Evaluasi sistem rekomendasi film berbasis sinopsis Cold-Start: Perbandingan TF-IDF, Word2Vec, dan FastText

Holle, Khadijah Fahmi Hayati ORCID: https://orcid.org/0000-0002-6991-1748, Hidayah, Ela Ilmatul, Putri, Renata Amalia and Ningrum, Citra Ayu Putri (2026) Evaluasi sistem rekomendasi film berbasis sinopsis Cold-Start: Perbandingan TF-IDF, Word2Vec, dan FastText. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 6 (3). pp. 1642-1654. ISSN 2775-8575

Preview

Text 28605.pdf - Published Version Available under License Creative Commons Attribution Share Alike. Download (726kB) | Preview

Abstract

Penelitian ini bertujuan menentukan representasi teks ringan yang paling efektif dan efisien untuk rekomendasi film cold-start ketika sistem hanya memiliki sinopsis dan belum memiliki riwayat interaksi pengguna. Penelitian membandingkan TF-IDF, Word2Vec, dan FastText yang dikombinasikan dengan cosine similarity pada dataset film TMDb. Dari 10.001 data film, sebanyak 9.924 data valid digunakan setelah penghapusan sinopsis kosong, duplikasi, dan token tidak informatif. Pengujian dilakukan menggunakan 20 skenario kueri cold-start yang terdiri atas sepuluh kueri panjang bernarasi dan sepuluh kueri pendek berbasis kata kunci. Karena dataset tidak menyediakan label relevansi eksplisit dari pengguna, relevansi diukur menggunakan genre-proxy relevance. Evaluasi menggunakan Precision@10, HitRate@10, AP@10, MRR@10, nDCG@10, F1 skenario, dan waktu retrieval rata-rata. Hasil menunjukkan bahwa TF-IDF + cosine similarity memperoleh kinerja terbaik dengan Precision@10 sebesar 0,835, AP@10 sebesar 0,884, MRR@10 sebesar 0,942, nDCG@10 sebesar 0,942, dan F1 skenario sebesar 0,902. Kontribusi utama penelitian ini adalah pembuktian empiris terkontrol bahwa representasi leksikal dapat mengungguli rata-rata word embedding pada rekomendasi cold-start berbasis sinopsis. TF-IDF lebih unggul karena sinopsis film yang pendek dan kueri tematik eksplisit masih mempertahankan kata kunci diskriminatif, sedangkan rata-rata vektor Word2Vec dan FastText cenderung meratakan sinyal kata kunci spesifik. Hasil ini menunjukkan bahwa TF-IDF tetap menjadi baseline yang kuat, interpretabel, dan efisien untuk sistem rekomendasi film dengan sumber daya komputasi terbatas.

Item Type:	Journal Article
Keywords:	cold-start; cosine similarity; fasttext; sistem rekomendasi; tf-idf; word2vec
Subjects:	08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing > 080107 Natural Language Processing
Divisions:	Faculty of Technology > Department of Informatics Engineering
Depositing User:	Khadijah Fahmi Hayati Holle
Date Deposited:	30 Jul 2026 08:08

Downloads

Origin of downloads

Actions (login required)

View Item