Model Switching Hybrid Untuk Menangani User dan Item Cold-Start

Abstrak

Sistem rekomendasi menghadapi tantangan signifikan dalam kondisi cold-start, yaitu saat informasi tentang pengguna atau item masih terbatas. Penelitian ini mengusulkan pendekatan hybrid switching yang secara adaptif mengombinasikan Content-Based Filtering (CBF), Collaborative Filtering (CF) User-Based, dan CF Item-Based berdasarkan jumlah interaksi pengguna dan item. Evaluasi dilakukan melalui pengujian skenario cold-start terhadap satu pengguna, pengukuran akurasi menggunakan RMSE dan MAE dengan 5-Fold Cross-Validation, serta uji adaptivitas terhadap berbagai tingkat kondisi cold-start (5%, 20%, dan 50%). Hasil eksperimen menunjukkan bahwa model hybrid mampu menangani seluruh skenario cold-start secara efektif, dengan melakukan fallback ke metode CBF atau CF User-Based saat data tidak mencukupi, dan memilih CF Item-Based ketika informasi sudah memadai. Model ini mencatatkan performa terbaik dengan RMSE rata-rata sebesar 0.8165 dan MAE sebesar 0.6592, serta standar deviasi rendah, yang menunjukkan kestabilan performa antar-fold. Selain itu, sistem hybrid menunjukkan kemampuan adaptasi dinamis terhadap tingkat kelengkapan data, dengan pergeseran penggunaan algoritma fallback seiring meningkatnya kondisi cold-start. Dengan demikian, pendekatan hybrid switching tidak hanya unggul dari segi akurasi, tetapi juga fleksibel dan robust, menjadikannya solusi untuk meningkatkan kualitas sistem rekomendasi dalam skenario data yang tidak lengkap.