Prediksi rating film menggunakan pendekatan Neural Factorization Machines (NFM)

Khairani, Jessy Faujiyyah (2024) Prediksi rating film menggunakan pendekatan Neural Factorization Machines (NFM). Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (176kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (183kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (213kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (288kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (338kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (693kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (385kB) | Request a copy
	Text (BAB VI) 8_bab5.pdf Restricted to Registered users only Download (141kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (171kB) | Request a copy

Abstract

Penelitian ini dilatarbelakangi oleh kesulitan penonton dalam menemukan film yang sesuai dengan selera mereka di tengah banyaknya film yang diproduksi. Rating film yang ada saat ini sering kali hanya didasarkan pada penilaian langsung oleh penonton tanpa mempertimbangkan faktor seperti genre, kategori usia penonton, dan deskripsi cerita film. Penelitian ini bertujuan untuk memprediksi rating film menggunakan pendekatan Neural Factorization Machines (NFM). Metode penelitian meliputi data preparation yang mencakup penggabungan file dataset, pemetaan kategori usia, pembersihan data, konversi teks menjadi huruf kecil, penghapusan regular expression, penghapusan teks selain bahasa Inggris, tokenisasi, lemmatizing, word embedding, one-hot encoding, dan label encoding. Proses modeling dilakukan dengan membangun model NFM yang terdiri dari input fitur, embedding layer, bi-interaction layer, hidden layers, dan prediction score. Evaluasi model dilakukan dengan mengatur hyperparameter yaitu epoch dan batch size untuk mengoptimalkan kinerja model. Penelitian ini dilakukan dengan 9 kali pengujian menggunakan kombinasi epoch (30, 50, dan 100) dan batch size (64, 128, dan 256). Hasil evaluasi menunjukkan bahwa nilai MSE terendah yang berarti terbaik pada data training adalah 1,181 dengan batch size 256 dan epoch 100, serta pada data validation adalah 1,230 dengan batch size 256 dan epoch 100. Namun, pada data test, konfigurasi dengan batch size 128 dan epoch 50 memberikan MSE terbaik sebesar 1,280. Meskipun model menunjukkan performa terbaik pada data training dan validation dengan konfigurasi batch size 256 dan epoch 100, grafik evaluasi mengindikasikan adanya overfitting. Temuan ini menunjukkan bahwa model NFM mampu dalam memprediksi rating film berdasarkan genre, kategori usia penonton, dan deskripsi cerita film.

Actions (login required)

View Item