PERBANDINGAN CONTENT-BASED FILTERING DAN K-NEAREST NEIGHBOR PADA REKOMENDASI FILM BERBASIS GENRE

Pertumbuhan pesat platform film digital menyebabkan jumlah film yang tersedia terus bertambah, sehingga pengguna kesulitan menemukan film yang sesuai dengan preferensinya. Penelitian ini bertujuan menerapkan dan membandingkan kinerja metode Content-Based Filtering dan K-Nearest Neighbor pada sistem rekomendasi film. Penelitian dibatasi pada penggunaan atribut genre sebagai dasar rekomendasi, tanpa melibatkan riwayat maupun rating pengguna, dengan data sekunder dari Full TMDB Movies Dataset 2024 yang diperoleh dari Kaggle.
Metode pengembangan sistem yang digunakan adalah CRISP-DM yang meliputi business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Dari 1.422.047 data awal diperoleh 796.425 data film setelah seleksi atribut, penanganan nilai kosong, transformasi genre, penghapusan duplikasi, dan pembobotan fitur menggunakan TF-IDF. Content-Based Filtering menghitung kemiripan dengan cosine similarity, sedangkan K-Nearest Neighbor menggunakan Euclidean distance terhadap vektor preferensi pengguna.
Hasil evaluasi terhadap seluruh data menunjukkan kedua metode memperoleh accuracy yang sama, yaitu 99,92%. K-Nearest Neighbor unggul dengan precision 86,56%, recall 80,32%, dan F1-score 83,32%, dibandingkan Content-Based Filtering yang memperoleh 86,45%, 79,58%, dan 82,87%. Uji McNemar menghasilkan p-value 0,000122 sehingga keunggulan tersebut signifikan secara statistik. Dengan demikian, K-Nearest Neighbor lebih efektif dalam menghasilkan rekomendasi film yang relevan berdasarkan preferensi genre pengguna.