PERBANDINGAN CONTENT-BASED FILTERING DAN COLLABORATIVE FILTERING PADA DATASET MOOC DENGAN MENGGUNAKAN LIME
Melimpahnya pilihan kursus pada platform Massive Open Online Course (MOOC) seringkali menyebabkan information overload, sehingga pengguna kesulitan menemukan materi yang paling relevan. Penelitian ini bertujuan untuk membandingkan efektivitas dua model sistem rekomendasi—Content-Based Filtering (CBF) dan Collaborative Filtering (CF) dengan pendekatan item-item—dalam mengatasi masalah ini pada dataset kursus MOOC. Untuk meningkatkan transparansi dan memahami logika di balik setiap rekomendasi, penelitian ini juga mengimplementasikan teknik Explainable AI (XAI) menggunakan Local Interpretable Model-agnostic Explanations (LIME). Model CBF memberikan rekomendasi berdasarkan kemiripan deskripsi kursus yang diukur menggunakan TF-IDF dan Cosine Similarity. Sementara itu, model CF menggabungkan deskripsi teks dengan fitur tambahan seperti kategori, subkategori, dan rating. Hasil evaluasi kuantitatif menunjukkan bahwa model CBF secara signifikan lebih unggul dengan nilai Precision 0.60, Recall 1.00, dan F1-Score 0.75, dibandingkan model CF yang memperoleh Precision 0.40, Recall 1.00, dan F1-Score 0.57. Analisis kualitatif menggunakan LIME mengonfirmasi bahwa keunggulan CBF berasal dari fokusnya pada kata kunci yang spesifik dan relevan seperti "statistika" dan "data" dalam deskripsi kursus. Sebaliknya, rekomendasi CF lebih dipengaruhi oleh fitur kategorikal yang lebih umum, sehingga hasilnya lebih luas namun kurang presisi. Penelitian ini menyimpulkan bahwa Content-Based Filtering adalah pendekatan yang lebih efektif dan dapat diandalkan untuk sistem rekomendasi kursus pada platform MOOC.
URI
https://repo.itera.ac.id/depan/submission/SB2509020042
Keyword
Content-Based Filtering Collaborative Filtering Explainable AI LIME Sistem Rekomendasi MOOC