Hybrid Recommender System Berbasis Alternating Least Squares dan CatBoost (Studi Kasus Anime pada MyAnimeList)

Abstract

Platform di internet berurusan dengan data yang sangat besar dan terus berkembang membutuhkan Recommender System (RS) untuk memungkinkan penggunanya menemukan informasi yang relevan dalam banyaknya volume data. RS bekerja dengan melakukan prediksi dan memperlihatkan informasi yang diinginkan oleh pengguna menggunakan berbagai data seperti riwayat ulasan dari pengguna tersebut terhadap suatu item. Seiring dengan perkembangan waktu, teknologi RS menjadi semakin akurat dalam memberikan prediksi. Walaupun hal demikian dapat memnciptakan permasalahan baru yaitu kurangnya keragaman dari hasil yang diberikan RS yang berdampak buruk bagi pengguna dan pemilik platform. Penelitian ini merancang Hybrid RS menggunakan algoritma Alternating Least Squares (ALS) serta Categorical Boosting (CatBoost) untuk memberikan hasil rekomendasi yang memiliki nilai metrik akurasi tinggi serta memeriksa perubahan yang akan terjadi pada nilai metrik keragaman menggunakan studi kasus anime pada MyAnimeList. Hasil akhir dari penelitian akan diuji menggunakan metrik Root Mean Square Error (RMSE) untuk mengukur akurasi serta Cosine SImilarity untuk mengukur keragaman. Hasil akhir RMSE yang didapatkan beserta dengan Cosine Similarity dari rekomendasi anime Hybrid RS memiliki nilai yang lebih baik ketika dibandingkan dengan hasil dari algoritma tersendiri.