Description

Di era di mana platform menonton film yang menjamur, pengguna sering menghadapi kesulitan dalam menjelajahi berbagai judul yang tersedia. Sistem rekomendasi film hadir sebagai solusi yang efisien untuk membantu pengguna menemukan konten yang sesuai dengan preferensi mereka. Pada kesempatan ini, demographic filtering dan content-based filtering digunakan sebagai algoritma dari sistem rekomendasi film ini. Kedua algoritma ini memiliki konsep yang berbeda. Demograpgic filtering memiliki konsep yang berlandaskan film yang lebih banyak diminati dan mendapatkan pujian kritis memiliki kemungkinan lebih besar untuk disukai oleh audiens secara umum, sedangkan content-based filtering lebih mengarah ke preferensi pribadi seseorang terhadap suatu film. Ketika seseorang menyukai satu film, kemungkinan besar mereka juga akan menyukai film yang memiliki kesamaan dengan film tersebut.

Load Dataset

Demographic Filtering

Pada kesempatan kali ini, IMdB’s Weighted Rating akan digunakan, dengan rumus sebagai berikut:

Keterangan: 
v = jumlah vote pada film 
m = yang diperlukan agar dapat terdaftar dalam daftar (vote_count) 
R = nilai rata-rata terhadap rating film (vote_average) 
C = nilai rata-rata dari keseluruhan nilai vote_average

Content-based Filtering

Dalam sistem rekomendasi ini, konten dari film (ringkasan, pemain, kru, kata kunci, tagline, dll.) digunakan untuk menemukan kemiripannya dengan film lain. Kemudian, film-film yang kemungkinan besar mirip direkomendasikan.

Hasil Sistem Rekomendasi

• Demographic Filtering
  Dari metode ini, kita mendapat 2 hasil, yaitu berdasarkan score dan popularitas. Berdasarkan score, yang menduduki peringkat pertama adalah film “The Shawshank Redemption”, sedangkan berdasarkan popularitas adalah film “Spider-Man:No Way Home”.
• Content-based Filtering
  Dengan metode ini, kita bisa menemukan kemiripan satu film dengan film lainnya. Seperti contoh, film “Interstellar” memiliki kemiripan dengan film “Space Pirate Captain Harlock”.

Link Dataset:

https://www.kaggle.com/datasets/ayushjain001/movie-dataset-rating