Pengembangan Model Rekomendasi Anime Dengan Metode Deep Learning: LSTM Neural Network

Abstract

Abstrak— Dalam era digital yang sarat dengan informasi dan pilihan konten yang melimpah, pengguna sering kali mengalami kesulitan dalam menemukan tontonan yang benar-benar sesuai dengan minat dan preferensi mereka. Permasalahan ini juga terjadi dalam konteks tontonan anime, di mana ratusan hingga ribuan judul tersedia setiap tahunnya. Untuk mengatasi tantangan tersebut, penelitian ini membangun model rekomendasi dengan algoritma deep learning LSTM (Long Short-Term Memory) yang mampu memahami urutan data, sehingga cocok digunakan untuk menganalisis pola interaksi pengguna dari waktu ke waktu yang nantinya cocok untuk model rekomendasi. Model ini dirancang dengan mempertimbangkan berbagai informasi penting, seperti identitas pengguna, genre anime, skor atau rating yang diberikan pengguna, serta tingkat popularitas dari masing-masing anime. Proses pelatihan dilakukan menggunakan teknik k-fold cross validation dimana hasil evaluasi menunjukkan performa model yang sangat baik. Model mampu menghasilkan akurasi prediksi sebesar 91,3%, yang mengindikasikan bahwa sebagian besar rekomendasi yang dihasilkan sesuai dengan nilai aktualnya. Selain itu, model juga menunjukkan nilai Mean Squared Error (MSE) yang sangat kecil, yaitu sebesar 0,0002. Nilai ini mengindikasikan bahwa hasil prediksi model sangat mendekati nilai sebenarnya, sehingga dapat dikatakan bahwa tingkat akurasi model tergolong tinggi. Di sisi lain, nilai Mean Absolute Error (MAE) juga menunjukkan hasil yang baik, yaitu sebesar 0,008, yang berarti rata-rata selisih antara nilai prediksi dan nilai aktual tergolong kecil, sehingga menunjukkan tingkat kesalahan yang rendah dalam prediksi. Dengan hasil ini, dapat disimpulkan bahwa model rekomendasi berbasis LSTM memiliki kemampuan yang baik dalam memahami preferensi pengguna dan memberikan saran anime yang sesuai dengan minat mereka.

Kata Kunci— Model Rekomendasi, LSTM, Deep Learning, Collaborative Filtering, Content-based Filtering, Anime.