910
Progresif: Jurnal Ilmiah Komputer https://ojs.
stmik-banjarbaru.
id/index.
php/progresif/index Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat - Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 Sistem Rekomendasi Kuliner Karanganyar Menggunakan Metode Hybrid Recommendation DOI: http://dx.
org/10.
35889/progresif.
Creative Commons License 4.
0 (CC BY Ae NC) Radya Prameswari Putri1*.
Joni Maulindar2.
Afu Ichsan Pradana3 Teknik Informatika.
Universitas Duta Bangsa Surakarta.
Surakarta.
Indonesia *e-mail Corresponding Author: 210103113@mhs.
Abstract Karanganyar has many culinary tourist destinations, but the number of diverse choices often makes it difficult for users to choose where to eat according to their preferences.
Therefore, this research aims to help users find culinary places based on special menus.
The recommendation system will be developed using a hybrid approach by combining content-based filtering and collaborative filtering.
The content-based method matches the special menu with user input using cosine similarity, while collaborative filtering calculates the score from the normalized rating and the number of reviews using the weighted sum.
A weight of 0.
6 is given for content-based and 0.
4 for collaborative because direct preference for menus is considered more dominant.
The test was carried out using 5 different menus using precision and recall, with the test results for 100% recall, and the precision got a score of 75.
42% because there are still recommendations displayed in the system that only have similar characteristics but are not really relevant to the user's Keywords: Collaborative filtering.
Content-based filtering.
Hybrid recommendation.
Culinary recommendation.
Recommendation system.
Abstrak Karanganyar memiliki banyak destinasi wisata kuliner, namun jumlah pilihan yang beragam sering menyulitkan pengguna dalam menentukan tempat makan sesuai Oleh karena itu, penelitian ini bertujuan untuk membantu pengguna menemukan tempat kuliner berdasarkan menu spesial.
Sistem rekomendasi yang akan dikembangkan menggunakan pendekatan hybrid dengan menggabungkan content-based filtering dan collaborative filtering.
Metode content-based mencocokkan menu spesial dengan input pengguna menggunakan cosine similarity, sedangkan collaborative filtering menghitung skor dari rating yang dinormalisasi dan jumlah ulasan dengan menggunakan weighted sum.
Bobot 0,6 diberikan untuk content-based dan 0,4 untuk collaborative karena preferensi langsung terhadap menu dinilai lebih dominan.
Pengujian dilakukan dengan menggunakan 5 menu yang berbeda menggunakan precision dan recall, dengan mendapatkan hasil pengujian untuk recall 100%, dan precision mendapatkan nilai 75,42% karena masih ada rekomendasi yang ditampilkan disistem yang hanya mirip karakteristiknya tetapi tidak benar-benar relevan dengan preferensi pengguna Kata Kunci: Collaborative filtering.
Content-based filtering.
Hybrid recommendation.
Rekomendasi kuliner.
Sistem rekomendasi Pendahuluan Kabupaten Karanganyar adalah salah satu kabupaten yang terletak di Provinsi Jawa Tengah, berada di sisi Gunung Lawu.
Dengan keindahan alam yang menakjubkan, daerah ini memiliki potensi besar di bidang pariwisata, mencakup aspek alam, budaya, dan kuliner .
Pemerintah daerah aktif dalam usaha menjaga dan mengembangkan lokasi wisata, misalnya dengan memastikan objek wisata tetap terawat dan dalam kondisi Sistem Rekomendasi Kuliner Karanganyar a.
Radya Prameswari Putri Progresif e-ISSN: 2685-0877 Candi Sukuh merupakan salah satu destinasi menarik yang banyak dikunjungi karena perawatannya yang baik.
Selain itu, sektor kuliner memiliki peluang besar untuk dikembangkan demi mendukung masyarakat lokal, mengingat kontribusi penduduk setempat sangat penting untuk menarik perhatian wisatawan terhadap kuliner .
Di zaman digital saat ini, banyak anak muda yang aktif menggunakan media sosial dan sering dipengaruhi oleh tren dari para influencer dalam memilih makanan.
Namun, keinginan untuk belajar memasak dan menemukan informasi kuliner yang tepat kadang dapat membuat mereka bingung .
Permasalahan ini membuktikan pentingnya sebuah sistem yang dapat memberikan rekomendasi kepada pengguna yang kesulitan dalam memilih menu makanan .
Sistem rekomendasi bertujuan untuk membantu pengguna yang mengalami kesulitan dalam menentukan pilihan produk atau item lainnya.
Sistem ini akan memberikan informasi berdasarkan preferensi yang ditentukan oleh pengguna .
Sistem ini memanfaatkan informasi dari preferensi sebelumnya dengan melakukan perhitungan untuk mendapatkan nilai tertinggi sebagai rekomendasi .
Metode yang sering diterapkan dalam sistem rekomendasi terdiri dari content-based filtering, collaborative filtering, knowledge-based filtering, dan hybrid recommendation.
Content-based filtering sebuah metode rekomendasi berdasarkan kesamaan antara item yang disukai pengguna dengan item lain yang terdapat dalam data .
Sementara itu, collaborative filtering memberikan rekomendasi yang didasarkan pada penilaian berdasarkan pengguna lain yang memiliki preferensi mirip, salah satunya melalui perhitungan weighted sum .
Hybrid recommendation adalah metode dalam sistem rekomendasi yang mengkombinasikan dua metode atau lebih untuk meningkatkan akurasi .
Beberapa studi telah menunjukkan efektivitas sistem ini.
Misalnya penelitian yang dilakukan oleh Laili Cahyani et al .
, penelitan tersebut mengaplikasikan collaborative filtering untuk merekomendasikan kuliner di Madura dengan hasil akurasi yang baik .
Kemudian studi dari Hartatik et al .
mengembangkan sistem menggunakan pendekatan item-based collaborative filtering yang mencapai akurasi 86% .
, sementara observasi yang dilakukan oleh Lingga Maulana Argenza et al .
pada observasi yang dilakukan tersebut memanfaatkan metode AHP yang terintegrasi dengan Google Maps untuk sistem berbasis mobile .
Para peneliti sebelumnya juga menyatakan bahwa menggabungkan contentbased filtering dan collaborative filtering dapat meningkatkan kinerja sistem rekomendasi.
Penelitian oleh Lukas Tomi et al .
menunjukkan bahwa penggabungan dua metode ini mampu memberikan rekomendasi berdasarkan ciri khas hidangan serta rekomendasi alternatif jika hidangan memiliki karakteristik yang sama .
Penelitian oleh Ni Putu Triska Widiantari et al .
juga menunjukkan bahwa kombinasi kedua metode tersebut berhasil dalam mengembangkan rekomendasi resep makanan secara seimbang .
Temuan-temuan ini menunjukkan bahwa penggunaan pendekatan hybrid antara contentbased filtering dan collaborative filtering dalam konteks rekomendasi kuliner diharapkan dapat menghasilkan rekomendasi yang relevan dan sesuai dengan harapan pengguna.
Berdasarkan latar belakang tersebut, penelitian ini menggunakan pendekatan rekomendasi hybrid yang menggabungkan content-based filtering dan collaborative filtering dengan tujuan memberikan rekomendasi yang sesuai dengan kebutuhan Metodologi Content-based Filtering Content-based filtering merupakan metode dalam sistem rekomendasi yang memanfaatkan deskripsi untuk menentukan item yang disarankan dengan cara membandingkan kesamaan antara masukan pengguna dan item yang ada dalam data .
Pada teknik ini, analisis dilakukan menggunakan cosine similarity, yaitu sebuah algoritma yang berfungsi untuk menilai kesamaan antara dua entitas dengan mengandalkan ukuran kesamaan dalam ruang vektor, dan hasilnya diungkapkan dalam bentuk vektor.
Apabila hasil perhitungan menunjukkan angka 0, berarti tidak ada kesamaan yang terdeteksi.
Sebaliknya, jika angka yang didapat mencapai 1, hal ini menunjukkan adanya kesamaan, setelah itu dilakukan perhitungan dengan rumus .
Sistem Rekomendasi Kuliner Karanganyar a.
Radya Prameswari Putri e-ISSN: 2685-0877 a, yaA) = ycu.
a OyaA) Ooycu.
aA) .
Keterangan:
Sim(A,B) = nilai similaritas dari item A dan item B n(A) = jumlah konten pada item A .
olom menu spesia.
n(B) = jumlah konten pada item B .
nputan penggun.
a OyaA) = jumlah konten yang ada diitem A dan juga ada diitem B Normalisasi Rating Normalisasi rating ini diperlukan agar rating yang diberikan disamakan antara skala 0-1.
Tujuan dari normalisasi rating adalah agar rating tidak bias, dimana dengan melakukan perhitungan dengan nilai rating terendah dan rating tertinggi .
Normalisasi rating tersebut ditunjukkan pada persamaan .
dibawah ini:
ycUAOeXmin ycUycycaycycnycuyci = XmaxOeXmin Keterangan:
XAo = rating asli dari data restoran Xmin = rating terendah dari data restoran Xmax = rating tertinggi dari data restoran .
Collaborative Filtering Metode collaborative filtering merupakan suatu cara dalam sistem rekomendasi dimana memanfaatkan penilaian dari perspektif orang lain.
Penilain ini akan dijadikan sebagai bahan informasi untuk digunakan dalam merekomendasikan produk.
Dalam metode ini, digunakan algoritma weighted sum yang menggabungkan informasi dari rating dan ulasan untuk menentukan nilai tertinggi.
Selanjutnya, persamaan .
menunjukkan rumus untuk collaborative filtering yang dimana dilakukan dengan menggabungkan antara rating yang telah dinormalisasikan dengan ulasan dari suatu tempat.
= Oc ycycnyco.
c,y.
ycUycycaycycnycuyci.
Oc yc ycycnyco.
c,y.
Keterangan:
Sim.
= cosine similarity dari perhitungan sebelumnya Xrating = rating yang sudah dinormalisasikan Ulasan.
= merupakan ulasan dari data tempat makan Hybrid Recommendation Hybrid recommendation merupakan sebuah penggabungan antara 2 pendekatan atau lebih yang dimana dimanfaatkan untuk meningkatkan akurasi pada saat melakukan rekomendasi suatu item.
Metode ini menyatukan teknik seperti content-based filtering dan collaborative filtering dalam satu sistem rekomendasi, dimana nilai akhirnya dihitung yaycycaycycnycc = .
,6 y ycaycuycuycyceycuyc ycaycaycyceycc ) .
,4 y ycaycuycoycoycaycaycuycycaycycnycyce yceycnycoycyceycycnycuyc.
Pemberian Bobot 0,6 pada content-based filtering dikarenakan informasi menu spesial yang dipilih oleh pengguna dianggap lebih diutamakan preferensinya kepada Sementara itu, bobot 0,4 diberikan untuk collaborative filtering karena rating dan ulasan bersifat sebagai faktor pelengkap, namun tetap penting sebagai informasi dukukang tambahan.
Penggabungan ini diharapkan dapat memberikan rekomendasi yang lebih relevan dengan mendekati ekspetasi dari pengguna, dibandingkan jika menggunakan salah satu metode saja.
Hasil dan Pembahasan Dalam penelitian ini, roses pengembangan sistem dilakukan sampai tahap desain, yang meliputi perencanaan, analisis, dan desain.
Hal ini bertujuan untuk memastikan adanya fokus pada perencanaan solusi yang tepat dan matang sebelum melanjutkan ke tahap berikutnya, yaitu implementasi.
Progresif: Vol.
No.
Agustus: 910-920 Progresif e-ISSN: 2685-0877 Hasil .
Tahapan Perancangan Pada tahap perencanaan ini, ini dilakukan pengumpulan 20 informasi kuliner yang terdapat di Karanganyar, yang akan digunakan untuk merancang sistem rekomendasi kuliner Karanganyar dengan pendekatan metode hibrida.
Sumber data diperoleh dari situs web yang relevan dengan penelitian ini, seperti pesona karanganyar.
Tahapan Analisis Setelah pengumpulan data selesai, langkah berikutnya adalah menganalisis data Sebelum melanjutkan analisis, data akan diproses terlebih dahulu, seperti mengubah semua huruf menjadi kecil dan melakukan tokenisasi.
Proses ini melibatkan pemisahan kata-kata dalam menu spesial dengan tanda koma, dan mengubah huruf kapital dalam kalimat menjadi huruf kecil.
Contohnya dapat dilihat pada bagian di bawah Tabel 1.
Data Setelah Diproses Nama Tempat Menu Spesial yang belum Sop Iga dan Pecel Bu Ugi Sop Buntut.
Sop Iga.
Pecel.
Garangasem Resto Sawah Gurame.
Nila Bakar.
Sop Iga.
Kakung Soto Karang (Kuliner Khas Karanganya.
Soto Karang.
Soto Ayam.
Soto Daging RM.
TIMLO BU
AGUNG
KARANGANYAR
Timlo.
Rawon.
Selat Garangasem.
Sop Buntut.
Galantin Rumah Makan Bu Medi Masakan Jawa.
Soto Daging Pecel
Waroeng Idjo
Karanganyar
Kentanggihan Resto
Mie Nyemek Mbah
IMO
Masakan Jawa.
Lotek "sop", "buntut", "sop" ," iga", "pecel", "garangasem" "gurame","nila" , "bakar", "sop" , "iga", "kangkung" "soto", "karang", "soto", "ayam", "soto", "daging" "timlo", "rawon", "selat", "garangasem", "sop", "buntut", "galantin" "masakan", "jawa", "soto", "daging", "pecel" "masakan", "jawa", "lotek" Western "western" Mie Nyemek.
Mie
Goreng
"mie", "nyemek", "mie", "goreng" "bakmi", "jawa", "capcay", "nasi", "mawut", "nasi", "goreng", "rica", "ayam", "sop", "ayam" Menu Spesial
Setelah di Proses Bakmi Jawa
Gunung Kidul
"RING ROAD
SROYO"
Bakmi Jawa.
Capcay.
Nasi Mawut.
Nasi Goreng.
Rica Ayam.
Sop Ayam Hick Gaul Pak Mul Angkringan.
Masakan Jawa
MIE LETHEK
PALUR PAK
SAPTO
Mie Lethek.
Bakmi Jawa.
Nasi Mawut.
Rica Ayam "angkringan", "masakan", "jawa" "mie", "lethek", "bakmi", "jawa", "nasi", "mawut", "rica", "ayam" Rating Ulasan A A Setelah data diproses, langkah berikutnya adalah menghitung sistem rekomendasi kuliner Karanganyar dengan menggunakan hybrid recommendation dari Sistem Rekomendasi Kuliner Karanganyar a.
Radya Prameswari Putri e-ISSN: 2685-0877 data yang ada.
Misalnya, jika pengguna ingin menemukan kuliner Aumasakan jawaAy, maka langkah perhitungannya adalah sebagai berikut:
Content Based Filtering Pada tahap ini, dilakukan perhitungan cosine similarity antara masukan pengguna yang berupa Aumasakan jawaAy dan setiap menu spesial yang ada berdasarkan data restoran.
Hasilnya: yang mengandung kata tersebut tidak memiliki nilai.
Terdapat 5 restoran yang menawarkan menu spesial yang hampir serupa dengan masukan dari pengguna.
Rumah Makan Bu Medi (AumasakanAy,AyjawaAy,AysotoAy,AydagingAy,AypecelA.
a, yaA) = = ya, yiycyaye 3,16228 Ooycu.
Warung idjo karnganyar (AumasakanAy,AyjawaAy,AylotekA.
a, yaA) = = ya, ynyayiye 2,44949 Ooycu.
Bakmi Jawa Gunung Kidul "RING ROAD SROYO" (AubakmiAy,AyjawaAy,AycapcayAy,AynasiAy,AymawutAy,AynasiAy,AugorengAy,AyricaAy,AyricaAy,AysopAy ,AyayamA.
a, yaA) = = ya, yayaycya
4,69042
Ooycu.
Hick Gaul Pak Mul (AuangkringanAy,AymasakanAy,AyjawaA.
a, yaA) = = ya, ynyayiye Ooycu.
2,44949 .
MIE LETHEK PALUR PAK SAPTO (AumieAy,AylethekAy,AybakmiAy,AyjawaAy,AynasiAy,AymawutAy.
AyricaAy,AyayamA.
a, yaA) = = = ya, yayeyaya Ooycu.
Collaborative Filtering .
Rumah Makan Bu Medi .
,4 & .
Normalisasi rating 4,4 Oe 4,1 ycAycuycycoycIycaycycnycuyci = = ya, yeyayaya 4,7 Oe 4,1 ycAycuycycoycIycaycycnycuyci= 4,4Oe4,14,7Oe4,1=ya,yeyayaya i.
Collaborative filtering Cosine similarity = 0,6325 .
,6.
y 0,5000 y 785 yaya.
= = ya, yeyayaya .
,6.
y 785 .
Warung idjo karnganyar .
,4 & .
Normalisasi rating 4,4 Oe 4,1 ycAycuycycoycIycaycycnycuyci = = ya, yeyayaya 4,7 Oe 4,1 i.
Collaborative filtering Cosine similarity = 0,8165 .
,8.
y 0,5000 y 991 yaya.
= = ya, yeyayaya .
,8.
y 991 .
Bakmi Jawa Gunung Kidul "RING ROAD SROYO .
,5 & .
Normalisasi rating 4,5 Oe 4,1 ycAycuycycoycIycaycycnycuyci = = ya, yiyiyiyi 4,7 Oe 4,1 i.
Collaborative filtering Cosine similarity = 0,2132 .
,2.
y 0,6667 y 706 yaya.
= = ya, yiyiyiyi .
,2.
y 706 .
Hick Gaul Pak Mul .
,5 & 3.
Normalisasi rating Progresif: Vol.
No.
Agustus: 910-920 Progresif e-ISSN: 2685-0877 4,5 Oe 4,1 = ya, yiyiyiyi 4,7 Oe 4,1 i.
Collaborative filtering Cosine similarity = 0,8165 .
,8.
y 0,6667 y 3470 yaya.
= = ya, yiyiyiyi .
,8.
y 3470 .
MIE LETHEK PALUR PAK SAPTO .
,4 & .
Normalisasi rating 4,4 Oe 4,1 ycAycuycycoycIycaycycnycuyci = = ya, yeyayaya 4,7 Oe 4,1 i.
Collaborative filtering Cosine similarity = 0,2500 .
,2.
y 0,5000 y 579 yaya.
= = ya, yeyayaya .
,2.
y 579 .
Hybrid Recommendation .
Rumah Makan Bu Medi Cosine similarity = 0,6325 Collaborative filtering = 0,5000 Eaycycaycycnycc = .
,6 y 0,6.
,4 y 0,5.
= ya, yeyiyye .
Warung idjo karnganyar Cosine similarity = 0,8165 Collaborative filtering = 0,5000 Eaycycaycycnycc = .
,6 y 0,8.
,4 y 0,5.
= ya, yiynyy .
Bakmi Jawa Gunung Kidul "RING ROAD SROYOAy Cosine similarity = 0,2132 Collaborative filtering = 0,6667 Eaycycaycycnycc = .
,6 y 0,2.
,4 y 0,6.
= ya, ycyyeyi .
Hick Gaul Pak Mul Cosine similarity = 0,8165 Collaborative filtering =0,6667 Eaycycaycycnycc = .
,6 y 0,8.
,4 y 0,6.
= ya, yiyeyiyi .
MIE LETHEK PALUR PAK SAPTO Cosine similarity = 0,2500 Collaborative filtering = 0,5000 Eaycycaycycnycc = .
,6 y 0,2.
,4 y 0,5.
= ya, ycyeyaya ycAycuycycoycIycaycycnycuyci = Tabel 2.
Tabel Hasil Perhitungan Nama Tempat Hick Gaul Pak Mul
Waroeng Idjo
Karanganyar
Rumah Makan
Bu Medi
Bakmi Jawa
Gunung Kidul
"RING ROAD
SROYO"
MIE LETHEK
PALUR PAK
SAPTO
Content (Cosine Similarit.
Rating Normalisasi Collaborative .
eighted Hybrid
0,8165
0,6667
0,6667
0,7566
0,8165
0,5000
0,5000
0,6899
0,6325
0, 5000
0, 5000
0,5795
0,2132
0,6667
0,6667
0,3946
0,2500
0,5000
0,5000
0,3500
Dari perhitungan diatas dapat dilihat jika Hick Gaul Pak Mul mendapatkan nilai tertinggi karena memiliki menu spesial yang sama dengan pilihan pengguna ditambah Sistem Rekomendasi Kuliner Karanganyar a.
Radya Prameswari Putri e-ISSN: 2685-0877 dengan memiliki rating tinggi dan ulasan dari 5 rekomendasi yang memiliki menu yang hampir sama dengan pilihan pengguna yaitu dengan rating 4,5 dan 3470 untuk ulasan.
Antarmuka Pengguna Gambar 1.
Tampilan Home Pada tampilan home diatas merupakan sebuah tampilan pada saat pengguna masuk kedalam sistem rekomendasi kuliner tersebut.
Pada tampilan ini pengguna dapat memilih untuk menu selanjutnya.
Gambar 2.
Tampilan Daftar Kuliner Progresif: Vol.
No.
Agustus: 910-920 Progresif e-ISSN: 2685-0877 Kemudian tampilan tersebut merupakan tampilan data kuliner yang telah dicari Pada tampilan tersebut memberikan sebuah informasi berupa: nama tempat, menu special, rating, ulasan, jam buka, dan juga informasi mengenai alamat kuliner tersebut.
Gambar 3.
Tampilan Rekomendasi Kemudian untuk tampilan tersebut adalah sebuah tampilan rekomendasi dimana pengguna dapat memasukkan menu special pada kolom yang tersedia, kemudian akan muncul dibawahnya rekomendasi tempat kuliner sesuai dengan preferensi menu special yang telah dimasukkan pengguna sebelumnya.
Uji Performa Algoritma Kemudian pengujian algoritma ini dilakukan untuk mengetahui sejauh mana hasil rekomendasi sesuai dengan preferensi pengguna.
Pengujian ini menggunakan 5 menu spesial yang berbeda.
Pengujian ini menggunakan precesion and recall, dengan formula seperti dibawah ini:
ycNycE ycEycyceycaycnycycnycuycu = .
ycNycE yaycE ycIyceycaycaycoyco = ycNycE ycNycE yaycA Keterangan:
TP (True Positiv.
: Jumlah rekomendasi yang ditampilkan disistem dan relevan.
FP (False Positiv.
: jumlah rekomendasi yang ditampilkan disistem tetapi tidak relevan.
Sistem Rekomendasi Kuliner Karanganyar a.
Radya Prameswari Putri e-ISSN: 2685-0877 FN (False Negativ.
: jumlah rekomendasi relevan yang tidak tampil di sistem.
Menu Spesial Masakan Jawa Sop Iga Western Rica Mentok Angkringan Rata - Rata Rata Ae Rata .
alam %) Tabel 3.
Hasil Pengujian Precision ycEycyceycaycnycycnycuycu = = 0,600 ycEycyceycaycnycycnycuycu = = 0,571 ycEycyceycaycnycycnycuycu = = 1,000 ycEycyceycaycnycycnycuycu = = 0,600 ycEycyceycaycnycycnycuycu = = 1,000 Recall ycIyceycaycaycoyco = = 1,000 ycIyceycaycaycoyco = = 1,000 ycIyceycaycaycoyco = = 1,000 ycIyceycaycaycoyco = = 1,000 ycIyceycaycaycoyco = = 1,000 0,7542 1,000 75,42% Tabel diatas menunjukan sistem dapat menampilkan sebuah rekomendasi sesuai dengan preferensi pengguna, dengan hasil recall 100%, meskipun hasil precision mendapatkan nilai 75,42% karena masih ada rekomendasi yang ditampilkan disistem yang hanya mirip karakteristiknya tetapi tidak benar-benar relevan dengan preferensi Pembahasan Sistem rekomendasi ini menggabungkan content-based filtering menggunakan perhitungan cosine similarity dan collaborative filtering menggunakan rating dan jumlah ulasan melalui metode weighted sum.
Bobot yang diberikan adalah 0,6 untuk contentbased dan 0,4 untuk collaborative filtering.
Hal ini dilakukan karena menu spesial dianggap lebih mampu mencerminkan preferensi pengguna, sementara rating dan ulasan dari pengguna lain berfungsi sebagai pelengkap untuk memperkaya rekomendasi.
Hasil pengujian menunjukkan bahwa AuHik Gaul Pak MulAy memperoleh skor tertinggi .
,7.
, karena menu yang sesuai (Aumasakan jawaA.
, rating tinggi .
, dan jumlah ulasan banyak .
Hasil ini membuktikan bahwa sistem mampu memberikan rekomendasi yang relevan dan sesuai dengan ekspektasi pengguna.
Selanjutnya, hasil pengujian menunjukkan rekomendasi yang relevan dengan nilai precision 75,42% dan recall 100%.
Artinya, sebagian besar rekomendasi yang relevan berhasil ditampilkan.
Temuan ini sesuai dengan peneltian yang sebelumnya dari Lukas Tomi et.
dan Ni Putu Triska Widiantari et.
al 2025 .
yang menjelaskan bahwa menggabungkan dengan dua metode memiliki keunggulan dari penggabungkan 2 metode tersebut dibandingkan dengan menggunakan 1 metode.
Kontribusi dari penelitian ini adalah memperkuat bukti bahwa penggabungan antara content-based filtering dengan cosine similarity dan collaborative filtering dengan weighted sum mampu meningkatkan kualitas rekomendasi kuliner berdasarkan menu yang sesuai dengan preferensi Simpulan Penelitian ini menghasilkan sistem rekomendasi kuliner berbasis hybrid, kombinasi antara content-based filtering menggunakan cosine similarity dan collaborative filtering dengan menggunakan pendekatan weighted sum dengan bobot yang digunakan adalah 0,6 untuk content-based dan 0,4 untuk collaborative filtering.
Hasil pengujian menunjukkan sistem mampu menampilkan rekomendasi yang sesuai dengan preferensi pengguna dengan nilai rata-rata precision 75,42% dan recall Dari hasil tersebut dapat disimpulkan bahwa sistem mampu menampilkan seluruh item menu spesial yang relevan, meskipun ada sebagian rekomendasi yang hanya mirip secara karakteristik tetapi tidak sepenuhnya sesuai.
Progresif: Vol.
No.
Agustus: 910-920 Progresif e-ISSN: 2685-0877 Daftar Referensi .
Sutariyani.
Rachmatullah, and N.
Prasetyowati.
AuAplikasi Sistem Informasi Geografis Pariwisata Kabupaten Karanganyar Berbasis Android,Ay Go Infotech: Jurnal Ilmiah STMIK AUB, vol.
26, no.
2, pp.
156Ae163.
Dec.
Giyatmoko F.
Dewi P, and Alfiani N.
AuPeran Retribusi Obyek Wisata Edupark Intan Pari Bagi Peningkatan Pendapatan Asli Daerah Kabupaten Karanganyar Tahun 20212022,Ay Jurnal Cakrawala Ilmiah20, vol.
02, no.
10, pp.
3779Ae3790, 2023.
Saputriningsih.
Rindarjono, and S.
Ajar.
AuAnalisis Potensi dan Partisipasi Masyarakat Dalam Pengembangan Desa Wisata di Kabupaten Karanganyar,Ay GEADIDAKTIKA, 104Ae119.
Aug.
20961/gea.
Rahayu.
Diatmika, and W.
Haryadi.
AuAnalisis Potensi Wisata Kuliner Dalam Mendukung Perekonomian Umkm Pesisir Saliper Ate Di Kabupaten Sumbawa,Ay Jurnal Riset Kajian Teknoogi & Lingkungan, vol.
05, no.
1, pp.
1Ae8, 2022.
Kymylyinen.
Seisto, and R.
Malila.
AuGeneration z food waste, diet and consumption habits: A finnish social design study with future consumers,Ay Sustainability (Switzerlan.
, vol.
13, no.
4, pp.
1Ae14.
Feb.
2021, doi:
3390/su13042124.
Marzuki.
Abdul Zaky, and Marido Bisra.
AuModel Penerapan Sistem Rekomendasi Kuliner Pada Objek Wisata Berbasis User-Based Collaborative Filtering,Ay bit-Tech, 7, no.
2, pp.
570Ae580.
Dec.
2024, doi: 10.
32877/bt.
Imelda Lubis.
Josua Napitupulu, and A.
Satia Dharma.
AuImplementasi Metode Hybrid Filtering (Collaborative dan Content-base.
untuk Sistem Rekomendasi Pariwisata Implementation of Hybrid Filtering (Collaborative and Content-base.
Methods for the Tourism Recommendation System,Ay Departemen Teknik Elektro dan Teknologi Informasi.
FT UGM, pp.
28Ae35.
Oct.
Putri.
Herdiana, and Z.
Munawar.
AuSistem Rekomendasi Hibrid Pemilihan Mobil Berdasarkan Profil Pengguna Dan Profil Barang,Ay TEMATIK - Jurnal Teknologi Informasi Dan Komunikasi , vol.
08, no.
01, pp.
56Ae68.
Jun.
Muhammad and S.
Sugiyanto.
AuItem Based Collaborative Filtering Based on Highest Item Similarity,Ay International Journal of Artificial Intelligence Research, vol.
1, pp.
1Ae12.
Jun.
2021, doi: 10.
29099/ijair.
Gunarto.
Honggara, and D.
Purwanto.
AuWebsite Sistem Rekomendasi dengan Content Based Filtering pada Produk Perawatan Kulit,Ay Jurnal Sistem dan Teknologi Informasi (JustIN), vol.
11, no.
3, p.
Jul.
2023, doi:
26418/justin.
Feng.
Meng, and J.
Zhang.
AuNews recommendation systems in the Era of information overload,Ay Journal of Web Engineering, vol.
20, no.
2, pp.
459Ae470.
Mar.
2021, doi: 10.
13052/jwe1540-9589.
Zhang.
Liu.
Yu.
Feng, and Z.
Ou.
AuHybrid recommendation system combining collaborative filtering and content-based recommendation with keyword extraction,Ay Applied and Computational Engineering, vol.
2, no.
1, pp.
927Ae939.
Mar.
2023, doi: 10.
54254/2755-2721/2/20220579.
Nainggolan.
Siregar, and M.
Khairani.
AuVisualisasi Pencarian Lokasi Tempat Kuliner Dan Wisata Di Kota Siantar Menggunakan Collaborative Filtering,Ay ALGORITMA: Jurnal Ilmu Komputer dan Informatika, vol.
5, no.
2, pp.
152Ae160.
Nov.
Aprilyani.
Ransi.
Saputra, and Isnawaty.
AuSistem Rekomendasi dan Peminjaman Buku Menggunakan Algoritma Hybrid Based Filtering Book Recommendation and Lending System Using Hybrid-Based Filtering Algorithm,Ay Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (SISFOTENIKA), vol.
14, no.
140Ae151.
Jul.
2024, doi: 10.
30700/sisfotenika.
Cahyani.
Sephiana.
Tahir, and J.
Aisyiah.
AuJurnal Explore IT.
Sistem Rekomendasi Wisata Kuliner Madura Menggunakan Content Based Filtering Madura Culinary Tourism Recommendation System Using Content Based Filtering INFO ARTIKEL ABSTRAK,Ay Jurnal Keilmuan dan Aplikasi Teknik Informatika (Explore IT), 16, no.
1, pp.
31Ae38.
Jun.
2024, doi: 10.
35891/explorit.
Sistem Rekomendasi Kuliner Karanganyar a.
Radya Prameswari Putri e-ISSN: 2685-0877 .
Hartatik.
Devi Nurhayati, and W.
Widayani.
AuSistem Rekomendasi Wisata Kuliner di Yogyakarta dengan Metode Item-Based Collaborative Filtering Yogyakarta Culinary Recommendation System with Item-Based Collaborative Filtering Method,Ay JACIS :
Journal Automation Computer Information System, vol.
1, no.
2, pp.
55Ae63.
Nov.
Maulana Argenza and A.
Prasetyo Utomo.
AuSISTEM REKOMENDASI KULINER SEMARANG BERBASIS WEB MOBILE (E-SEMAR) ,Ay JIPETIK : Jurnal Ilmiah Penelitian Teknologi Informasi&Komputer, vol.
2, no.
1, pp.
19Ae28.
Jun.
Tommy.
Novianto, and Y.
Setiawan Japriadi.
AuSistem Rekomendasi Hybrid untuk Pemesanan Hidangan Berdasarkan Karakteristik dan Rating Hidangan,Ay Journal of Applied Informatics and Computing (JAIC), vol.
4, no.
2, pp.
137Ae145.
Dec.
Widiantari.
Suarjaya, and N.
Rusjayanthi.
AuFood Recipe Recommendation System with Content-Based Filtering and Collaborative Filtering Methods,Ay Sinkron, vol.
9, no.
3, pp.
1167Ae1776.
Aug.
2025, doi:
33395/sinkron.
Arfisko and A.
Wibowo.
AuSistem Rekomendasi Film Menggunakan Metode Hybrid Collaborative Filtering Dan Content-Based Filtering,Ay e-Proceeding of Engineering, vol.
9, no.
3, pp.
2149Ae2159.
Jun.
Aljihadu and A.
Rohman.
AuSistem Rekomendasi Wisata Kuliner Di Gunungkidul Menggunakan Metode Content Based Filtering,Ay Jurnal Informatika dan Teknik Elektro Terapan, vol.
13, no.
1, pp.
1435Ae1444.
Jan.
2025, doi:
23960/jitet.
Hazizah and T.
Widiyaningtyas.
AuAnalisis Metode Collaborative Filtering menggunakan KNN dan SVD untuk Rekomendasi Produk E-commerce Tokopedia,Ay Edumatic: Jurnal Pendidikan Informatika, vol.
8, no.
2, pp.
595Ae604.
Dec.
2024, doi: 10.
29408/edumatic.
Progresif: Vol.
No.
Agustus: 910-920