Pendekatan Graph Neural Network Dengan Arsitektur LightGCN Untuk Sistem Rekomendasi Film
Menonton film adalah salah satu hiburan yang disukai oleh masyarakat. Perkembangan film yang semakin baik dari segi alur cerita, kualitas, maupun produksi membuat industri film semakin banyak memproduksi film. Penelitian ini bertujuan untuk merekomendasikan film menggunakan model LightGCN berdasarkan urutan rekomendasi yang paling tinggi. Model dilatih pada dataset website MovieLens memiliki atribut pengguna, item, timestamp dan rating. Dilakukan kombinasi hyperparameter yang diuji satu per satu menggunakan metode grid search. Didapatkan 81 kombinasi paramater sebagai penilaian evaluasi NDCG dan recall. Dari 81 kombinasi, paramater yang paling baik adalah epoch 100, learning rate 0.05, layer size 5, dan top-k 50. Menghasilkan nilai evaluasi NDCG 0.35971 dan recall 0.35957. Penelitian ini melakukan modifikasi model LightGCN dengan menambahkan embedding baru yaitu interaksi antara item terhadap genre menghasilkan evaluasi yang paling baik adalah NDCG 0.36099 dan recall 0.01932. Dari hasil penelitian menjelaskan bahwa terdapat beberapa item-item yang relevan masuk ke dalam daftar rekomendasi (top-k).
URI
https://repo.itera.ac.id/depan/submission/SB2508150023
Keyword
Sistem Rekomendasi LightGCN Kombinasi Hyperparameter Embedding Daftar Rekomendasi