PENGARUH PARAMETER K DALAM K-NEAREST NEIGHBORS TERHADAP AKURASI REKOMENDASI FILM

Abstract

Dalam era digital saat ini, rekomendasi film telah menjadi salah satu fitur penting yang ditawarkan oleh berbagai platform streaming. Akurasi dalam sistem rekomendasi sangat krusial, karena dapat mempengaruhi pengalaman pengguna dan keputusan untuk menonton film tertentu. Salah satu metode yang populer dalam sistem rekomendasi adalah K-Nearest Neighbors (KNN). Metode ini bekerja dengan cara mencari K tetangga terdekat dari data pengguna atau item yang sedang dianalisis. Tujuan dari penelitian ini adalah untuk menganalisis pengaruh parameter K dalam penerapan algoritma KNN. Penelitian ini menggunakan dataset dari situs Kaggle yang berjudul The Ultimate 1Million Movies Dataset, terdiri atas 1.000.467 baris data dan 27 kolom atribut. Dataset ini mencakup berbagai informasi tentang film, di antaranya judul, genre, pemeran, rating, dan lain lain. Metode pada penelitian ini meliputi tahapan pengumpulan data, analisis data, praproses data, pelatihan, dan terakhir tahap evaluasi. Hasil dari penelitian ini adalah KNN dengan menggunakan teknik optimasi parameter Elbow method, Cross-validation, dan GridSearchCV untuk pencarian parameter k terbaik. Nilai akurasi optimal pada parameter k = 19, sebesar 86,71%, waktu pelatihan selama 2127,7 detik dengan menggunakan teknik optimasi Cross-validation.

In today's digital era, movie recommendations have become a key feature offered. Accuracy in recommendation systems is crucial, as it directly influences user experience and viewing decisions. One popular method in recommendation systems is K-Nearest Neighbors (KNN), which operates by identifying the K closest neighbors from user or item data being analyzed. This study aims to analyze the influence of the K parameter in the implementation of the KNN algorithm. The research utilizes a dataset from Kaggle titled The Ultimate 1Million Movies Dataset consisting of 1,000,467 entries and 27 attribute columns. The dataset includes various movie details such as title, genre, cast, rating, and more. The methodology involves data collection, data analysis, preprocessing, training, and evaluation. The study employs parameter optimization techniques, including the Elbow method, Cross-validation, and GridSearchCV, to determine the optimal K value. The results indicate that the optimal accuracy 86,71%, total training time for this configuration was 2127,7 seconds is achieved at K = 19 using the Cross-validation optimization.