Sistem Rekomendasi Movie Dengan Metode K-Nearest Neighbor (KNN)

Disusun oleh :

Putu Bagus Dio Pranata (2008561100)

I Putu Marcel Wiguna (2008561103)

Marcellino Rivaldo Pelaupessy (2008561104)

Ronaldito Juan Bantaras Tarigan (2008561108)

INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
DENPASAR
2023
 DAFTAR ISI

DAFTAR ISI...................................................................................................................... 2
BAB I PENDAHULUAN ................................................................................................. 3
BAB II TINJAUAN PUSTAKA....................................................................................... 4
BAB III PERANCANGAN DAN IMPLENTASI SISTEM .......................................... 5
BAB IV ............................................................................................................................... 6
HASIL DAN PEMBAHASAN ......................................................................................... 6
BAB V ................................................................................................................................ 7
KESIMPULAN ................................................................................................................. 7
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Dalam era digital yang semakin berkembang, industri hiburan seperti film
telah mengalami perkembangan yang signifikan. Menonton film merupakan
kegiatan populer bagi banyak orang, dan dengan adanya platform streaming
online dan jumlah film yang tak terhitung, pengguna sering kali menghadapi
kesulitan dalam memilih film yang sesuai dengan minat dan preferensi
mereka. Oleh karena itu, sistem rekomendasi film telah menjadi elemen
penting dalam meningkatkan pengalaman pengguna dalam menemukan dan
menikmati film yang mereka sukai. Sistem rekomendasi film bertujuan
untuk menyediakan rekomendasi yang dipersonalisasi dan relevan bagi
pengguna berdasarkan preferensi dan sejarah penontonan mereka. Pilihan
algoritma yang digunakan dalam sistem rekomendasi sangat penting dalam
menentukan keberhasilan sistem tersebut. Salah satu metode yang populer
dalam sistem rekomendasi adalah Metode K-Nearest Neighbor (KNN).
Metode KNN adalah salah satu algoritma yang sederhana namun efektif
dalam membangun sistem rekomendasi. Algoritma ini bekerja dengan
mengidentifikasi pengguna dengan preferensi film yang serupa berdasarkan
data film. Dengan memanfaatkan metode KNN dalam sistem rekomendasi
film, diharapkan dapat memberikan rekomendasi yang lebih personal dan
akurat kepada pengguna. Melalui penelitian ini, kami berharap dapat
mengidentifikasi keunggulan dan potensi metode KNN dalam konteks
rekomendasi film, serta memberikan kontribusi kepada pengembangan
sistem rekomendasi yang lebih baik dan lebih relevan dalam industri
hiburan.

1.2 Rumusan Masalah

 • Bagaimana menerapkan metode K-Nearest Neighbor (KNN) untuk
mengidentifikasi pengguna dengan preferensi film yang serupa?
• Bagaimana menghasilkan rekomendasi film yang relevan
berdasarkan pengguna yang memiliki preferensi serupa?

1.3 Tujuan Penelitian

Menghasilkan rekomendasi film yang relevan: Penelitian ini bertujuan
untuk menghasilkan rekomendasi film yang relevan dan dipersonalisasi
berdasarkan kesamaan preferensi antara pengguna yang memiliki preferensi
serupa. Dengan menggunakan metode KNN, rekomendasi yang dihasilkan
diharapkan dapat memenuhi preferensi pengguna dengan tingkat akurasi
yang tinggi.

BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Empiris
Adapun tinjuan empiris yang dimana merupakan landasan dari penelitian
sebelumnya. Salah satunya adalah penelitian “Sistem Rekomendasi
Pembelian Laptop dengan K-Nearest Neighbor (KNN).” Oleh H. A.
Sheeren, L. W. Santoso, and J. Andjarwirawan yang dimana merupakan
penelitian sebelumnya yang meneliti tentang sistem rekomendasi pembelian
laptop dengan metode K-Nearest Neighbor.
2.2 Tinjauan Teoritis
Peneliti mempelajari teori-teori dan konsep-konsep terkait sistem
rekomendasi film dan metode K-Nearest Neighbor. Misalnya, peneliti
mengkaji tentang Collaborative Filtering, yang merupakan salah satu
pendekatan populer dalam sistem rekomendasi yang mengidentifikasi
preferensi pengguna berdasarkan kesamaan preferensi dengan pengguna
lain. Selain itu, peneliti memahami bagaimana metode K-Nearest Neighbor
bekerja, yaitu dengan menghitung jarak antara pengguna berdasarkan data
preferensi dan mengidentifikasi tetangga terdekat dari pengguna yang akan
digunakan sebagai basis rekomendasi. Peneliti juga mempelajari literatur
tentang penggunaan metode K-Nearest Neighbor dalam berbagai konteks,
termasuk aplikasi dalam sistem rekomendasi film. Peneliti mencari contoh
 penelitian terdahulu yang menggunakan K-Nearest Neighbor untuk
memberikan rekomendasi film kepada pengguna berdasarkan preferensi
mereka. Ini akan memberikan pemahaman yang mendalam tentang teori-
teori dan konsep-konsep yang relevan dalam pembangunan Sistem
Rekomendasi Movie dengan metode K-Nearest Neighbor. Peneliti dapat
menggunakan pemahaman ini untuk mengembangkan kerangka kerja
penelitian dan merancang eksperimen berdasarkan teori-teori yang telah
teruji sebelumnya.

BAB III
PERANCANGAN DAN IMPLENTASI SISTEM

3.1 Metodelogi
Metode yang digunakan dalam penelitian adalah K-NN. K-Nearest
Neighbour (K-NN) merupakan metode untuk melakukan klasifikasi
terhadap objek baru berdasarkan (k) tetangga terdekatnya. K-NN termasuk
algoritma supervised learning, dimana hasil dari query instance yang baru,
diklarifikasikan berdasarkan mayoritas dari kategori pada K-NN, kelas yang
paling banyak muncul yang akan menjadi kelas hasil klasifikasi. Metode
KNN digunakan karena memilikibeberapa kelebihan, diantaranya yaitu
dapat menghasilkan data yang lebih akurat dan efektif
apabilamemlikitrainingdatayangcukup besar. Namun, metode ini juga
memilikibeberapa kekurangan, seperti biaya komputasi yang cukup tinggi
karena diperlukan perhitungan jarak query instance pada keseluruhan
training sample. Persamaan berikut ini adalah persamaan :
3.2 Perancangan
Berikut perancangan yang dilakukan sebelum pembanguna sistem yang berupa
flowchart dari sistem yang akan dibangun:

3.3 Implementasi
Pada tahap ini akan dilakukan pembangunan model yang dimana model akan
melalui tahap precossing terlebih dahulu kemudian setelah itu model akan
dilakukan pelatihan dan pengujian. Setelah pelatihan dan pengujian berhasil
dilakukan maka akan dilakukan evaluasi.

BAB IV

HASIL DAN PEMBAHASAN

4.1 Analisis dan Evaluasi Sistem
Berikut merupakan gambar dari hasil rekomendasi dari sistem yang telah
dibangun :

Untuk metode evaluasi yang digunakan adalah matrik pengujian yang

digunakan Root Mean Squared Error (RMSE) yang dimana dipergunakan
dalam mengukur tingkat akurasi dari hasil rekomendasi oleh model dari
sistem yang telah dibangun. Berikut adalah hasil dari rekomendasi sistem
sekaligus pengukuran RMSE terhadapa model yang telah dibangun oleh
peneliti. Hasil RMSE yang diperoleh adalah 0.14326188024767245, maka
itu menunjukkan bahwa kesalahan rata-rata dari model rekomendasi movie
menggunakan metode K-Nearest Neighbors (KNN) sebesar
0.14326188024767245. Yang dimana semakin rendah nilai RMSE, semakin
baik performa model. Dalam konteks ini, nilai RMSE yang relatif rendah
menunjukkan bahwa model KNN mampu memberikan rekomendasi movie
yang cukup akurat.

BAB V

KESIMPULAN
5.1 Kesimpulan yang didapatkan
Berdasarkan dari hasil penelitian yang telah dilakukan dapat disimpulkan
model yang telah dibangun telah dapat memberikan rekomendasi yang
cukup memuaskan berdasarkan hasil evaluasi yang dilakukan, namun
peneliti juga merasa untuk teknik evaluasi yang digunakan ada yang dapat
lebih bisa dipercaya disbanding RMSE dan juga untuk penelitian
 kedepannya peneliti menyarankan untuk penggunaan dataset yang lebih
banyak lagi dan tentunya beragam agar dapat menghasilkan model yang
lebih optimal.

Daftar Pustaka

[1] H. Maharani, “RANCANGAN SISTEM REKOMENDASI GAME DENGAN

MODEL-BASED COLLABORATION FILTERING.”
[2] H. A. Sheeren, L. W. Santoso, and J. Andjarwirawan, “Sistem Rekomendasi
Pembelian Laptop dengan K-Nearest Neighbor (KNN).”
[3] C. Saha and D. Prasetya, “SISTEM REKOMENDASI PADA E-COMMERCE
MENGGUNAKAN K-NEAREST NEIGHBOR,” vol. 4, no. 3, pp. 2355–7699,
2017.
[4] C. A. Rahardja and H. Agung, “Rahardja, Implementasi Algoritma K-Nearest
Neighbor Pada Website Rekomendasi Laptop 75 Implementasi Algoritma K-
Nearest Neighbor Pada Website Rekomendasi Laptop.”
[5] P. Pangestu and R. Setyadi, “Penerapan Metode K-Nearest Neighbor Untuk
Pemilihan Rekomendasi Game FPS Pada Aplikasi Google Play Store,” Journal of
Information System Research (JOSH), vol. 4, no. 2, pp. 742–747, Jan. 2023, doi:
10.47065/josh.v4i2.3006.