PENGEMBANGAN METODE PEMERINGKATAN ULANG SERENDIPITAS BERDASARKAN PERBEDAAN GENRE (PUSBPG) PADA SISTEM REKOMENDASI SERENDIPITAS

Daniel Lelonu, Teguh Bharata Adji, S.T., M.T., M.Eng., Ph.D.; Dr. Indriana Hidayah, S.T., M.T.

2025 | Tesis | S2 Teknologi Informasi

Saat ini, sebagian besar sistem rekomendasi masih berfokus pada peningkatan akurasi, sehingga menghasilkan rekomendasi yang terlalu relevan dan kurang beragam. Kondisi ini menimbulkan masalah over-specialization dan popularity bias, di mana sistem cenderung menampilkan item populer yang serupa dengan preferensi pengguna sebelumnya. Akibatnya, pengguna kesusahan menemukan konten baru yang beragama dan menarik. Penelitian ini bertujuan untuk meningkatkan nilai serendipitas pada sistem rekomendasi, serendipitas adalah kemampuan sistem memberikan rekomendasi yang relevan sekaligus mengejutkan. Berbagai penelitian terdahulu, hanya mampu meningkatkan sedikit nilai serendipitas, serta belum memanfaatkan fitur ketidaksamaan genre dan ketidakpopuleran secara bersamaan. Celah penelitian inilah yang melatarbelakangi pengembangan metode baru dalam penelitian ini.

Penelitian ini mengusulkan metode reranking berorientasi serendipitas yang disebut Pemeringkatan Ulang Serendipitas Berdasarkan Perbedaan Genre (PUSBPG). PUSBPG menggunakan tiga fitur, yaitu prediksi rating, ketidakpopuleran (unpopularity), dan ketidaksamaan genre (genre dissimilarity). Proses optimasi bobot setiap fitur menggunakan Grid Search. Evaluasi dilakukan secara kuantitatif menggunakan metrik Serendipitas dan Normalized Discounted Cumulative Gain (NDCG) dan dibandingkan dengan metode baseline seperti SPR, Zheng’s, dan SOG.

Hasil penelitian menunjukkan bahwa metode SVD++–PUSBPG menghasilkan nilai Serendipity@5 tertinggi sebesar 0,581, lebih unggul dibandingkan SOG (0,547), SPR (0,255), dan Zheng’s (0,215). Uji signifikansi menggunakan ANOVA memberikan hasil p-value = 0,013 < 0>reranking dengan metode deep learning.

Currently, most recommendation systems still focus primarily on improving accuracy, resulting in recommendations that are overly relevant but lack diversity. This leads to problems such as over-specialization and popularity bias, where the system tends to display popular items similar to a user’s previous preferences. Consequently, users face difficulties in discovering new and diverse content. This research aims to enhance the serendipity value in recommendation systems, where serendipity refers to the system’s ability to provide recommendations that are both relevant and pleasantly surprising. Previous studies have only achieved limited improvements in serendipity and have not simultaneously leveraged genre dissimilarity and unpopularity features. This research gap forms the basis for developing a new method proposed in this study.

This study proposes a serendipity-oriented reranking method called Serendipity Reranking based on Genre Dissimilarity (SRGD). SRGD employs three features: predicted rating, unpopularity, and genre dissimilarity. The weight optimization for each feature is carried out using the Grid Search technique. The evaluation is conducted quantitatively using the Serendipity and Normalized Discounted Cumulative Gain (NDCG) metrics and compared with several baseline methods, including SPR, Zheng’s, and SOG.

The results show that the SVD++– SRGD method achieves the highest Serendipity@5 score of 0.581, outperforming SOG (0.547), SPR (0.255), and Zheng’s (0.215). A significance test using ANOVA yields a p-value of 0.013 < 0>

Kata Kunci : metode reranking, reranking serendipitas, sistem rekomendasi, rekomendasi serendipitas, metode serendipitas