[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-id-113":3,"doc-seo-227787-113":53,"doc-detail-227787-id":128},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45,49],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},55,"Document","Agama & Spiritualitas",60,"religion-spirituality",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},48,"Cerita & Novel","story-novel",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},56,"Gaya Hidup","lifestyle",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},51,"Komik","comic",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},53,"Layanan Kesehatan","healthcare",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},54,"Penelitian & Laporan","research-report",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},49,"Sastra","literature",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},52,"Teknologi","technology",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},50,"Ujian","exam",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},57,"Umum","general",{"id":50,"doc_module":4,"doc_module_name":9,"category_name":51,"show_sort_weight":4,"slug":52},181,"Formulir","formulir",{"code":4,"msg":54,"data":55},"ok",{"site_id":56,"language":57,"slug":58,"title":59,"keywords":60,"description":61,"schema_data":62,"social_meta":121,"head_meta":123,"extra_data":125,"updated_unix":127},113,"id","chapter-2-literature-review-theoretical-foundations","BAB II - Kajian Pustaka - Dasar Teori","","Pembahasan Bab II menguraikan dasar teori penelitian terkait sistem rekomendasi berbasis paradigma modern. Fokus utama meliputi konsep sistem rekomendasi pada platform streaming, perbandingan content-based filtering dan collaborative filtering, serta tantangan cold-start dan sparsity pada matriks pengguna-item. Uraian juga menyoroti pendekatan hibrida sebagai solusi yang menggabungkan sinyal konten dan preferensi kolektif, didukung oleh dataset benchmark seperti MovieLens dan contoh praktik industri. Penelitian kemudian mengusulkan integrasi representasi multimodal Transformer ke LightGCN untuk memperkaya pembelajaran graf sejak tahap awal propagasi.",{"@graph":63,"@context":120},[64,81,103],{"@type":65,"itemListElement":66},"BreadcrumbList",[67,72,75,78],{"item":68,"name":69,"@type":70,"position":71},"https://docshare.wps.com","Home","ListItem",1,{"item":73,"name":9,"@type":70,"position":74},"https://docshare.wps.com/id/document/",2,{"item":76,"name":31,"@type":70,"position":77},"https://docshare.wps.com/id/document/penelitian-laporan/",3,{"item":79,"name":59,"@type":70,"position":80},"https://docshare.wps.com/id/document/chapter-2-literature-review-theoretical-foundations/227787/",4,{"url":79,"name":59,"@type":82,"image":83,"author":88,"headline":59,"publisher":91,"fileFormat":94,"inLanguage":57,"description":61,"dateModified":95,"datePublished":96,"encodingFormat":94,"isAccessibleForFree":97,"interactionStatistic":98},"DigitalDocument",{"url":84,"@type":85,"width":86,"height":87},"https://docshare.wps.com/thumbnails/chapter-2-literature-review-theoretical-foundations/227787.png","ImageObject",300,407,{"name":89,"@type":90},"Dipper","Person",{"url":68,"name":92,"@type":93},"DocShare","Organization","application/pdf","2026-10-06","2026-09-10",true,{"@type":99,"interactionType":100,"userInteractionCount":102},"InteractionCounter",{"@type":101},"ViewAction",7,{"@type":104,"mainEntity":105},"FAQPage",[106,112,116],{"name":107,"@type":108,"acceptedAnswer":109},"Apa perbedaan utama content-based filtering dan collaborative filtering dalam sistem rekomendasi?","Question",{"text":110,"@type":111},"Content-based filtering merekomendasikan item berdasarkan kemiripan fitur antaritem. Collaborative filtering merekomendasikan berdasarkan kesamaan pola interaksi pengguna tanpa bergantung pada atribut konten item.","Answer",{"name":113,"@type":108,"acceptedAnswer":114},"Mengapa masalah cold-start dan sparsity menjadi kendala pada collaborative filtering?",{"text":115,"@type":111},"Cold-start terjadi ketika sistem belum memiliki cukup riwayat interaksi untuk pengguna/item baru sehingga rekomendasi menjadi kurang memadai. Sparsity terjadi ketika matriks pengguna-item sangat jarang terisi sehingga model kesulitan membentuk representasi yang informatif.",{"name":117,"@type":108,"acceptedAnswer":118},"Apa alasan utama pendekatan hibrida digunakan dalam penelitian sistem rekomendasi?",{"text":119,"@type":111},"Pendekatan hibrida menggabungkan sinyal konten dan preferensi kolektif untuk mengurangi dampak sparsity dan cold-start. Kombinasi ini juga terbukti meningkatkan kualitas rekomendasi dibanding penggunaan satu metode secara terpisah pada dataset benchmark.","https://schema.org",{"og:url":79,"og:type":122,"og:title":59,"og:site_name":92,"og:description":61},"article",{"robots":124,"canonical":79},"index,follow",{"doc_id":126,"site_id":56},227787,1789014983,{"code":4,"msg":5,"data":129},{"doc_id":126,"user_id":130,"nickname":89,"user_avatar":131,"doc_module":4,"category_id":30,"category_name":31,"doc_title":59,"doc_description":61,"doc_content":132,"file_id":133,"file_url":134,"file_type":135,"file_size":136,"view_count":102,"is_deleted":4,"is_public":71,"is_downloadable":71,"audit_status":71,"page_count":137,"language":138,"language_code":57,"site_id":56,"html_lang":57,"table_of_contents":139,"faqs":140,"seo_title":141,"seo_description":61,"update_tm":127,"read_time":142},1374404997633,"https://ap-avatar.wpscdn.com/davatar_a8503ba1806abce46bf441b54a3ca4cd","BAB II  \nKAJIAN PUSTAKA  \n# 2.1 Dasar Teori\n\nBagian ini menguraikan konsep teoretis yang menjadi landasan penelitian.Pembahasan mencakup paradigma sistem rekomendasi, pembelajaran multimodal,model representasi berbasis Transformer, mekanisme fusi fitur, pemodelan grafkolaboratif, masalah cold-start, teknik evaluasi, serta dataset benchmark untukmembangun sistemrekomendasi dengan representasi item yang informatif.  \n## a. Sistem Rekomendasi dan Paradigma Utamanya\n\nSistem rekomendasi pada platform streaming modern seperti Netflixdirancang untuk memahami selera pengguna secara personal dan menyajikankonten yang paling relevan secara otomatis (Steck et al., 2021) . Secara fungsional,alur kerjanya terbagi dalam tiga tahapan: pertama, sistem menerima sinyal inputdari pengguna berupa judul film yang dicari, film yang sedang ditonton, atauriwayatpenilaianyang pernah diberikan; kedua, sistem memproses sinyal tersebutmenggunakan algoritmauntuk menghitung tingkat kemiripan ataurelevansi antaraitem referensi dengan seluruh katalog yang tersedia; ketiga, sistem menyajikansejumlah item teratas yang diurutkan berdasarkan skor relevansi sebagai outputrekomendasi (Ko et al., 2022) . Sebagai contoh konkret, ketika penggunamengetikkan \"Doraemon\" di kolom pencarian, sistem tidak sekadar mencocokkannama secara tekstual, melainkan menganalisis atribut film tersebut seperti genreanimasi, tema persahabatan, target usia, hingga karakter yang dominan dalamnarasi, sehingga dapat merekomendasikan judul seperti \"Ninja Hattori\" atau\"Crayon Shinchan\"yang memilikikesamaankontensignifikan (Zhang et al., 2021) .Content-based filtering adalah pendekatan rekomendasi yangmengandalkan kemiripan fitur antar item. Sistem membangun representasi setiapfilm berdasarkan atributnya seperti genre, sinopsis, informasi pemeran, dan fiturvisual poster, kemudian mengukur kedekatanantara item referensidengan item lainmenggunakan teknik seperti cosine similarity. Kelebihan utama pendekatan iniadalahkemampuannya merekomendasikanitembaruyangbelummemilikiriwayat  \ninteraksi, karena keputusan sepenuhnya didasarkan pada karakteristik konten itemitu sendiri (Deldjoo et al., 2021) . Namun kelemahannya, sistem cenderungmenghasilkan rekomendasi yang monoton dan terlalu sempit karena hanyamenyarankan item yang sangat mirip dengan preferensi pengguna sebelumnya,tanparuanguntuk penemuankonten baru yang masihrelevan secara selera (Wu etal., 2021) .  \nCollaborative filtering, sebaliknya, tidak bergantung pada atribut kontensama sekali, melainkan berangkat dari asumsi bahwa pengguna dengan polainteraksi serupa cenderung memiliki selera yang mirip. Jika pengguna A dan Bsama-sama menyukai film X dan Y, maka film Z yang disukai A kemungkinanbesar jugarelevan bagiB, meskipun Z tidakmemilikikemiripan konten yang jelasdengan X maupun Y. Kekuatan pendekatan ini terletak pada kemampuannyamenangkap preferensi yang bersifat laten dantidak selalu dapat dijelaskan melaluideskripsi konten (Steck et al., 2021) . Namun, keterbatasannya yang palingmendasar adalah masalah cold-start, yaitu kondisi di mana sistem tidak mampumemberikan rekomendasi yang memadai untuk pengguna baruatau item baru yangbelum memiliki cukup riwayat interaksi, serta masalah sparsity ketika matriksinteraksi pengguna-item sangat jarang terisi (Rodríguez-Baena et al., 2025) .  \na. Pendekatan Hibrida dalam Sistem Rekomendasi  \nKedua paradigma di atas, meskipun telah terbukti efektif pada kontekstertentu, memiliki keterbatasan yang bersifat saling melengkapi. Content-basedfiltering unggul dalam menangani item baru namun lemah dalam menangkappreferensi kolektif yang laten, sementara collaborative filtering efektif dalammemodelkan pola preferensi komunitas namun rentan terhadap kondisi cold-startdan sparsity data. Kesadaran akan keterbatasan ini mendorong berkembangnyapendekatan hybrid yang menggabungkan sinyal dari kedua paradigma secarabersamaan untuk menghasilkan sistem yang lebih robust dan akurat (Zhang et al.,2021) . Dalam praktiknya, ","cbCaig22EISsmVRv","https://ap.wps.com/l/cbCaig22EISsmVRv","pdf",1922435,22,"Indonesian","# 2.1 Dasar Teori\n## Sistem Rekomendasi dan Paradigma Utamanya\n## Pendekatan Hibrida dalam Sistem Rekomendasi","[{\"question\":\"Apa perbedaan utama content-based filtering dan collaborative filtering dalam sistem rekomendasi?\",\"answer\":\"Content-based filtering merekomendasikan item berdasarkan kemiripan fitur antaritem. Collaborative filtering merekomendasikan berdasarkan kesamaan pola interaksi pengguna tanpa bergantung pada atribut konten item.\"},{\"question\":\"Mengapa masalah cold-start dan sparsity menjadi kendala pada collaborative filtering?\",\"answer\":\"Cold-start terjadi ketika sistem belum memiliki cukup riwayat interaksi untuk pengguna/item baru sehingga rekomendasi menjadi kurang memadai. Sparsity terjadi ketika matriks pengguna-item sangat jarang terisi sehingga model kesulitan membentuk representasi yang informatif.\"},{\"question\":\"Apa alasan utama pendekatan hibrida digunakan dalam penelitian sistem rekomendasi?\",\"answer\":\"Pendekatan hibrida menggabungkan sinyal konten dan preferensi kolektif untuk mengurangi dampak sparsity dan cold-start. Kombinasi ini juga terbukti meningkatkan kualitas rekomendasi dibanding penggunaan satu metode secara terpisah pada dataset benchmark.\"}]","BAB II - Kajian Pustaka - Dasar Teori | PDF",34]