Analisis Algoritma ALS-MF (Alternating Least Square Matrix Factorization) dengan SVD (Singular Value Decomposition) pada Metode Collaborative Filtering

Abstrak

Perkembangan industri game hingga mencapai $175,8 miliar di tahun 2021, memicu kebutuhan akan sistem rekomendasi yang presisi di berbagai platform seperti console, mobile, dan tren yang sedang berkembang seperti e-sport ataupun VR. Collaborative filtering, salah satu metode yang sering digunakan, memiliki kelemahan dalam menangani item baru atau yang belum diberi rating. Penelitian sebelumnya menunjukkan bahwa algoritma Alternating Least Squares (ALS) dapat meningkatkan akurasi sistem rekomendasi pada dataset Goodreads dengan nilai RMSE 0,86 0,88. Selain itu, ALS terbukti lebih unggul dalam perbandingan sistem rekomendasi dengan nilai RMSE 0,641. Berdasarkan hal tersebut, penelitian mengusung metode collaborative filtering dengan algoritma ALS untuk mengatasi kelemahannya, serta meningkatkan akurasi rekomendasi game. Algortima ALS juga dibandingkan dengan sistem dengan menggunakan SVD untuk memberikan komparasi antar algortima. Hasil akhir pada model didapatkan model ALS optimal dengan nilai hyperparameter rank 1, regularisasi 0.1, dan 5 iterasi, metode sklearn split untuk pembagian data, dan skor persentil untuk metode konversi rating. Selain itu ALS juga unggul dibandingkan dengan menggunakan SVD dengan berhasil mencapai nilai Root Mean Squared Error (RMSE) sebesar 1.1142 untuk data uji dan 0.8873 untuk data latih.