Sistem Rekomendasi Anime Menggunakan Pendekatan Hybrid Dengan Algoritma Random Forest Dan K-Nearest Neighbor (KNN)

Fauzan Nafazi Zul Hilmi; Ilham Saifudin; Dudi Irawan

doi:10.69693/ijmst.v4i3.12782

Authors

Fauzan Nafazi Zul Hilmi Universitas Muhammadiyah Jember
Ilham Saifudin Universitas Muhammadiyah Jember https://orcid.org/0000-0002-2063-4524
Dudi Irawan Universitas Muhammadiyah Jember

DOI:

https://doi.org/10.69693/ijmst.v4i3.12782

Keywords:

Cosine Similarity, K-Nearest Neighbor, Random Forest, Sistem Rekomendasi Anime, Weighted Hybrid

Abstract

Sistem rekomendasi anime diperlukan untuk membantu pengguna menemukan tayangan yang sesuai dengan preferensi di tengah banyaknya pilihan anime yang tersedia. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi anime menggunakan pendekatan weighted hybrid yang menggabungkan algoritma random forest dan K-Nearest Neighbor (KNN) berbasis cosine similarity. Random Forest digunakan untuk mengklasifikasikan kelayakan anime berdasarkan atribut genres, type, studios, dan rating, sedangkan KNN digunakan untuk menghitung tingkat kemiripan antar-anime berdasarkan fitur genres. Kedua hasil tersebut digabungkan menggunakan metode weighted hybrid untuk menghasilkan skor rekomendasi dan menentukan urutan anime yang ditampilkan kepada pengguna. Dataset yang digunakan merupakan dataset anime dari situs Kaggle yang terdiri atas 24.905 data. Tahap penelitian meliputi pre-processing data, transformasi fitur menggunakan Multi-Label Binarizer dan Label Encoder, pelatihan model, proses rekomendasi, serta evaluasi menggunakan metrik Normalized Discounted Cumulative Gain (NDCG), precision, dan waktu komputasi. Hasil pengujian menunjukkan bahwa sistem memperoleh nilai precision Top-K sebesar 80%-85% dan nilai NDCG Top-K sebesar 89,5%-94,9%, sedangkan pada evaluasi keseluruhan diperoleh nilai precision sebesar 75,2%-75,6% dan nilai NDCG sebesar 97,3%-97,7%. Selain itu, sistem dapat menghasilkan rekomendasi dalam waktu komputasi kurang dari 2,5 detik untuk evaluasi Top-K. Berdasarkan hasil tersebut, pendekatan weighted hybrid yang menggabungkan random forest dan KNN dapat diterapkan untuk menghasilkan rekomendasi anime serta menyusun urutan rekomendasi berdasarkan hasil klasifikasi dan tingkat kemiripan antar-anime.

References

Aini, N., Arif, M., Binti Toyibah, Z., & Tri Agustin, I. (2024). Implementasi Metode Hybrid Recommendation untuk Sistem Rekomendasi Mitra MSIB di Prodi Pendidikan Informatika. Jurnal Ilmiah Edutic : Pendidikan Dan Informatika, 10(2), 171–180. https://doi.org/10.21107/edutic.v10i2.23920

Alvina, P., & Yamasari, Y. (2025). Model Rekomendasi Lagu Berbasis Genre Menggunakan Metode Random Forest Dan Decision Tree. Journal of Informatics and Computer Science, 07. https://doi.org/10.26740/jinacs.v7n02.p267-275

Armenta-Segura, J., & Sidorov, G. (2025). Anime popularity prediction before huge investments: a multimodal approach using deep learning. PeerJ Computer Science, 11. https://doi.org/10.7717/peerj-cs.2715.

Brema Daniel Ginting, Yusfrizal Yusfrizal, & Lina Arliana Nur Kadim. (2024). Penerapan Algoritma K-Nearest Neighbor untuk Klasifikasi Usaha Masyarakat Berdasarkan Jenis Izin Usaha. Modem : Jurnal Informatika Dan Sains Teknologi., 2(4), 92–101. https://doi.org/10.62951/modem.v2i4.233.

Dzikri, M., Ilyasa, H., & Yamasari, Y. (2023). Perbandingan Cosine Similarity Dan Euclidean Distance Pada Model Rekomendasi Buku dengan Metode Item-Based Collaborative Filtering. Journal of Informatics and Computer Science, 04. https://doi.org/10.26740/jinacs.v4n03.p264-274

Fauzi, M. R., Sanjaya, I., & Kharisma, I. L. (2025). Genre-Based Anime Recommendation System Using KNN with Fanbase Bias Detection. Bit-Tech, 8(2), 1386–1396. https://doi.org/10.32877/bt.v8i2.2917.

Gomez, R. G., Tringali, B., Baker, C., & Stone, K. (2025). The Power of Anime: Using Anime for Education and Outreach in STEM. Frontiers in Education, 10. https://doi.org/10.3389/feduc.2025.1707055.

Hasegawa, M., & Masuda, H. (2024). Anime Industry Report 2023. Industry Profile. The Association of Japanese Animations. https://aja.gr.jp/english/japan-anime-data/

Husaini, B. Q., & Jemakmun, J. (2023). Penerapan Algoritma Decision Tree C45 untuk Klasifikasi Penjurusan Siswa. Jurnal Teknologi Informatika Dan Komputer, 9(1), 455–470. https://doi.org/10.37012/jtik.v9i1.1512

Iddrus, & Sari, D. W. (2023). Penerapan Data Mining Menggunakan Algoritma Decision Tree C4.5 Untuk Memprediksi Mahasiswa Drop Out Di Universitas Wiraraja. Jurnal Advance Research Informatika, (2), 1–7. https://doi.org/10.24929/jars.v1i02.2684

Kumala Sari, V. (2024). Dampak E-commerce Terhadap Perkembangan Digital. Jurnal Akademik Ekonomi Dan Manajemen, 1(4), 18–24. https://doi.org/10.61722/jaem.v1i4.3113.

Kurniadi, D., Sutedi, A., Nursyaban, D., & Mulyani, A. (2024). Sistem Rekomendasi Pemilihan Pengepul Limbah di PT. Pituku Cordova International Menggunakan Algoritma Haversine. Jurnal Teknologi Informasi Dan Ilmu Komputer, 11(1), 155–166. https://doi.org/10.25126/jtiik.20241117694.

Mahendra Alvanof, M., & Kesuma Dinata, R. (2024). Penerapan Algoritma Random Forest dalam Deteksi dan Klasifikasi Ransomware. Jurnal Elektronika dan Teknologi Informasi, 5(2). https://doi.org/10.5201/jet.v5i2.488

Mia, P., Utami, S., Prayana Trisna, N., & Vihikan, W. O. (2025). Web-Based Makeup Recommendation System Using Hybrid Filtering. Journal of Applied Informatics and Computing (JAIC), 9(3). https://doi.org/10.30871/jaic.v9i3.9339

Michael Lauw, C., Hairani, H., Saifuddin, I., Ximenes Guterres, J., Maariful Huda, M., & Mayadi, M. (2023). Combination of Smote and Random Forest Methods for Lung Cancer Classification. International Journal of Engineering and Computer Science Applications (IJECSA), 2(2), 59–64. https://doi.org/10.30812/ijecsa.v2i2.3333.

Nur, F., Ahsan, M., & Harianto, W. (2022). Komparasi Tingkat Akurasi Information Gain Dan Gain Ratio Pada Metode K-Nearest Neighbor. Jurnal Mahasiswa Teknik Informatika, 6(1). https://doi.org/10.36040/jati.v6i1.4694

Pratama, R. A., Safi’i, Y., Nugraha, M. A., Sobihah, A. S., & Ifada, N. (2025). Perbandingan User-Based dan Item-Based pada Sistem Rekomendasi Film Kombinasi Teknik Reduksi Dimensi dan Clustering. Jurnal Tekno Insentif, 19(1), 1–14. https://doi.org/10.36787/jti.v19i1.1662.

Rachmaniar, A., Widayati, S., & Rokoyah, K. (2025). Sistem Rekomendasi Produk E-Commerce Menggunakan Collaborative Filtering Dan Content-Based Filtering. Journal of Information System, Informatics and Computing Issue Period, 9(1), 40–54. https://doi.org/10.52362/jisicom.v9i1.1904

Saifudin, I., & Widiyaningtyas, T. (2024). Systematic Literature Review on Recommender System: Approach, Problem, Evaluation Techniques, Datasets. IEEE Access, 12, 19827–19847. https://doi.org/10.1109/ACCESS.2024.3359274

Setiawan, N., Hendra, J. M., Wijaya, B., Qomariyah, N. N., & Astriani, M. S. (2023). Time Series Model to Predict Future Popular Animes Genres in 2025. E3S Web of Conferences, 388. https://doi.org/10.1051/e3sconf/202338802002.

Setio, P. B. N., Saputro, D. R. S., & Winarno, B. (2020). PRISMA, Prosiding Seminar Nasional Matematika: Klasifikasi dengan Pohon Keputusan Berbasis Algoritme C4.5. 3, 64–71. https://journal.unnes.ac.id/sju/index.php/prisma/article/view/37650

Sonule, A., Jagtap, H., & Mendhe, V. (2024). Weighted Hybrid Recommendation System. International Journal of Research and Analytical Reviews, 402. https://doi.org/10.56975/ijrar.v11i1.284204

Suci Amaliah, Nusrang, M., & Aswi, A. (2022). Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi di Kedai Kopi Konijiwa Bantaeng. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 4(3), 121–127. https://doi.org/10.35580/variansiunm31.

Yanisa Putri, K. S., I Made Agus Dwi Suarjaya, & Wayan Oger Vihikan. (2024). Sistem Rekomendasi Skincare Menggunakan Metode Content Based Filtering dan Collaborative Filtering. Decode: Jurnal Pendidikan Teknologi Informasi, 4(3), 764–774. https://doi.org/10.51454/decode.v4i3.601