SISTEM REKOMENDASI FILM MENGGUNAKAN METODE SCENARIO-BASED UNTUK MENGURANGI MASALAH COLD-START = MOVIE RECOMMENDATION SYSTEM USING SCENARIO-BASED METHOD TO REDUCE COLD-START PROBLEM

Latar belakang. Sistem rekomendasi telah berkembang menjadi alat penting untuk meningkatkan pengalaman pengguna di platform digital dengan memberikan saran yang dipersonalisasi. Sistem ini biasanya mengandalkan teknik seperti Collaborative Filtering yang memanfaatkan data interaksi antara item dengan pengguna untuk memprediksi preferensi pengguna. Namun, metode tradisional ini memiliki masalah cold-start dalam skenario pengguna baru yang membatasi kemampuan sistem untuk menghasilkan rekomendasi yang akurat. Tujuan dan Metode. Penelitian ini menggunakan sistem rekomendasi berbasis skenario yang menggunakan analisis sentimen dengan menggunkan arsitektur kombinasi CNN + Fine-Tuned BERT ketika sistem tidak memiliki data interaksi pengguna dan menerapkan perhitungan semantik, yaitu Cosine Similarity, ketika data interaksi pengguna tersedia. Strategi ini secara efektif mengatasi masalah cold-start dengan memastikan rekomendasi yang relevan dan dipersonalisasi. Hasil. Model CNN + Fine-Tuned BERT memiliki akurasi sebesar 95.58%%, akurasi validasi sebesar 87.87%, loss sebesar 0.1355 dan loss validasi sebesar 0.4241 dengan indikasi tingkat overfit yang minim. Metode Bayesian Weighting akurat dalam menghasilkan ranking item yg personal dengan nilai NDCG sebesar 0.9680, pencarian semantik menggunakan Cosine Similarity dan vektorisasi BERT memiliki skor NDCG 1.0 menandakan bahwa BERT mampu menagkap konteks semantik antar vektor. Kesimpulan. Ulasan film memiliki makna kontekstual mengenai mengapa sebuah item disukai/tidak disukai oleh pengguna sehingga membuat fitur data ini lebih kredibel dibandingkan rating kriteria tunggal.