OPTIMISASI COLLABORATIVE FILTERING BERBASIS HYBRID MENGGUNAKAN MATRIX FACTORIZATION, FEEDFORWARD NEURAL NETWORK DAN XGBOOST

Rekomendasi collaborative filtering telah digunakan secara luas dalam berbagai aplikasi digital, namun masih menghadapi tantangan seperti cold-start, first-rater dan kurangnya akurasi rekomendasi akibat ketidakmampuannya dalam menangkap hubungan kompleks antara user dan item. Penelitian ini bertujuan untuk mengoptimisasi metode collaborative filtering berbasis hybrid melalui integrasi tiga pendekatan utama, yaitu Matrix Factorization, Feedforward Neural Network berbasis Multi-Layer Perceptron, dan XGBoost. Metodologi yang digunakan mencakup tahapan membaca dataset, preparation, tuning hyperparameter, hingga pemodelan dan evaluasi menggunakan metrik MAE, RMSE, dan R² Score. Penelitian dilakukan pada dua dataset berbeda, yakni film dan hotel, untuk menguji generalisasi model. Hasil penelitian menunjukkan bahwa model hybrid yang diusulkan mampu mengatasi keterbatasan collaborative filtering non- hybrid dan secara signifikan meningkatkan akurasi rekomendasi. Temuan ini memberikan kontribusi terhadap pengembangan sistem rekomendasi yang lebih adaptif dan personal, serta membuka peluang untuk eksplorasi lebih lanjut dalam integrasi metode machine learning pada sistem rekomendasi di era data besar.