Sistem rekomendasi film multi-kriteria berbasis algoritma greedy dengan diversity penalty

INDONESIA:

Perkembangan platform streaming film yang pesat menyebabkan pengguna dihadapkan pada ribuan pilihan konten. Sistem rekomendasi berbasis algoritma greedy standar cenderung menghasilkan rekomendasi yang monoton karena hanya mengoptimalkan akurasi lokal tanpa mempertimbangkan keberagaman, yang dikenal sebagai masalah overspecialization. Penelitian ini bertujuan merancang sistem rekomendasi film multi-kriteria berbasis algoritma greedy yang diintegrasikan dengan mekanisme diversity penalty, serta menganalisis pengaruh variasi bobot kriteria dan parameter lambda terhadap akurasi dan keberagaman rekomendasi. Sistem dikembangkan menggunakan dataset MovieLens dengan empat kriteria penilaian, yaitu kesesuaian genre, rata-rata rating dengan time decay, popularitas, dan recency. Evaluasi dilakukan terhadap 610 pengguna menggunakan metrik Genre Match Ratio, Intra-List Diversity (ILD), dan Precision@K. Hasil menunjukkan bahwa nilai Precision@K cenderung optimal pada λ kecil, dengan nilai tertinggi sebesar 0,082 dicapai pada konfigurasi λ=0,05 dengan bobot popularitas 0,50, genre 0,20, rating 0,20, dan recency 0,10. Sebaliknya, nilai ILD tertinggi sebesar 0,993 dicapai pada konfigurasi λ=0,50 dengan bobot genre 0,55, rating 0,20, popularitas 0,15, dan recency 0,10. Temuan ini mengindikasikan adanya trade-off antara akurasi dan keberagaman rekomendasi, di mana pemilihan konfigurasi optimal bergantung pada prioritas sistem yang dikembangkan.

INGGRIS:

The rapid development of movie streaming platforms has left users facing thousands of content options. Recommendation systems based on standard greedy algorithms tend to produce monotonous recommendations because they only optimize local accuracy without considering diversity, a phenomenon known as the overspecialization problem. This research aims to design a multi-criteria movie recommendation system based on a greedy algorithm integrated with a diversity penalty mechanism, and to analyze the impact of variations in criterion weights and the lambda parameter on the recommendation accuracy and diversity. The system was developed using the MovieLens dataset with four criteria: genre match, average rating with time decay, popularity, and recency. Evaluation was conducted on 610 users using the Genre Match Ratio, Intra-List Diversity (ILD), and Precision@K metrics. The results show that the Precision@K value tends to be optimal at small values of λ, with the highest value of 0.082 achieved at the configuration λ=0,05 with weights of popularity 0,50, genre 0,20, rating 0,20, and recency 0,10. Conversely, the highest ILD value of 0,993 was achieved with a configuration of λ=0,50, with weights of genre 0,55, rating 0,20, popularity 0,15, and recency 0,10. These findings indicate a trade-off between accuracy and diversity of recommendations, where the selection of the optimal configuration depends on the priorities of the system being developed.

ARAB:

أدى التطور السريع لمنصات بث الأفلام إلى إتاحة آلاف الخيارات من المحتوى للمستخدمين. تميل أنظمة التوصية القائمة على الخوارزميات الجشعة القياسية إلى تقديم توصيات رتيبة، لأنها تكتفي بتحسين الدقة المحلية دون مراعاة التنوع، وهو ما يُعرف بمشكلة الإفراط في التخصص. هذف هذا البحث إلى تصميم نظام لتوصية الأفلام متعدد المعايير يعتمد على خوارزمية الجشع (greedy) مدمجة مع آلية عقوبة التنوع (diversity penalty)، بالإضافة إلى تحليل تأثير تباين أوزان المعايير ومعامل لامدا على دقة التوصيات وتنوعها. تم تطوير النظام باستخدام مجموعة بيانات MovieLens التي تتضمن أربعة معايير تقييم، وهي: ملاءمة النوع، ومتوسط التقييم مع تضاؤل زمني، والشعبية، وحداثة الفيلم. أظهرت النتائج أن قيمة Precision@K تميل إلى أن تكون مثالية عند قيم λ الصغيرة، حيث تم تحقيق أعلى قيمة لها عند ٠٫٠٨٢ في التكوين = λ ٠,٠٥ مع الأوزان التالية: الشعبية = ٠٫٠٥٠، النوع =٠٫٢٠ ، التقييم =٠٫٢٠ ، والحداثة =٠٫١٠. على العكس من ذلك، تم تحقيق أعلى قيمة لـ ILD عند ٠٫٩٩٣ في التكوين = λ ٠٫٠٥٠ مع وزن النوع=٠٫٥٥، والتقييم=٠٫٢٠ ، والشعبية=٠٫١٥ ، والحداثة =٠٫١٠. تشير هذه النتائج إلى وجود مفاضلة بين دقة التوصيات وتنوعها، حيث يعتمد اختيار التكوين الأمثل على أولويات النظام الذي يتم تطويره.