Tutorial: Membuat AI Rekomendasi Konten Seperti YouTube atau Netflix

3. AI Rekomendasi – Mirip dengan algoritma rekomendasi YouTube atau Netflix.

Tutorial: Membuat AI Rekomendasi Konten Seperti YouTube atau Netflix

AI rekomendasi adalah sistem yang dapat memberikan saran konten berdasarkan preferensi pengguna. Contohnya seperti:
✅ Netflix → Merekomendasikan film/sinetron berdasarkan yang sudah ditonton.
✅ YouTube → Menampilkan video yang sesuai dengan minat pengguna.
✅ Spotify → Memberikan rekomendasi lagu berdasarkan yang sering diputar.

1. Konsep Dasar AI Rekomendasi

Algoritma rekomendasi bekerja dengan tiga pendekatan utama :

1️⃣ Content-Based Filtering (Berbasis Konten)

Menyarankan item berdasarkan deskripsi atau kategori yang mirip.
Contoh: Jika kamu suka film action, AI akan merekomendasikan film action lainnya.

2️⃣ Collaborative Filtering (Berbasis Kolaborasi)

Menyarankan item berdasarkan kesamaan pola pengguna lain.
Contoh: Jika orang lain dengan selera yang mirip menonton film X, kamu juga akan direkomendasikan film X.

3️⃣ Hybrid Filtering (Gabungan)

Menggabungkan Content-Based + Collaborative Filtering untuk hasil lebih akurat.

2. Instalasi & Persiapan

Kita akan menggunakan Python dan pustaka berikut:

pesta 
pip install pandas numpy scikit-learn flask streamlit

🔹 panda, numpy → Untuk mengolah data.
🔹 scikit-learn → Untuk membuat model rekomendasi.
🔹 flask, streamlit → Untuk membuat API & UI sederhana.

3. Membuat Sistem Rekomendasi Berbasis Konten

Kita akan membuat sistem rekomendasi film berdasarkan kemiripan deskripsi .

Langkah 1: Siapkan Dataset Film

Buat file movies.csv dengan data seperti ini:

ID_Film	Judul	Genre	Keterangan
1	Lahirnya	Fiksi Ilmiah, Aksi	Sebuah film tentang mimpi di dalam mimpi.
2	Raksasa	Romantis, Drama	Kisah cinta tragis di kapal Titanic.
3	Antar bintang	Fiksi Ilmiah, Drama	Petualangan luar angkasa mencari planet baru.

Langkah 2: Koding Sistem Rekomendasi

Buat file recommend.py dan tulis kode berikut:

ular piton 
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# 1. Load dataset
movies = pd.read_csv("movies.csv")

# 2. Buat vektor dari deskripsi film
vectorizer = TfidfVectorizer(stop_words="english")
tfidf_matrix = vectorizer.fit_transform(movies["Description"])

# 3. Hitung kesamaan antar film
cosine_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)

# 4. Fungsi untuk rekomendasi film berdasarkan judul
def recommend_movie(title, top_n=5):
    if title not in movies["Title"].values:
        return "Film tidak ditemukan!"
    
    idx = movies[movies["Title"] == title].index[0]
    scores = list(enumerate(cosine_sim[idx]))
    scores = sorted(scores, key=lambda x: x[1], reverse=True)
    
    recommended_indices = [i[0] for i in scores[1:top_n+1]]
    return movies.iloc[recommended_indices][["Title", "Genre"]]

# 5. Uji coba rekomendasi
film_input = input("Masukkan judul film: ")
print("\nRekomendasi film lain:\n", recommend_movie(film_input))

✅ Jalankan kode ini, lalu masukkan judul film yang ada di dataset. AI akan merekomendasikan film lain yang mirip!

4. Membuat API Rekomendasi dengan Flask

Agar bisa diakses oleh aplikasi lain, kita buat API sederhana.

Langkah 1: Buat file `app.py`

ular piton 
from flask import Flask, request, jsonify
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

app = Flask(__name__)

# Load dataset
movies = pd.read_csv("movies.csv")
vectorizer = TfidfVectorizer(stop_words="english")
tfidf_matrix = vectorizer.fit_transform(movies["Description"])
cosine_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)

# Fungsi rekomendasi
def recommend_movie(title, top_n=5):
    if title not in movies["Title"].values:
        return []
    
    idx = movies[movies["Title"] == title].index[0]
    scores = list(enumerate(cosine_sim[idx]))
    scores = sorted(scores, key=lambda x: x[1], reverse=True)
    recommended_indices = [i[0] for i in scores[1:top_n+1]]
    return movies.iloc[recommended_indices][["Title", "Genre"]].to_dict(orient="records")

# Endpoint API
@app.route("/recommend", methods=["POST"])
def recommend():
    data = request.json
    title = data.get("title", "")
    recommendations = recommend_movie(title)
    return jsonify({"recommendations": recommendations})

if __name__ == "__main__":
    app.run(debug=True)

✅ Jalankan Flask:

pesta 
python app.py

API akan berjalan di http://127.0.0.1:5000/recommend dan bisa digunakan dengan mengirim request JSON seperti:

Bahasa Indonesia: json 
{
    "title": "Inception"
}

5. Menampilkan Rekomendasi di Antarmuka Web (Streamlit UI)

Sekarang, mari kita buat UI yang lebih menarik!

Langkah 1: Buat File `ui.py`

ular piton 
import streamlit as st
import requests

st.title("AI Rekomendasi Film")

movie_title = st.text_input("Masukkan judul film yang kamu suka:")
if st.button("Cari Rekomendasi"):
    response = requests.post("http://127.0.0.1:5000/recommend", json={"title": movie_title})
    recommendations = response.json()["recommendations"]
    
    if recommendations:
        for rec in recommendations:
            st.write(f"🎬 {rec['Title']} - {rec['Genre']}")
    else:
        st.write("Film tidak ditemukan dalam database.")

✅ Jalankan UI dengan:

pesta 
streamlit run ui.py

Sekarang, kamu bisa mencari rekomendasi film lewat antarmuka web !

6. Implementasi Collaborative Filtering (Opsional)

Jika kamu ingin menggunakan data pengguna untuk rekomendasi seperti Netflix, gunakan Collaborative Filtering.

🔹 Menggunakan data interaksi pengguna (rating, like, dll).
🔹 Menggunakan algoritma seperti SVD atau Matrix Factorization.

ular piton 
from surprise import SVD
from surprise import Dataset
from surprise.model_selection import cross_validate

# Load dataset user-item
data = Dataset.load_builtin("ml-100k")
algo = SVD()

# Melatih model
cross_validate(algo, data, cv=5)

🚀 Dengan metode ini, AI bisa merekomendasikan film berdasarkan kebiasaan pengguna lain!

Kesimpulan

✅ Kita telah membangun AI Rekomendasi Film seperti Netflix atau YouTube.
✅ Menggunakan Content-Based Filtering untuk mencocokkan deskripsi film.
✅ Membuat API dengan Flask agar bisa diakses secara luas.
✅ Membuat antarmuka web dengan Streamlit untuk tampilan yang menarik.
✅ Bisa dikembangkan lebih lanjut dengan Collaborative Filtering.

🔥 Mau dikembangkan ke rekomendasi apa lagi?