Analisis Pola Ko-Eksistensi Tontonan Film Menggunakan Algoritma Apriori pada Dataset MovieLens

Abstract

Banyaknya pilihan film pada layanan streaming saat ini sering kali membuat penonton kewalahan atau mengalami information overload. Akibatnya, pengguna justru kesulitan mencari film yang benar-benar pas dengan selera mereka. Oleh karena itu, penelitian ini dilakukan untuk menggali pola kebiasaan menonton pengguna menggunakan metode Association Rule Mining agar bisa menghasilkan rekomendasi yang lebih tepat sasaran. Kami memanfaatkan dataset publik MovieLens yang berisi sekitar 100.836 rating. Agar data yang diolah benar-benar mewakili film yang disukai (bukan sekadar ditonton), kami menerapkan filter rating minimal 4,0. Proses penyaringan ini menyisakan 604 transaksi valid yang kemudian diubah ke dalam bentuk matriks biner. Untuk pengolahan datanya sendiri, kami menggunakan algoritma Apriori berbasis bahasa pemrograman Python (library mlxtend). Adapun parameter yang ditetapkan adalah Minimum Support 10%, Minimum Confidence 50%, serta nilai Lift minimal 2,0. Dari hasil pemodelan, kami berhasil menemukan 1.007 aturan asosiasi yang terbukti valid secara statistik. Hubungan ko-eksistensi paling kuat terlihat pada film sekuel, khususnya antara Kill Bill: Vol. 2 dan Kill Bill: Vol. 1, yang mencatatkan nilai Confidence hingga 90,2% dan Lift Ratio 6,19. Secara keseluruhan, tingginya nilai Lift dari aturan-aturan tersebut membuktikan bahwa hubungan antar film ini memang memiliki keterikatan preferensi yang nyata, bukan sebatas kebetulan matematis. Sebagai langkah akhir, temuan rekomendasi ini berhasil kami integrasikan ke dalam sebuah purwarupa web interaktif berarsitektur Single Page Application (SPA). Kata kunci — Association Rule, Apriori, Python, Data Mining, MovieLens, Sistem Rekomendasi.