing atribut data training yang ada sehingga menghasilkan
Gain Ratio. Rumus untuk menghitung Entropy dan Gain bisa
dilihat pada persamaan 3,4 berikut:
Rumus mencari gain:
(2)
Dimana:
S merupakan himpunan kasus
A merupakan atribut
N merupakan banyaknya partisi S
|Si| meruapakan jumlah kasus pada partisi ke-i
|S| meruapakan jumlah kasus dalam S
Dan rumus kedua adalah:
(3)
Dimana:
S merupakan himpunan kasus
N merupakan banyaknya partisi S
Pi merupakan probabilitas yang didapat dari kasus I dibagi
total kasus
F. Random Forest
Metode Random Forest (RF) adalah salah satu metode
untuk meningkatkan nilai akurasi klasifikasi. Metode RF
dapat membangun pohon keputusan yang terdiri dari root
node, internal node, dan leaf node dengan mengambil atribut
dan data secara acak sesuai ketentuan. Root node adalah
simpul yang terletak di atas akar dari sebuah pohon keputusan.
Sedangkan internal node merupakan simpul percabangan,
node ini mempunyai satu input dan minimal dua output. Leaf
node/terminal node yaitu simpul terakhir yang tidak memiliki
output dan hanya memiliki satu input. Perhitungan nilai
Korespondensi : Fulan Fulana
entropy menggunakan rumus pada persamaan 1, dan nilai
information gain pada rumus persamaan 5.
Dimana:
L merupakan fungsi indikator
ffin merupakan tree ke-n dari algoritma Random Forest
G. Evaluasi Data Mining
Evaluasi terhadap hasi pemodelan menggunakan algoritma
klasifikasi, dapat digunakan metode cross validation,
confusion matrix, dan kurva ROC (Receiver Operating
Characteristic). Untuk mengembangkan aplikasi (development)
berdasarkan model yang dibuat, dapat digunakan Tools seperti:
Orange, WEKA, Rapid Miner. Metode cross-validation
adalah salah satu teknik untuk menilai keakuratan sebuah
model yang dibangun berdasarkan dataset tertentu. Confusion
Matrix adalah salah satu metode yang dapat digunakan untuk
evaluasi kinerja model klasifikasi. Matriks ini menunjukkan
jumlah prediksi benar dan salah yang dibuat oleh model untuk
setiap kelas. Dari matriks ini, kita dapat menghitung beberapa
metrik penting seperti akurasi, presisi, dan daya ingat [12].
Akurasi adalah rasio jumlah prediksi yang benar dengan
jumlah total prediksi. Presisi adalah rasio jumlah prediksi
positif yang sebenarnya terhadap jumlah total prediksi positif.
Recall adalah rasio jumlah prediksi positif yang benar dengan
jumlah kelas positif yang sebenarnya. Dengan menggunakan
Matriks Kebingungan, kami dapat mengevaluasi kinerja
model klasifikasi secara lebih rinci dan mengidentifikasi area
yang memerlukan perbaikan. Confusion Matrix akan
digunakan untuk menentukan akurasi, precision, dan recall.
Dengan rumus perhitungan sebagai berikut:
(5)
(6)
(7)
Dimana:
TP merupakan jumlah record positif yang diklasifikasikan
sebagai positif, FP merupakam jumlah record negatif yang
diklasifikasikan sebagai positif, FN merupakan jumlah record
positif yang diklasifikasikan sebagai negatif, dan TN
merupakan jumlah record negatif yang diklasifikasikan
sebagai negative.
Hasil Kurva ROC dapat menunjukkan keakurasian dan
membandingkan klasifikasi secara visual. ROC
mengekspresikan confusion matrix. Kurva ROC merupakan
grafik dua dimensi dengan false positives sebagai garis
horisontal dan true positives sebagai garis vertikal. Nilai Area
under curve (AUC) dihitung untuk mengukur perbedaan
performansi metode yang digunakan. AUC dihitung
menggunakan rumus (Liao dan Evangelos, 2007):
(8)
Dimana:
3
JEPIN (Jurnal Edukasi dan Penelitian Informatika), Vol. x, No. y, mm yy
Dimana:
K merupakan jumlah algoritma klasifikasi yang dikomparasi
X merupakan output positif
Y merupakan output negatif
Pada penelitian sebelumnya algoritma DT lebih baik
dibanding algoritma NBC [6] dan KNN lebih baik dibanding
algoritma NBC [7]. Komparasi untuk algoritma NBC, KNN,
DT dan Random Forest pada penelitian lainnya diperoleh hasil
algoritma Random Forest dengan nilai akurasi 97.25%,
Decision Tree 94.78%, dan K-Nearest Neghbor sebesar
85.99%, lalu yang memiliki nilai akurasi terendah yaitu
algoritma Naive Bayes sebesar 84.07% [8].
III. METODE PENELITIAN
Alur metode penelitian dari sistem rekomendasi film
menggunakan pendekatan data mining secara garis besar
seperti pada Gambar 2.
Gambar. 2 Flowchart Prosedur Penelitian
Penjelasan flowchart diatas merupakan tahapan prosedur
penelitian akan dijelaskan selanjutnya.
A. Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data Film
Indonesia. Data diperoleh dari website kaggle dengan sumber
data berdasarkan meta datanya adalah tahun 2020 diakses
kembali pada 7 Januari 2023 di alamat URL:
https://www.kaggle.com/code/habibisaifuddin/indonesian-
films-over-the-years/. Dataset terdiri dari 1272 entri dan 12
kolom yang terdiri dari: movie_id, title, year, description,
genre, rating, users_rating, votes, languages, directors, actors,
dan runtime.
Korespondensi : Fulan Fulana
Gambar. 3 Contoh Data
B. Preprocessing
Pada tahap data reduction dilakukan pengurangan data dari
sisi atribut (dimensionality reduction) yang tidak digunakan
dalam penelitian ini. Misalnya dalam dataset Film Indonesia
terdapat banyak kolom data yang tidak akan digunakan. Pada
tahap data transformation dilakukan pembentukan atribut baru
dari hasil pengolahan yang dapat digunakan dalam proses
analisis klasifikasi, yaitu: yaitu kolom
rekomendasi. Berdasarkan data yang digunakan diketahui
bahwa dataset penelitian berjenis kategorikal. Sehingga, pada
tahap ini, dilakukan transformasi data menjadi data numerik.
Cleaning data merupakan tahap awal dalam mengolah data
input sebelum proses pengolahan data untuk menbuat data
mentah menjadi data yang berkualitas dan mendapat input
yang baik. Kegiatan yang dilakukan dalam preprocessing
seperti: menghapus data yang memiliki nilai kosong atau
mengisi nilai yang datanya kosong dengan nilai rata-rata.
C. Penerapan Metode Data Mining
Data yang banyak beserta informasi yang sudah ada, akan
dianalisis dengan model yang didapat yang paling
baik. Penentuan atribut sangat menentukan pola yang
terbentuk dapat menghasilkan model terbaik dan memberikan
insight untuk menentukan lokasi terbaik.
Langkah-langkah algoritma K-Nearest Neighbor:
1. Menentukan nilai parameter k (nilai k dipilih secara
manual)
2. Menghitung jarak antara data training dan data testing
menggunakan metode Euclidean distance
3. Mengurutkan data training berdasarkan jarak terkecil
4. Menetapkan kelas, dimana kelas yang dipilih adalah
kelas dengan jumlah nilai k terbanyak pada data testing
Langkah-langkah algoritma Naive Bayes Classifier:
1. Menyiapkan dataset
2. Menghitung jumlah kelas pada data training
3. Menghitung jumlah kasus yang sama dengan kelas
yang sama
4. Mengalikan semua hasil sesuai dengan data testing
yang akan ditentukan kelasnya
5. Membandingkan hasil per kelas, nilai tertinggi
diterapkan sebagai kelas baru.
Langkah-langkah algoritma Decision Tree:
1. Menyiapkan dataset
2. Menghitung nilai Entropy
3. Menghitung nilai Gain
4. Membuat node dan cabang dari nilai Gain maksimal
5. Mengulangi langkah b, c, d, sampai semua node
terpartisi
Langkah-langkah algoritma Random Forest:
4
JEPIN (Jurnal Edukasi dan Penelitian Informatika), Vol. x, No. y, mm yy

1. Pilih secara acak fitur “R” dari total fitur “m” dimana
R<<m.
2. Di antara fitur “R”, hitung simpul menggunakan titik
perpecahan terbaik.
3. Membagi node menjadi simpul anak menggunakan
split terbaik.
4. Ulangi langkah a hingga c hingga “1” jumlah node
telah tercapai.
5. Bangun forest dengan mengulangi langkah a hingga d
untuk jumlah “n” kali untuk membuat “n” jumlah
pohon.
D. Pengukuran Kinerja Algoritma
Pengukuran kinerja metode dapat dilakukan menggunakan
rumus Accuracy, Recall dan F Score. Pengukuran kinerja Gambar. 4 Desain Process Model dalam RapidMiner
metode dilakukan untuk menghitung tingkat kinerja pada
Berikut merupakan pemrosesan data training ke data testing
metode K-Nearest Neighbors, Naive Bayes Classifier,
untuk algoritma Decision Tree.
Decision Tree dan Random Forest sehingga didapatkan
kesamaan atau kedekatan suatu hasil perhitungan dengan
angka atau data yang sebenarnya.
E. Komparasi Kinerja Algoritma
Perbandingan kinerja metode dilakukan setelah tahap
pengukuran kinerja, perbandingan kinerja metode dilakukan
untuk mengetahui hasil perbandingan dari metode K-Nearest
Gambar. 5 Penggunaan data training dan testing DT
Neighbors, Naive Bayes Classifier, Decision Tree dan
Random Forest, sehingga dapat diketahui metode manakah Berikut merupakan pemrosesan data training ke data testing
yang memiliki kinerja yang paling baik dalam melakukan untuk algoritma Decision Tree.
klasifikasi sistem rekomendasi film.

IV. HASIL DAN ANALISIS

Dataset yang sudah diolah dengan preprocessing untuk
menjadikan data siap diterapkan dalam penerapan data mining
penelitian ini. Sebelumnya untuk menentukan film masuk ke
kategori direkomendasi atau tidak, diolah dengan algoritma Gambar. 6 Penggunaan data training dan testing NBC
clustering untuk membedakan film menjadi 2 cluster yaitu
film yang direkomendasi dan tidak. Parameter yang Berikut merupakan pemrosesan data training ke data testing
digunakan untuk metode klasifikasi dengan algoritma untuk algoritma Decision Tree.
Decision Tree, Naive Bayes Classifier, KNN dan Random
Forest adalah year, genre, rating, users_rating, votes,
languages, dan runtime. Pada penelitian ini analisis
perbandingan keempat metode tersebut menggunakan
software Data Mining RapidMiner. Untuk membandingkan
keempat algoritma dengan RapidMiner, desain model untuk
pemrosesan dataset adalah seperti pada gambar berikut: Gambar. 7 Penggunaan data training dan testing KNN

Berikut merupakan pemrosesan data training ke data testing

untuk algoritma Decision Tree.

Gambar. 8 Penggunaan data training dan testing RF

Berikut merupakan pemrosesan untuk membandingkan

keempat algoritma yang digunakan.

Korespondensi : Fulan Fulana 5

JEPIN (Jurnal Edukasi dan Penelitian Informatika), Vol. x, No. y, mm yy

Berdasarkan data dari tabel diatas maka algoritma Decision

Tree mempunyai kinerja yang paling baik dibanding 3
algoritma yang lain, yang sudah diuji bersama menggunakan
RapidMiner. Perbandingan ROCs untuk keempat algoritma
adalah sebagai berikut:

Gambar. 9 Model perhitungan ROCs untuk semua algoritma

Hasil pengolahan dengan RapidMiner diperoleh nilai

Accuracy, Precision, Recall dan AUC
seperti pada tabel berikut: Gambar. 10 Hasil ROCs perbandingan 4 algoritma data mining
TABEL I
PERBANDINGAN KINERJA ALGORITMA DATA MINING V. KESIMPULAN
Algoritma Accuracy Precision Recall AUC
Kesimpulan yang dapat diambil adalah sebagai berikut:
Decision Tree 99.29% 99.00% 98.72% 0.989 5. Penggunaan data mining untuk rekomendasi film
Native Bayes Classified 88.80% 78.70% 87.64% 0.948 Indonesia dipilih algoritma Decision Tree karena
KNN 79.74% 73.16% 53.88% 0.830 memiliki kinerja yang paling baik dengan nilai
Random Forest 98.90% 98.76% 97.69% 1.000 Accuracy sebesar 99,29%, nilai Precision sebesar
99,00% dan Recall sebesar 98,72%.
TABEL II
CONFUSION MATRIX ALGORITMA DECISION TREE
6. Algoritma Decision Tree dapat digunakan untuk
membangun sistem rekomendasi film untuk
Aktual Aktual Class menyajikan informasi film rekomendasi yang
Rekomen Tidak Precision mempunyai kemiripan dan berdasarkan kriteria genre
Prediksi 876 5 99,43% dan score.
Rekomen
Saran yang dapat disampaikan adalah dataset bisa
Prediksi Tidak 4 383 98,97%
menggunakan yang berisi film dari luar yang dapat
Class Recall 99,55% 98,71%
didownload dari sumber kaggle.
TABEL III
CONFUSION MATRIX ALGORITMA NAIVE BAYES REFERENSI
Aktual Aktual Class [1] A. T. Ciaputra and D. S. Hansun, “Rekomendasi Pemilihan Film
Rekomen Tidak Precision Dengan Hybrid Filtering Dan K-Nearest Neighbor,” J. Rekayasa
Inf., vol. 9, no. 2, p. vol 9-2, 2020.
Prediksi 786 48 94,24% [2] Y. S. N. Riszki Wijayatun Pratiwi, “Prediksi Rating Film
Rekomen Menggunakan Metode Naïve Bayes,” Kinabalu, vol. 11, no. 2, pp.
Prediksi Tidak 94 340 78,34% 50–57, 2017.
Class Recall 89,32% 87,63% [3] A. N. Ikhsan, P. Subarkah, and R. S. Alifian, “Komparasi Algoritme
K-NN, Naïve Bayes, dan Cart untuk Memprediksi Penerima
TABEL IV Beasiswa,” JST (Jurnal Sains dan Teknol., vol. 12, no. 2, pp. 309–
CONFUSION MATRIX ALGORITMA KNN 316, 2023, doi: 10.23887/jstundiksha.v12i2.51745.
[4] N. L. W. S. R. Ginantra, “Deteksi Batik Parang Menggunakan Fitur
Aktual Aktual Class Co-Occurence Matrix Dan Geometric Moment Invariant Dengan
Rekomen Tidak Precision Klasifikasi KNN,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 7, no. 1,
Prediksi 802 179 81,75% p. 40, 2016, doi: 10.24843/lkjiti.2016.v07.i01.p05.
Rekomen [5] W. Liao and T. Evangelos, Recent Advances in Data Mining of
Prediksi Tidak 78 209 72,82% Enterprise Data: Algorithms and Applications. World Scientific,
Class Recall 91,14% 53,87% 2007.
[6] H. Sastypratiwi, Yulianti, and H. Muhardi, “Uji Komparasi
TABEL V Algoritma Naïve Bayes dan Decision Tree Classification,” JEPIN
CONFUSION MATRIX ALGORITMA RF (Jurnal Edukasi dan Penelit. Inform., vol. 8, no. 1, pp. 1–6, 2022.
[7] R. R. Waliyansyah and C. Fitriyah, “Perbandingan Akurasi
Aktual Aktual Class Klasifikasi Citra Kayu Jati Menggunakan Metode Naive Bayes dan
Rekomen Tidak Precision k-Nearest Neighbor (k-NN),” J. Edukasi dan Penelit. Inform., vol. 5,
Prediksi 875 9 98,98% no. 2, p. 157, 2019, doi: 10.26418/jp.v5i2.32473.
Rekomen [8] A. Fauzi and A. H. Yunial, “Optimasi Algoritma Klasifikasi Naive
Bayes, Decision Tree, K – Nearest Neighbor, dan Random Forest
Prediksi Tidak 5 379 98,70%
menggunakan Algoritma Particle Swarm Optimization pada
Class Recall 99,43% 97,68% Diabetes Dataset,” J. Edukasi dan Penelit. Inform., vol. 8, no. 3, p.
470, 2022, doi: 10.26418/jp.v8i3.56656.

Korespondensi : Fulan Fulana 6

JEPIN (Jurnal Edukasi dan Penelitian Informatika), Vol. x, No. y, mm yy

Korespondensi : Fulan Fulana 7