Progresif: Jurnal Ilmiah Komputer Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat Ae Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 p-ISSN: 0216-3284 Pengembangan Aplikasi Sistem Rekomendasi Tempat Wisata Dengan Collaborative Filtering Aprilia Sispianygala1*.
Sunneng Sandino Berutu2.
Jatmitka3 Informatika.
Universitas Kristen Immanuel.
Yogyakarta.
Indonesia *e-mail Corresponding Author: aprilia.
s2042@student.
Abstract Tourists often face difficulties in choosing tourist destinations that match their preferences and interests among the many available options.
The purpose of this research is to develop a tourism recommendation system application for Jakarta using the Collaborative Filtering method.
This study will develop a tourist recommendation system for Jakarta using collaborative filtering with Python programming language and WxPython as the Graphical User Interface (GUI) framework using the Pycharm application.
A dataset consisting of 985 entries has undergone pre-processing.
The model evaluation results show that the Mean Squared Error (MAE) value is 0.
7561 and the Root Mean Squared Error (RMSE) value is 1.
This indicates that the recommendation system's accuracy is approximately 91.
60% based on the Mean Squared Error (MAE) and 88.
based on the Root Mean Squared Error (RMSE).
Key Word : Recommendation System.
Collaborative Filtering.
Jakarta.
Tourist attraction.
Pycharm Abstrak Wisatawan seringkali menghadapi kesulitan dalam memilih tempat wisata yang sesuai dengan preferensi dan minat mereka di antara banyak pilihan yang tersedia.
Tujuan penelitian ini adalah untuk membuat aplikasi sistem rekomendasi tempat wisata di Jakarta yang menggunakan metode Collaborative Filltering.
Penelitian ini akan mengembangkan sistem rekomendasi tempat wisata di Jakarta yang menggunakan collaborative filltering dengan menggunakan bahasa pemograman Pyhton dan Wxpyhton sebagai framework Grapichal User interfaceI (GUI) menggunakan aplikasi Pycharm.
Dataset yang terdiri dari 985 data telah melewati tahap pree-processing.
Hasil evaluasi model menunjukkan bahwa nilai Mean Squared Error (MAE) adalah 0.
7561 dan nilai Root Mean Squared Error (RMSE) adalah 1.
Ini menunjukkan bahwa akurasi sistem rekomendasi adalah 60% berdasarkan Mean Squared Error (MAE) dan 88.
18% berdasarkan Root Mean Squared Error (RMSE).
Kata kunci: Sistem Rekomendasi.
Collaborative Filtering.
Jakarta.
Tempat Wisata.
Pycharm.
Pendahuluan Pengguna saat ini semakin membutuhkan informasi tentang tempat wisata.
Wisatawan seringkali menghadapi kesulitan dalam memilih tempat wisata yang sesuai dengan preferensi dan minat mereka di antara banyak pilihan yang tersedia.
Sebagian besar penelitian telah berfokus pada pembuatan sistem rekomendasi tempat wisata untuk mengatasi masalah ini.
Sistem rekomendasi adalah aplikasi TI yang memanfaatkan data pengguna untuk memberikan rekomendasi yang relevan dan personal berdasarkan minat, preferensi, dan kebutuhan pengguna.
Ini dapat membantu orang menemukan tempat wisata yang sesuai dengan minat, preferensi, dan kebutuhan mereka.
Sistem rekomendasi filter kolaboratif dapat digunakan dengan berbagai cara.
Pengguna seringkali kebingungan atau kelelahan dalam menavigasi jumlah informasi yang tersedia.
Dalam pencarian tempat wisata, banyaknya informasi dapat membuat sulit bagi orang untuk memilih tempat yang tepat.
Mereka kesulitan membedakan informasi yang penting dari yang tidak penting, serta menyesuaikan preferensi mereka dengan pilihan mereka saat ini.
Pengembangan Aplikasi Sistem Rekomendasi a.
Aprilia Sispianygala Progresif e-ISSN: 2685-0877 Tujuan penelitian ini adalah untuk membangun sebuah sistem rekomendasi tempat wisata di Jakarta yang dapat memberikan rekomendasi yang akurat dan personal kepada pengguna.
peneliti akan memulai pengembangan sistem rekomendasi peneliti dengan menggunakan metode filtrasi kolaboratif.
Dengan memanfaatkan data preferensi pengguna, peneliti bertujuan untuk menciptakan pengalaman yang lebih baik untuk mencari berbagai tempat wisata di Jakarta.
Rencana solusi yang ditawarkan untuk menyelesaikan masalah ini adalah pengembangan sistem rekomendasi berbasis Collaborative Filtering.
Metode ini akan mengumpulkan dan menganalisis data dari berbagai pengguna untuk menemukan pola dan kesamaan dalam preferensi mereka.
Dengan demikian, sistem ini dapat memberikan rekomendasi tempat wisata yang sesuai dengan minat dan preferensi pengguna berdasarkan pengalaman dan penilaian dari pengguna lain yang memiliki kesamaan selera.
Keefektifan metode Collaborative Filtering telah terbukti dalam berbagai penelitian sebelumnya.
Misalnya, sebuah studi oleh (Herlocker et al.
, 2.
,menunjukkan bahwa sistem rekomendasi berbasis Collaborative Filtering mampu meningkatkan kepuasan pengguna dengan memberikan rekomendasi yang lebih relevan dan personal.
Selain itu, penelitian (Bobadilla et al.
, 2.
, menunjukkan bahwa metode ini dapat menangani skala besar data pengguna dan tetap memberikan rekomendasi yang Oleh karena itu, kami yakin bahwa implementasi sistem rekomendasi berbasis Collaborative Filtering akan mampu menyelesaikan masalah yang ada dan memberikan pengalaman yang lebih baik bagi wisatawan dalam menemukan tempat wisata yang sesuai dengan minat mereka Penelitian akan menawarkan solusi praktis untuk masalah pengguna dalam memilih lokasi rekreasi yang sesuai dengan preferensi di Jakarta.
Diharapkan sistem rekomendasi yang akurat dan personal akan meningkatkan pengalaman pengguna dalam mengeksplorasi berbagai tempat wisata di kota ini.
Dalam keseluruhan, peneliti berharap ini dapat membantu mengembangkan teknologi informasi untuk sektor pariwisata dan meningkatkan pemahaman peneliti tentang penggunaan collaborative filtering dalam sistem rekomendasi.
Tinjauan Pustaka Penelitian berikut ini mengembangkan sistem yang dapat mempromosikan dan membantu wisatawan berdasarkan ulasan dari pengunjung lainnya.
Sistem ini akan dibuat dengan teknik filtering kolaboratif dan memungkinkan setiap orang untuk memberikan ulasan.
Peneliti berikutnya menemukan bahwa penggunaan algoritma Apriori dan teknik filter kolaboratif untuk membuat sistem rekomendasi menghasilkan tingkat akurasi yang sangat tinggi.
Namun, hal ini harus diimbangi dengan jumlah aktivitas pengguna dan tempat wisata yang disediakan sistem.
Rekomendasi yang diberikan akan menjadi lebih akurat jika ada lebih sedikit objek wisata namun lebih banyak pengguna.
Sebaliknya, jika ada lebih banyak destinasi wisata dan lebih sedikit pengguna, sistem ini akan menjadi kurang efektif .
Sistem Rekomendasi objek wisata di Malang telah dibangun menggunakan Collaborative Filtering.
Pengembangan ini bertujuan untuk membangun sistem aplikasi rekomendasi tempat wisata di Malang.
Hasilnya menunjukkan bahwa tingkat kesalahan perhitungan Manual sistem rekomendasi tempat wisata di Malang yang menggunakan metode Collaborative Filtering bernilai 3,8 dan dapat dikeluarkan dari sistem.
Sistem Rekomendasi Tempat Wisata di Kota Semarang Menggunakan Metode Coolaborative Filtering.
Berdasarkan penelitian yang sudah dilakukan tentang sebuah sistem rekomendasi tempat wisata di Kota Semarang dengan metode collaborative filtering telah terbentuknya sebuah sistem yang dapat mempermudah dan membantu wisatawan berdasarkan pemberian rating dari wisatawan lain.
Sistem ini memungkinkan semua orang dapat memberikan rating di dalam sistem tersebut sehingga memberikan rekomendasi tempat wisata di Kota Semarang.
Sistem rekomendasi ini juga dapat mengenalkan tempat wisata baru di Semarang sehingga diharapkan dapat memunculkan potensi wisata baru di Semarang.
Implementasi Metode Collaborative Filtering pada Algoritma Sistem Rekomendasi Destinasi Wisata di Aceh.
Dalam penelitian ini, kami telah berhasil mengimplementasikan model Collaborative Filtering menggunakan pendekatan pengembangan model keras untuk meningkatkan kualitas sistem rekomendasi destinasi wisata di Aceh.
Hasil evaluasi kinerja model menunjukkan bahwa Root Mean Square Error (RMSE) yang dihasilkan sebesar 0.
Angka RMSE yang rendah ini menandakan bahwa model yang dikembangkan mampu memberikan rekomendasi destinasi wisata dengan tingkat akurasi yang tinggi, menciptakan pengalaman pengguna yang lebih memuaskan.
Implementation of Machine Learning with Collaborative Filtering and ContentBased Pengembangan Aplikasi Sistem Rekomendasi a.
Aprilia Sispianygala e-ISSN: 2685-0877 Filtering Methods in Mobile Travel Application (Bangkit Academ.
Metode pemfilteran berbasis konten yang menggunakan pendekatan kesamaan leksikal dan kosinus menghasilkan hasil yang masuk akal untuk setiap aspek halaman objek wisata.
Dengan menggunakan filter kolaboratif, model menghasilkan hasil yang memuaskan dengan nilai error rendah sebesar 0,1162 dan 0,1215 pada data pelatihan dan pengujian.
Hasilnya menunjukkan bahwa model dapat mempelajari pola preferensi pengguna terhadap tempat wisata tanpa overfitting atau underfitting.
Oleh karena itu, penerapan pemfilteran kolaboratif telah meningkatkan pengalaman pengguna dan memberikan nilai tambah yang signifikan pada aplikasi DestiMate .
Penerapan metode content-based filtering (CBF) dan collaborative filtering pada sistem rekomendasi destinasi wisata Bali memungkinkan pengembangan sistem rekomendasi destinasi wisata Bali yang menggunakan teknik filtering collaborative and content-based (CBF).
Tujuannya adalah untuk meningkatkan pengalaman wisata pelanggan.
Hasil tes menunjukkan bahwa akurasi mungkin lebih tinggi, karena nilai validasi RMSE dan RMSE masih lebih besar dari 0,2 .
Dalam penelitian ini, mengembangkan aplikasi system rekomendasi tempat wisata di Jakarta menggunakan Collaborative Filtering, dibangun menggunakan bahasa pemograman python dan PyCharm sebagai aplikasi dalam membangunnya.
Aplikasi system rekomendasi berupa aplikasi serdehana yang dimana fitur yang tersedia adalah tampikan semua data asli, hasil rekomendasi berupa tabel dan grafik, seert memikiki fitur tambahan yaitu memiliki rekomendasi tempat wisata bedasarkan harga terendah, tertinggi dan di tampikakndalam bentuk grafik sebanyak 10 tempat rekomendasi.
rekomendasi di filter bedasarkan harga dan rating dari data yang yang telah di kumpulkan dari Traveloka.
Metodologi Data tempat wisata di Jakarta dikumpulkan dari Traveloka.
com, lalu dibersihkan dari nilai yang tidak valid dan dinormalisasi menggunakan MinMaxScaler untuk memastikan semua nilai berada dalam skala yang sama.
Selanjutnya, matriks kesamaan antar tempat wisata dihitung berdasarkan karakteristik yang telah dinormalisasi dengan menggunakan metode cosine Untuk memberikan rekomendasi tempat wisata yang paling sesuai dengan preferensi pengguna.
Algoritma Filtering Kolaboratif digunakan.
Aplikasi diuji untuk memastikan fungsionalitasnya, dan evaluasi dilakukan berdasarkan umpan balik pengguna untuk perbaikan dan penyempurnaan.
Pengembangannya dilakukan dengan menggunakan bahasa pemrograman Python dan framework wxPython untuk membangun antarmuka pengguna yang mencakup fitur input data, tampilan data asli, hasil rekomendasi, dan visualisasi data menggunakan Matplotlib.
Gambar 1.
Proses Penelitian Crawling Data Mendapatkan data untuk membangun aplikasi sistem rekomendasi tempat wisata.
Instan Data Scraper digunakan untuk mengambil data dari Traveloka.
Data yang diambil termasuk nama tempat wisata, lokasi, review, rating, dan harga.
Untuk analisis lebih lanjut, hasilnya disimpan dalam file CSV, dapat dibaca dengan pandas ke dataframe.
Preprocessing Pada tahap ini data akan di ambil pada website Traveloka.
com menggunakan Instant Data Scraper, yang mencakup nama tempat wisata, lokasi, review, rating, dan harga.
Data ini Progresif: Vol.
No.
Agustus 2024: 828-838 Progresif e-ISSN: 2685-0877 digunakan untuk membangun aplikasi sistem rekomendasi tempat wisata.
Hasil disimpan dalam file CSV yang dapat dibaca ke dataframe untuk analisis tambahan.
Cleaning Cleaning ,Proses menghapus entri yang tidak lengkap atau tidak valid.
Data yang memiliki nilai kosong atau outlier juga dibersihkan untuk memastikan integritas data.
Normalization Data Normalization Data.
Pada tahap ini kolom 'Rating' dan 'Harga' diubah menggunakan MinMaxScaler dari scikit-learn.
MinMaxScaler digunakan untuk menormalkan nilai-nilai 'Rating' dan 'Harga' sehingga berada dalam rentang .
, .
Data yang telah dinormalisasi kemudian digunakan untuk menghitung cosine similarity, menghasilkan matriks kesamaan pengguna yang digunakan untuk memberikan rekomendasi.
Collaborative Filltering Menerapkan algoritma pengfilteran kolaboratif untuk memberikan rekomendasi tempat Algoritma ini bekerja dengan mencari tempat wisata yang paling mirip dengan tempat yang telah disukai oleh pengguna atau yang memiliki kesamaan dalam fitur tertentu.
Tempat wisata dengan nilai kesamaan tertinggi dengan preferensi pengguna akan direkomendasikan.
Cosine similarity Metode Cosine Similarity digunakan untuk menghitung seberapa mirip masing-masing tempat wisata berdasarkan karakteristik yang telah dinormalisasi.
Matriks kesamaan ini digunakan untuk menentukan tingkat kemiripan antar tempat wisata.
Ini adalah rumus Cosine Similarity.
Pengembangan Aplikasi Menggunakan bahasa pemrograman Python dan framework wxPython untuk membangun antarmuka pengguna aplikasi.
Fitur-fitur yang dikembangkan meliputi :
Input Data, untuk memuat data dari file CSV.
Tampilan Data Asli.
Fitur untuk menampilkan data asli yang telah dimuat.
Hasil Rekomendasi.
Menampilkan rekomendasi tempat wisata berdasarkan algoritma Collaborative Filtering.
Visualisasi Data.
Fitur untuk menampilkan grafik rekomendasi berdasarkan harga rendah dan rating tinggi serta harga tinggi dan rating tinggi.
WxPython wxPython adalah sebuah toolkit GUI (Graphical User Interfac.
untuk bahasa pemrograman Python, yang memungkinkan pengembang untuk membuat aplikasi desktop dengan antarmuka pengguna yang interaktif dan menarik .
Hasil dan Evaluasi Pengembangan aplikasi sistem rekomendasi tempat wisata di Jakarta berhasil dikembangkan dengan collaborative filtering.
Pengguna dapat memuat dataset tempat wisata, melihat data asli, membuat rekomendasi tempat wisata berdasarkan kemiripan fitur, dan menampilkan grafik rekomendasi berdasarkan kriteria tertentu, seperti harga rendah dengan rating tinggi dan harga tinggi dengan rating tinggi.
Aplikasi ini juga memungkinkan pengguna untuk membuat grafik rekomendasi berdasarkan harga rendah dengan rating tinggi.
Hasil dan Pembahasan 1 Deskripsi Data Pengembangan Aplikasi Sistem Rekomendasi a.
Aprilia Sispianygala e-ISSN: 2685-0877 Data diperoleh menggunakan Scraper Data Instan, yang merupakan fitur dari Google Chrome.
Data disimpan dalam format tabel Comma Separated Value (CSV).
Data yang dikumpulkan mencakup 985 tempat wisata di Jakarta, termasuk nama, lokasi, ulasan, dan harga.
Tabel 1 menggambarkan hasil data ini.
Tabel 1.
Data Tempat Wisata di Jakarta Nama_Tempat Rating Review Lokasi Pacific Place.
Jakarta Selatan Ancol.
Jakarta Utara Tiket Kidzania Jakarta AEON Mall Jakarta.
Jakarta Timur Jakarta Bird Land Ancol Tiket Playground Fanpekka AEON Mall Jakarta Garden City Ancol.
Jakarta Utara Tiket Sea World Ancol Karawang Barat.
Karawang Funworld Toserba Yogya Karawang Card Top-up Tasik Gumeulis - 4 Jam Tamansari.
Tasikmalaya Tawang.
Tasikmalaya Hiep An Ward.
Thu Dau Mot Harga Rp276.
Rp70.
Rp140.
Rp110.
Rp98.
Rp450.
KKN
KOTA
SANTRI Ae 5 jam Rp425.
FRV Go-kart Racing at Dai Nam Track Rp516.
Tabel 1 adalah hasil Crawling data dari Website Traveloka.
com sebanyak 985 data.
Data ini kemudian digunakan dalam membangun aplikasi sistem rekomendasi tempat wisata jakarta menggunakan Collaborative Filltering.
2 Hasil Pre-Processing data 1 Cleaning Proses pembersihan data yaitu mengubah, dan hapus data tidak akurat, data duplikat, data kosong, kolom yang tidak penting, atau data bernilai null/NaN.
Proses ini digunakan untuk menganalisa kualitas data.
Data hasil perbaikan ditunjukkan dalam Tabel 2.
Tabel 2.
Data Tempat Wisata di Jakarta(Cleanin.
Nama_Tempat Rating Harga Tiket Kidzania Jakarta Ancol.
Jakarta Utara Jakarta Bird Land Ancol AEON Mall Jakarta.
Tiket Playground Fanpekka AEON Mall Jakarta Timur Jakarta Garden City Ancol.
Jakarta Utara Lokasi Pacific Place.
Jakarta Selatan 981 Bekasi Barat.
Bekasi Tiket Sea World Ancol Kladia Barbershop Progresif: Vol.
No.
Agustus 2024: 828-838 Progresif e-ISSN: 2685-0877 Karawang 982 Barat.
Karawang Funworld Toserba Yogya Karawang Card Top-up Pada tabel 2.
Adalah data Wisata Jakarta yang sudah di cleaning dengan menghapus kolom Review dan karakter non-numerik .
eperti 'Rp', titik, dan kom.
dari kolom 'Harga' dan mengonversi nilai menjadi tipe data float.
2 Normalization Data Normalisasi data dilakukan menggunakan MinMaxScaler dari scikit-learn untuk mengubah nilai-nilai 'Rating' dan 'Harga' menjadi berada dalam rentang .
, .
sebelum dihitung cosine Menggunakan rumus persamaan .
dalam mengihitung nilai Pada rating (Max =10 .
Min = 4 ) dan Harga (Max = 9.
Min = 10.
Tabel 3.
Data Tempat Wisata di Jakarta(Normalizatio.
Lokasi Pacific Place.
Jakarta
Selatan Nama_Tempat Rating Harga
Tiket Kidzania Jakarta
0,8833 0,0271
Ancol.
Jakarta Utara AEON Mall Jakarta.
Jakarta Timur
Jakarta Bird Land Ancol
Tiket Playground Fanpekka AEON Mall
Jakarta Garden City 0,8833 0,0061 Kladia Barbershop
Funworld Toserba Yogya Karawang Card
Top-up
0,0020
0,0100
981 Bekasi Barat.
Bekasi Karawang Barat, 982 Karawang
0,8666 0,0132
Kemudian kolom Rating dan Harga dinormalisasi ke dalam rentang .
dalam hal ini dataset ditentukan menggunakan nilai Min-Max Scaling menggunakan persamaan .
hal ini di lakukan agar semua fitur memiliki skala yang sama dan meningkatkan kinjerna pembelajaran 3 Pengembangan Aplikasi Pada tahap ini, peneliti sedang mengerjakan aplikasi sistem rekomendasi tempat wisata di Jakarta yang menggunakan filter kolaboratif dengan data yang telah diproses sebelumnya.
Untuk membangun aplikasi, peneliti menggunakan bahasa pemograman Python.
Pycharm adalah perangkat lunak yang digunakan.
1 Tampilan Aplikasi Pada bagian ini aplikasi telah dibangun dan dapat digunakan oleh user dalam menentukan rekomendasi tempat wisata di jakart menggunakan Collaborative Filtering.
Pengembangan Aplikasi Sistem Rekomendasi a.
Aprilia Sispianygala e-ISSN: 2685-0877 Gambar 2.
Tampilan Aplikasi Gambar 2 menunjukkan tampilan awal aplikasi, yang mencakup fitur seperti input data, menampilkan data .
ata asl.
, hasil rekomendasi, rekomendasi budget rendah, rekomendasi budget tinggi, dan hapus.
Aplikasi dibangun menggunakan Framework Toolkit GUI, yaitu WxPython.
2 Implementasi Aplikasi Pada tahapan ini akan dilakukan pengujian seluruh fitur aplikasi sistem rekomendasi tempat wisata di Jakarta menggunakan collaborative filtering.
Input Data Pada tahap ini data akan di input melalui tombol Input Data.
Data yang di input berupa data tabel csv yang telah di scraping dari Traveloka.
Function input data adalah button awal sebelum data di olah, dalam bentuk excel.
Pada button input data ada beberapa kondisi dimana ketika user ingin menjalankan aplikasi system rekomendasi tampan menginput datanya dahulu maka akan ada pesan error atau notifikasi yaitu Message AuMuat Data Terlebih DahuluAy.
Seperti Gambar 3 dibawah ini dan ketika data sudah berhasil di muat maka akan ada Message Audata berhasil dimuatAy terlampir pada gambar 4 Gambar 3.
Message Ketika data belum di input Gambar 4.
Data Sudah di input Pada gambar 4 ,akan ada Message Audata berhasil dimuatAy yang dimana data telah dimuat.
Tampilkan Data Asli Tahap ini aplikasi menampilkan data tempat wisata Jakarta,seperti pada gambar 5 Progresif: Vol.
No.
Agustus 2024: 828-838 Progresif e-ISSN: 2685-0877 Gambar 5.
Tampilan data asli Function tampilkan data adalah fitur dimana step input data telah berhasil di lakukan, dan button tampilkan data berupa data tempat dijakarta yang telah di ambil di traveloka.
Rekomendasi