Abstract:Abstract: Accurate bone age estimation is essential for monitoring pediatric growth, diagnosing endocrine disorders, and supporting clinical decision-making. Although deep learning has improved prediction accuracy, limited…
ed studies have systematically examined how increasing model depth affects performance and reliability. This study evaluates the effectiveness of progressively deeper convolutional neural networks, specifically EfficientNet variants B0 to B5, for bone age estimation from hand radiographs. Experiments were conducted using 12,611 hand X-ray images from the RSNA Pediatric Bone Age Challenge dataset on Kaggle. To ensure fair comparison, all models were trained using a unified and consistent training pipeline. Model performance was evaluated using Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Concordance Correlation Coefficient (CCC), and Pearson correlation coefficient. The results show a consistent improvement in prediction accuracy as model depth increases. Among the evaluated models, EfficientNet-B5 achieved the best performance, with an MAE of 21.5 months, MAPE of 6.23%, CCC of 0.9148, and Pearson’s r of 0.9203. These findings confirm that model scaling plays a critical role in enhancing prediction robustness and clinical reliability. Future work should emphasize external validation across diverse populations and incorporate interpretability techniques, such as Grad-CAM, to improve clinical transparency and trust.
Keywords: bone age prediction; deep learning; model evaluation; clinical validation
Abstrak: Estimasi usia tulang yang akurat sangat penting untuk memantau pertumbuhan anak, mendiagnosis gangguan endokrin, dan mendukung pengambilan keputusan klinis. Meskipun pembelajaran mendalam telah meningkatkan akurasi prediksi, studi yang secara sistematis meneliti bagaimana peningkatan kedalaman model memengaruhi kinerja dan keandalan masih terbatas. Studi ini mengevaluasi efektivitas jaringan saraf konvolusional yang semakin dalam, khususnya varian EfficientNet B0 hingga B5, untuk estimasi usia tulang dari radiografi tangan. Eksperimen dilakukan menggunakan 12.611 gambar sinar-X tangan dari dataset RSNA Pediatric Bone Age Challenge di Kaggle. Untuk memastikan perbandingan yang adil, semua model dilatih menggunakan alur pelatihan yang terpadu dan konsisten. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Concordance Correlation Coefficient (CCC), dan koefisien korelasi Pearson. Hasil menunjukkan peningkatan yang konsisten dalam akurasi prediksi seiring dengan peningkatan kedalaman model. Di antara model yang dievaluasi, EfficientNet-B5 mencapai kinerja terbaik, dengan MAE sebesar 21,5 bulan, MAPE sebesar 6,23%, CCC sebesar 0,9148, dan Pearson’s r sebesar 0,9203. Temuan ini menegaskan bahwa penskalaan model memainkan peran penting dalam meningkatkan optimasi prediksi dan keandalan klinis. Penelitian selanjutnya dapat menekankan validasi eksternal di berbagai populasi dan menggabungkan teknik interpretasi, seperti Grad-CAM, untuk meningkatkan transparansi dan kepercayaan klinis.
Kata kunci: prediksi usia tulang; deep learning; evaluasi model; validasi klinis
Abstract:Abstract: Understanding students’ emotional conditions is important for evaluating engagement and learning atmosphere in classroom environments. However, conventional evaluation methods are often subjective and difficult…
lt to apply in real time. Therefore, this study proposes a real-time multi-face emotion detection system designed for classroom learning environments. The system integrates a CNN-based Tiny Face Detector for multi-scale face localization with a convolutional neural network to classify seven facial emotions: angry, disgust, fear, happy, sad, surprise, and neutral. Experimental evaluation was conducted using classroom video data under varying lighting conditions, face orientations, partial occlusions, and different numbers of detected faces per frame. The proposed system achieves stable real-time performance with processing speeds ranging from 10–20 FPS, depending on face density. The results show higher recognition performance for expressive emotions, while subtle emotions remain more challenging. Overall classification accuracy reaches above 80% when emotion predictions are aggregated across multiple faces and time windows. These results indicate that the proposed system is suitable for objective analysis of emotional dynamics in classroom environments and supports the deployment of lightweight emotion-aware monitoring systems for educational applications.
Keywords: classroom monitoring; convolutional neural network; facial emotion recognition; multi-face detection; tiny face detector.
Abstrak: Pemahaman terhadap kondisi emosional mahasiswa penting untuk mengevaluasi keterlibatan dan suasana pembelajaran di kelas. Namun, metode evaluasi konvensional umumnya bersifat subjektif dan sulit diterapkan secara real-time. Oleh karena itu, penelitian ini mengusulkan sistem deteksi emosi multi-wajah secara real-time yang dirancang untuk lingkungan pembelajaran di kelas. Sistem mengintegrasikan Tiny Face Detector berbasis CNN untuk pelokalan wajah multi-skala dengan jaringan saraf konvolusional untuk mengklasifikasikan tujuh emosi wajah, yaitu marah, jijik, takut, senang, sedih, terkejut, dan netral. Evaluasi eksperimen dilakukan menggunakan data video kelas dengan variasi kondisi pencahayaan, orientasi wajah, oklusi parsial, serta jumlah wajah yang berbeda dalam satu frame. Sistem menunjukkan kinerja real-time yang stabil dengan kecepatan pemrosesan antara 10–20 FPS, bergantung pada kepadatan wajah. Hasil pengujian menunjukkan kinerja yang lebih baik pada emosi ekspresif, sementara emosi dengan ciri halus lebih menantang untuk dikenali. Akurasi klasifikasi keseluruhan mencapai di atas 80% ketika hasil emosi diagregasi berdasarkan banyak wajah dan interval waktu. Hasil ini menunjukkan bahwa sistem yang diusulkan berpotensi digunakan untuk analisis objektif dinamika emosi di kelas serta mendukung pemantauan lingkungan pembelajaran berbasis kecerdasan buatan.
Kata kunci: pengenalan emosi wajah; deteksi multi-wajah; Tiny Face Detector; jaringan saraf konvolusional; pemantauan kelas.
Abstract:Abstract: The rapid expansion of digital learning environments has increased students’ reliance on Learning Management Systems (LMS), including SPOT UPI. However, limited studies have examined the platform’s overall user…
user experience across all User Experience Questionnaire (UEQ) dimensions. This study aims to evaluate the user experience (UX) of SPOT UPI, identify its strengths and weaknesses, and provide recommendations for system improvement. A quantitative-dominant mixed-method design was applied, involving 81 student respondents for the UEQ survey and two participants for follow-up semi-structured interviews selected through purposive sampling. The UEQ data were analyzed to generate mean scores for six UX dimensions, while interview data were thematically analyzed to support the interpretation of quantitative findings. The results indicate that Perspicuity (1.05) and Efficiency (0.78) achieved the highest scores, reflecting adequate clarity and functionality. In Contrast, Stimulation (0.50) and Novelty (-0.15) were the lowest, indicating limited engagement and innovation. Overall, pragmatic quality (0.84) outperformed hedonic quality (0.17), suggesting that users value functionality more than enjoyment. In conclusion, SPOT UPI is generally usable but lacks aesthetic appeal, emotional engagement, and innovative features, highlighting the need for interface redesign and performance optimization to enhance the overall learning experience.
Keywords: learning management system; user experience; user experience questionnaire
Abstrak: Perkembangan pembelajaran digital membuat mahasiswa semakin bergantung pada Learning Management System (LMS), termasuk SPOT UPI. Meski digunakan secara luas, evaluasi pengalaman pengguna secara komprehensif berdasarkan seluruh dimensi User Experience Questionnaire (UEQ) masih belum banyak dilakukan. Penelitian ini bertujuan untuk mengevaluasi user experience (UX) pada SPOT UPI, mengidentifikasi keunggulan dan kelemahannya, serta memberikan rekomendasi perbaikan sistem. Penelitian menggunakan desain penelitian mixed-method dominan kuantitatif, melibatkan 81 responden pada survei UEQ dan dua partisipan pada wawancara semi-terstruktur yang dipilih melalui purposive sampling. Data UEQ dianalisis untuk memperoleh nilai rata-rata pada enam dimensi UX, sedangkan data wawancara dianalisis secara tematik untuk memperkaya interpretasi temuan kuantitatif. Hasil menunjukkan bahwa Perspicuity (1,05) dan Efficiency (0,78) menjadi dimensi dengan skor tertinggi, mencerminkan bahwa SPOT UPI mudah dipahami dan cukup membantu dalam menyelesaikan tugas. Sebaliknya, Stimulation (0,50) dan Novelty (-0,15) memperoleh skor terendah, menandakan rendahnya tingkat keterlibatan dan inovasi yang dirasakan pengguna. Secara keseluruhan, pragmatic quality (0,84) lebih tinggi dibandingkan hedonic quality (0,17), menunjukkan bahwa pengguna lebih mengutamakan aspek fungsional daripada kenyamanan emosional. Temuan tersebut mengindikasikan bahwa SPOT UPI sudah layak digunakan secara fungsional, tetapi masih memerlukan peningkatan pada interface, pengalaman visual, dan fitur inovatif agar dapat memberikan pengalaman belajar digital yang lebih menarik dan optimal.
Kata kunci: learning management system; pengalaman pengguna; user experience questionnaire
Abstract:Abstract: SMP Muhammadiyah 5 Samarinda still relies on manual evaluation with limited data analysis tools in predicting student academic achievement. This study aims develop a system for predicting the learning achievement…
nt of students at SMP Muhammadiyah 5 Samarinda using the Naive Bayes classification method. The dataset used consists of 192 student exam scores covering academic scores, attendance, parents’ education and income, and living conditions as independent variables, while the dependent variable is the achievement label (achieved or not achieved). The preprocessing stage includes label normalization, feature selection, and median imputation to handle missing data. The dataset was divided into 75% training data and 25%. The model was implemented as a pipeline consisting of a median imputer and a Gaussian Naive Bayes classifier. The evaluation results showed that the model achieved an accuracy of 79.2%, with a perfect recall value (1.00) in the high-achieving class and (0.64) in the low-achieving class. This shows that the model is quite effective in identifying high-achieving students. The trained model was then integrated into a Flask-based web application, which enables online predictions through a simple form interface, facilitating contextual interpretation. This system is expected to assist in educational decision-making by helping teachers identify students’ achievement levels early on and design more targeted learning interventions.
Keywords: academic performance; educational data mining; naive bayes; prediction system; student achievement
Abstrak: SMP Muhammadiyah 5 Samarinda masih bergantung pada evaluasi manual dengan alat analisis data terbatas dalam melakukan prediksi prestasi akademik siswa. Penelitian ini bertujuan mengembangkan sistem prediksi prestasi belajar siswa SMP Muhammadiyah 5 Samarinda menggunakan metode klasifikasi Naive Bayes. Dataset yang digunakan terdiri atas 192 data nilai ujian siswa yang mencakup skor akademik, kehadiran, pendidikan dan pendapatan orang tua, serta kondisi tempat tinggal sebagai variabel independen, sedangkan variabel dependen berupa label prestasi (berprestasi atau tidak berprestasi). Tahap preprocessing meliputi normalisasi label, seleksi fitur, serta imputasi median untuk menangani data yang hilang. Dataset dibagi menjadi 75% data latih dan 25%. Model diimplementasikan dalam bentuk pipeline yang terdiri atas median imputer dan Gaussian Naive Bayes classifier. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 79,2%, dengan nilai recall sempurna (1,00) pada kelas berprestasi dan lebih rendah (0,64) pada kelas tidak berprestasi. Hal ini menunjukkan bahwa model cukup efektif dalam mengidentifikasi siswa berprestasi. Model yang telah dilatih kemudian diintegrasikan ke dalam aplikasi web berbasis Flask, yang memungkinkan prediksi secara daring melalui antarmuka formulir sederhana untuk mendukung interpretasi kontekstual. Sistem ini diharapkan dapat membantu untuk pengambilan keputusan dalam pendidikan dengan membantu guru mengidentifikasi tingkat prestasi siswa sejak dini dan merancang intervensi pembelajaran yang lebih terarah.
Kata kunci: prestasi akademik; penambangan data Pendidikan; naive bayes; sistem prediksi; prestasi siswa
Abstract:Abstract: The rapid growth of the digital music industry requires accurate music genre classification systems to enhance user experience in streaming services. This study compares a domain-specific Long Short-Term Memory…
(LSTM) network with three Large Language Models (LLMs)—HuBERT, WavLM, and WAV2Vec 2.0—for Music Genre Classification (MGC). The LSTM model was trained using Mel-spectrograms transformed from the GTZAN dataset, while the LLMs were fine-tuned using a smaller set of raw audio samples due to computational constraints. All models were tested on datasets with identical genre labels to ensure a fair evaluation. Results show that the LSTM model achieved the highest accuracy of 97.10%, outperforming HuBERT (86.00%), WavLM (83.00%), and WAV2Vec 2.0 (80.00%). The LSTM demonstrated superior generalization and stability without overfitting, while the LLMs struggled to differentiate between genres with similar acoustic characteristics. These findings indicate that general-purpose pre-trained models, although powerful, are less effective in music-specific tasks due to domain mismatch. Therefore, incorporating music-specific features and architectures remains essential for achieving higher accuracy and reliability in automatic genre classification systems.
Keywords: audio large language models; comparative deep learning; music genre classification.
Abstrak: Pertumbuhan industri musik digital yang pesat menuntut sistem klasifikasi genre musik yang akurat untuk meningkatkan pengalaman pengguna dalam layanan streaming. Penelitian ini dilatarbelakangi oleh perkembangan pesat model pembelajaran mendalam, khususnya jaringan LSTM dan model bahasa berskala besar LLM seperti HuBERT, WavLM, dan WAV2Vec 2.0, yang telah menunjukkan kemampuan representasi audio yang kuat. Tujuan penelitian ini ini membandingkan jaringan Long Short-Term Memory (LSTM) khusus domain dengan tiga model Large Language Models (LLM)—HuBERT, WavLM, dan WAV2Vec 2.0—untuk tugas Klasifikasi Genre Musik (MGC). Metode penelitian melibatkan pelatihan LSTM menggunakan data Mel-spectrogram hasil transformasi dari dataset GTZAN, sementara LLM disesuaikan (fine-tuning) menggunakan data audio mentah dalam jumlah lebih kecil karena keterbatasan komputasi. Seluruh model diuji pada dataset dengan label genre yang sama untuk memastikan evaluasi yang adil. Hasil penelitian menunjukkan bahwa model LSTM mencapai akurasi tertinggi sebesar 97,10%, sedangkan model HuBERT, WavLM, dan WAV2Vec 2.0 masing-masing memperoleh 86,00%, 83,00%, dan 80,00%. Model LSTM menunjukkan kemampuan generalisasi yang lebih baik tanpa overfitting, sedangkan model LLM cenderung kesulitan membedakan genre dengan karakteristik akustik yang mirip. Kesimpulan penelitian ini adalah ketidaksesuaian domain secara signifikan membatasi performa model umum saat diterapkan pada tugas berbasis musik. Oleh karena itu, penggunaan fitur dan arsitektur khusus musik sangat penting dalam membangun sistem klasifikasi genre yang lebih akurat.
Kata kunci: klasifikasi genre musik; model bahasa besar; perbandingan pembelajaran mendalam.
Abstract:Abstract: Asthma is a chronic respiratory disease that affects millions of people worldwide, making early detection crucial to prevent complications. This study aims to compare the performance of the Decision Tree and Random…
ndom Forest algorithms in classifying asthma based on clinical symptom data. The data were processed through feature selection and model training stages, then evaluated using accuracy, precision, recall, and F1-score.The experimental analysis revealed that the Random Forest algorithm surpassed the Decision Tree in all metrics, achieving 95.19% accuracy, 90.43% precision, 95.00% recall, and 93.00% F1-score. In contrast, the Decision Tree obtained 89.14% accuracy, 90.60% precision, 88.70% recall, and 89.70% F1-score. These results suggest that Random Forest is more robust and dependable, especially in managing complex and imbalanced medical datasets.
Keywords: asthma detection; decision tree; random forest; machine learning.
Abstrak: Asma merupakan penyakit pernapasan kronis yang memengaruhi jutaan orang di seluruh dunia sehingga deteksi dini sangat penting untuk mencegah komplikasi. Penelitian ini bertujuan membandingkan kinerja algoritma Decision Tree dan Random Forest dalam mengklasifikasikan asma berdasarkan data gejala klinis. Data diproses melalui tahapan seleksi fitur dan pelatihan model, kemudian dievaluasi menggunakan akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 90.43%, presisi 95.00%, recall 95.00%, dan F1-score 93.00%. Sebaliknya, Decision Tree memperoleh akurasi 89.14%, presisi 90.60%, recall 88.70%, dan F1-score 89.70%. Hasil ini menunjukkan bahwa Random Forest lebih kuat dan dapat diandalkan, terutama dalam mengelola kumpulan data medis yang kompleks dan tidak seimbang.
Kata kunci: deteksi asma; decision tree; random forest; pembelajaran mesin.
Abstract:Abstract: Bakery MSMEs in Kisaran City play a significant role in the local economy, but their distribution data is still managed manually, making it difficult to access and analyze. This study aims to develop a WebGIS-based…
ased Geographic Information System to map and manage bakery MSME data digitally and in an integrated manner. The research methods include field surveys, spatial and non-spatial data collection, system design using UML, development with Leaflet.js and MySQL, and testing using the blackbox method. The results show that the resulting system is capable of displaying interactive maps with location details, business information, and an easy-to-use search feature. This system makes it easier for the government, business actors, and the public to access MSME information and supports data-based economic development planning. With the output in the form of publications in accredited journals, this research is expected to be an effective solution for MSME data management in other regions.
Keyword: bakery; mapping; MSME; WebGIS
Abstrak: UMKM toko roti di Kota Kisaran memiliki peran penting dalam perekonomian lokal, namun data persebarannya masih dikelola secara manual sehingga sulit diakses dan dianalisis. Penelitian ini bertujuan mengembangkan Sistem Informasi Geografis berbasis WebGIS untuk memetakan dan mengelola data UMKM toko roti secara digital dan terintegrasi. Metode penelitian meliputi survei lapangan, pengumpulan data spasial dan non-spasial, perancangan sistem menggunakan UML, pengembangan dengan Leaflet.js dan MySQL, serta pengujian menggunakan metode blackbox. Hasil penelitian menunjukkan sistem yang dihasilkan mampu menampilkan peta interaktif dengan detail lokasi, informasi usaha, dan fitur pencarian yang mudah digunakan. Sistem ini mempermudah pemerintah, pelaku usaha, dan masyarakat dalam mengakses informasi UMKM, serta mendukung perencanaan pembangunan ekonomi berbasis data. Dengan luaran berupa publikasi pada jurnal terakreditasi, penelitian ini diharapkan menjadi solusi efektif untuk pengelolaan data UMKM di daerah lain.
Kata kunci; pemetaan; toko roti; UMKM; WebGIS
Abstract:Abstract: The development of digital learning systems requires not only effective content delivery but also database consistency and performance, particularly when used at scale by lecturers and students. Weaknesses in database…
atabase design can lead to data duplication, relational violations, and transaction failures that compromise system reliability. This study designed the Royal Mengajar application using PHP and MySQL, supported by JavaScript, HTML, and Bootstrap 5. The Crowdsourced Academic Content model enables lecturers to contribute learning materials openly, while students evaluate them through a user rating system. The objective of this research is to design and optimize the database architecture of the Royal Mengajar application by implementing multiple control mechanisms—namely views, triggers, transactions, and constraints—to enhance data efficiency, consistency, and integrity in digital learning environments. Database optimization focuses on the use of views to improve query efficiency, triggers to maintain automatic consistency, transactions to ensure atomicity in multi-table operations, and constraints to preserve data integrity. The results show that views reduced the average query execution time to 0.12 seconds, triggers maintained consistency without manual intervention, and constraints achieved 100% referential integrity. The application of these mechanisms significantly improved system speed, reduced data redundancy, and enhanced information reliability, thus reinforcing the sustainability of Royal Mengajar as a community-driven learning platform
Keywords: crowdsourced academic content; constraint; database optimization; trigger.
Abstrak: Pengembangan sistem pembelajaran digital tidak hanya menuntut penyajian materi, tetapi juga konsistensi serta kinerja basis data ketika sistem digunakan secara masif oleh dosen dan mahasiswa. Kelemahan rancangan database dapat menimbulkan duplikasi data, pelanggaran relasi, dan kegagalan transaksi yang memengaruhi keandalan sistem. Penelitian ini merancang aplikasi Royal Mengajar berbasis PHP dan MySQL dengan dukungan JavaScript, HTML, dan Bootstrap 5. Model Crowdsourced Academic Content memungkinkan dosen berkontribusi secara terbuka, sedangkan mahasiswa melakukan evaluasi melalui user rating system. Tujuan penelitian ini adalah untuk merancang dan mengoptimalkan basis data aplikasi Royal Mengajar melalui penerapan berbagai mekanisme pengendali, seperti view, trigger, transaction, dan constraint, guna meningkatkan efisiensi, konsistensi, dan integritas data dalam sistem pembelajaran digital. Optimalisasi database difokuskan pada penerapan view untuk efisiensi query, trigger untuk menjaga konsistensi otomatis, transaction untuk memastikan atomicity pada operasi multi-tabel, serta constraint guna menjamin integritas data. Hasil pengujian menunjukkan view menurunkan rata-rata waktu eksekusi query menjadi 0,12 detik, trigger menjaga konsistensi tanpa intervensi manual, dan constraint memastikan integritas referensial tercapai 100%. Penerapan mekanisme ini berdampak pada peningkatan kecepatan sistem, berkurangnya redundansi, serta keandalan informasi yang lebih tinggi, sehingga mendukung keberlanjutan Royal Mengajar sebagai platform pembelajaran berbasis kontribusi komunitas.
Kata kunci: basis data; optimasi; trigger; constraint; crowdsourced academic content.
Abstract:Abstract: Stroke is one of the leading causes of death and disability in various parts of the world, including in Indonesia. Along with the development of digital technology, the use of Machine Learning in the health sector…
tor is growing, one of which is in an effort to predict the occurrence of stroke. This study aims to implement the Logistic Regression algorithm in predicting the likelihood of a person having a stroke based on data from the Brain Stroke dataset. The research process includes data preprocessing (missing value handling, normalization, and label encoding), dividing the data into 80% training data and 20% test data, as well as model training. The model was then evaluated using several measures such as accuracy, precision, recall, F1-score, and ROC-AUC, as well as a confusion matrix. The results of the study showed that Logistic Regression was able to provide stroke classification results with an accuracy of 82.4%, precision of 80.1%, recall of 78.6%, F1-score of 79.3%, and a ROC-AUC value of 0.87. Then, the model is integrated into applications that use Streamlit, so it can be used interactively to predict stroke risk in new data. The results of this study show that the combination of Machine Learning and web-based applications has the potential to support efforts to detect early stroke risk.
Keywords: logistic regression; machine learning; prediction; streamlit; stroke.
Abstrak: Stroke adalah salah satu penyebab utama kematian dan kecacatan di berbagai belahan dunia, termasuk di Indonesia. Seiring perkembangan teknologi digital, penggunaan Machine Learning dalam bidang kesehatan semakin berkembang, salah satunya dalam upaya memprediksi terjadinya penyakit stroke. Penelitian ini bertujuan untuk mengimplementasikan algoritma Logistic Regression dalam memprediksi kemungkinan seseorang mengalami stroke berdasarkan data dari dataset Brain Stroke. Proses penelitian meliputi preprocessing data (penanganan missing value, normalisasi, dan label encoding), membagi data menjadi 80% data latih dan 20% data uji, serta pelatihan model. Model kemudian dievaluasi menggunakan beberapa ukuran seperti akurasi, precision, recall, F1-score, dan ROC-AUC, serta confusion matrix. Hasil penelitian menunjukkan bahwa Logistic Regression mampu memberikan hasil klasifikasi penyakit stroke dengan akurasi sebesar 82,4%, precision 80,1%, recall 78,6%, F1-score 79,3%, dan nilai ROC-AUC sebesar 0,87. Kemudian, model tersebut diintegrasikan ke dalam aplikasi yang menggunakan Streamlit, sehingga dapat digunakan secara interaktif untuk memprediksi risiko stroke pada data baru. Hasil penelitian ini menunjukkan bahwa kombinasi Machine Learning dan aplikasi berbasis web berpotensi mendukung upaya deteksi dini risiko stroke.
Kata kunci: logistic regression; machine learning; prediksi; streamlit; stroke.
Abstract:Abstract: Recommendation systems are becoming increasingly important with the growth of streaming platforms. The purpose of this study is to compare the performance of Content-Based Filtering, Neural Collaborative Filtering,…
ing, and a combination of both in a movie recommendation system. The method used in this study involves retrieving movie details from the TMDB API and ratings from the MovieLens 32M Dataset (2010-2023). Each model's performance is evaluated using evaluation metrics such as RMSE and MAE. The results of this study indicate that Neural Collaborative Filtering achieves the best prediction performance (RMSE = 0.785423, MAE = 0.581262), followed by the hybrid model (RMSE = 0.800863, MAE = 0.660872), while Content-Based Filtering produces low performance and limits the capabilities of the hybrid model. In conclusion, these findings highlight the superiority of latent feature-based models such as NCF that learn directly from user interaction patterns over content-based approaches in the context of modern recommendation systems.
Keywords: content-based filtering; hybrid filtering; movie recommendation; neural collaborative filtering.
Abstrak: Sistem rekomendasi menjadi semakin penting seiring berkembangnya platform streaming. Tujuan dari penelitian ini adalah membandingkan kinerja Content-Based Filtering, Neural Collaborative Filtering dan kombinasi keduanya dalam sistem rekomendasi film. Metode yang digunakan dalam penelitian ini melibatkan pengambilan detail film dari TMDB API dan rating dari dataset MovieLens 32M Dataset (2010-2023). Setiap peforma model dievaluasi dengan menggunakan metrik evaluasi seperti RMSE dan MAE. Hasil dari penelitian ini menunjukkan bahwa Neural Collaborative Filtering mencapai kinerja prediksi terbaik (RMSE = 0.785423, MAE = 0.581262), diikuti oleh model hybrid (RMSE = 0.800863, MAE = 0.660872), sementara Content-Based Filtering menghasilkankan peforma yang rendah dan membatasi kemampuan model hybrid. Kesimpulannya, penelitian ini menyoroti superiotas model berbasis latent feature seperti NCF yang belajar langsung dari pola interaksi pengguna dibandingkan pendekatan berbasis konten dalam konteks sistem rekomendasi modern.
Kata kunci: content-based filtering; hybrid filtering; neural collaborative filtering; rekomendasi film.