Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
13 - 19
p-ISSN: 2302-0261, e-ISSN: 2303-3363 E-Commerce FreezeMart untuk Penjualan Frozen Food dengan Sistem Rekomendasi Berbasis Content-Based Filtering Setiady Ibrahim Anwar1.
Muhammad Al Amin2.
Rizki Juliansyah3.
Arya Dimas Wicaksana4.
Aditya Wicaksono5*.
Gema Parasti Mindara6 Teknologi Rekayasa Perangkat Lunak, 6Teknologi Rekayasa Komputer.
Sekolah Vokasi IPB University Bogor.
Indonesia Email: 1setiadyanwar@apps.
id, 2muhammadalamin@apps.
id, 3riskijhsijuliansyah@apps.
aryadimas@apps.
id, 5adityawicaksono@apps.
id, 6gemaparasti@apps.
INFORMASI ARTIKEL
ABSTRAK
Histori artikel:
Abstract- The advancement of digital technology supports the development of e-commerce platforms that facilitate fast and flexible This study presents FreezeMart, an e-commerce website focused on frozen food sales, equipped with a personalized recommendation system.
The system uses content-based filtering and purchase history analysis to suggest relevant products.
User input is processed with Natural Language Processing techniques such as TFIDF to match preferences with product attributes.
The platform was developed using the Agile Scrum method and features three main roles:
guest, customer, and admin.
Customers gain access to personalized recommendations, order management, and product reviews.
Admins manage content, users, and transactions.
The results show that the integrated recommendation system enhances the shopping experience.
Future improvements may include the adoption of collaborative filtering methods and system performance enhancements.
Naskah masuk, 14 Mei 2025 Direvisi, 23 Mei 2025 Diterima, 30 Juni 2025 Kata Kunci:
E-commerce.
Frozen Food.
Sistem Rekomendasi.
Content-based Filtering.
TF-IDF.
Agile Scrum Abstrak- Kemajuan teknologi digital mendorong perkembangan platform e-commerce yang memudahkan transaksi secara cepat dan Penelitian ini membahas FreezeMart, situs e-commerce untuk penjualan makanan beku yang dilengkapi sistem rekomendasi Sistem memanfaatkan content-based filtering dan analisis histori pembelian untuk menyarankan produk yang relevan.
Masukan pengguna diproses menggunakan teknik Natural Language Processing seperti TF-IDF untuk mencocokkan preferensi dengan atribut produk.
Pengembangan dilakukan dengan metode Agile Scrum dan mencakup tiga peran utama: guest, customer, dan admin.
Pengguna dapat mengelola pesanan dan memperoleh rekomendasi sesuai kebutuhan, sementara admin bertanggung jawab atas pengelolaan sistem.
Sistem rekomendasi yang diimplementasikan terbukti mampu meningkatkan pengalaman belanja pengguna.
Pada tahap selanjutnya, pengembangan sistem dapat difokuskan pada penerapan collaborative filtering serta peningkatan kinerja platform.
Copyright A 2025 LPPM - STMIK IKMI Cirebon This is an open access article under the CC-BY license Aditya Wicaksono:
Aditya Wicaksono Program Studi Teknologi Rekayasa Perangkat Lunak.
Sekolah Vokasi IPB University Jl.
Kumbang No.
Babakan.
Bogor Tengah.
Indonesia Email: adityawicaksono@apps.
https://ejournal.
id/index.
php/jict-ikmi Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
13 - 19
Pendahuluan Di era digital, website menjadi sarana penting untuk menyediakan informasi dan transaksi daring yang dapat diakses kapan saja.
Baik bersifat statis maupun dinamis, website memungkinkan interaksi pengguna dengan konten sesuai kebutuhan .
Seiring perkembangan teknologi, e-commerce hadir sebagai solusi jual beli tanpa batas ruang dan waktu, memberikan kemudahan bagi konsumen dan efisiensi bagi pelaku usaha .
Dalam industri makanan beku .
rozen foo.
, ecommerce berperan penting dalam memperluas pasar dan mempermudah akses produk.
FreezeMart merupakan platform e-commerce yang fokus pada penjualan makanan beku, dengan mengutamakan kenyamanan dan efisiensi belanja.
Tantangan utama pengembangannya adalah menyajikan pengalaman pengguna yang optimal, terutama dalam memberikan rekomendasi produk sesuai kebutuhan dan preferensi.
Mengingat karakteristik makanan beku yang sensitif terhadap kesegaran dan masa mempertimbangkan aspek tersebut .
Untuk itu.
FreezeMart menggunakan sistem rekomendasi berbasis content-based filtering yang memanfaatkan informasi produk dan riwayat pembelian pengguna.
Ketika pengguna memasukkan teks seperti Auingin makanan beku untuk bekal anak sekolahAy, sistem memprosesnya menggunakan teknik Natural Language Processing (NLP), seperti TF-IDF atau word embedding, untuk mengenali kata Pendekatan ini memungkinkan sistem memberikan rekomendasi yang relevan dan sesuai preferensi pengguna .
Penelitian ini bertujuan merancang dan mengembangkan FreezeMart dengan sistem rekomendasi adaptif dan terpersonalisasi, guna meningkatkan pengalaman belanja pengguna dan mendorong pertumbuhan industri makanan beku digital secara kompetitif dan berkelanjutan.
E-commerce adalah perdagangan digital yang memanfaatkan internet untuk transaksi barang, jasa, dan informasi tanpa batasan waktu dan jarak.
Perkembangannya didorong oleh kebutuhan akan kemudahan dan kecepatan, menjadikannya solusi praktis dibandingkan perdagangan tradisional .
Faktor seperti promosi, kemudahan pembayaran, penghematan waktu, variasi produk, dan pengiriman gratis membuat konsumen semakin memilih ecommerce untuk kebutuhan seperti makanan, elektronik, hingga layanan transportasi .
Sistem rekomendasi mengatasi tantangan informasi berlebihan dengan memberikan saran yang relevan berdasarkan analisis atribut item, data pengguna, dan hubungan keduanya.
Dua pendekatan utama dalam sistem rekomendasi adalah contentbased filtering dan collaborative filtering, yang https://ejournal.
id/index.
php/jict-ikmi p-ISSN: 2302-0261 e-ISSN: 2303-3363 terbagi menjadi user-based dan item-based.
Dengan sistem ini, platform dapat memberikan saran yang lebih akurat dan terpersonalisasi, meningkatkan pengalaman dan kepuasan pengguna terhadap aplikasi atau situs e-commerce .
Content-based filtering adalah metode rekomendasi yang menganalisis atribut konten untuk mencocokkannya dengan preferensi pengguna tanpa perlu umpan balik langsung.
Salah satu teknik yang sering digunakan adalah TF-IDF, yaitu model statistik yang menilai pentingnya kata dalam TF-IDF menggabungkan frekuensi kata dalam dokumen (TF) dan seberapa jarang kata muncul di seluruh dokumen (IDF), sehingga menonjolkan kata-kata unik.
Teknik ini efektif untuk merekomendasikan produk berdasarkan deskripsi, seperti pada sistem makanan beku, namun kurang optimal untuk pengguna baru tanpa riwayat interaksi .
Rumus TF-IDF Gambar 1 Perhitungan TF-IDF Metode Penelitian 1 Metode Agile Scrum Metode yang digunakan dalam perancangan website ini adalah Agile Scrum, yakni pendekatan pengembangan perangkat lunak yang fleksibel dan adaptif melalui proses berulang.
Dalam Scrum, pekerjaan dibagi ke dalam Sprint berdurasi maksimal 30 hari, sehingga tim dapat beradaptasi terhadap perubahan dan mengelola risiko secara Metode ini cocok untuk proyek berdurasi pendek yang membutuhkan respon cepat terhadap perubahan .
2 Tahapan Metode Scrum Dalam penerapannya, metode ini umumnya terdiri dari beberapa langkah, antara lain:
Gambar 2.
Metode Scrum Product Backlog (PB) Pada tahap ini, tujuan utamanya adalah untuk merangkum semua kebutuhan yang diperlukan Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
13 - 19
dalam pengembangan fitur sesuai dengan desain proyek yang telah ditentukan.
Setelah kebutuhan tersebut disesuaikan, poin-poin yang relevan akan dipecah menjadi bagian-bagian kecil, dengan setiap bagian menjadi kebutuhan yang penting dan diprioritaskan dalam proses pengembangan.
Sprint Planning Tahapan ini dilakukan setiap kali memulai sprint baru.
Pada tahap ini, proses-proses yang perlu diselesaikan selama sprint pertama akan disusun dan dibagi menjadi sub-tugas yang lebih terperinci.
Sprint Backlog Pada tahap ini, pengembang akan menyusun gambaran yang lebih jelas mengenai pekerjaan yang menggambarkan tahapan yang lebih konkrit dari proyek yang sedang berlangsung.
p-ISSN: 2302-0261 e-ISSN: 2303-3363 Hasil dan Pembahasan 1 Hasil Rancangan Sistem Pengembangan sistem FreezeMart dilakukan dengan metode Agile Scrum, yang membagi proses kerja ke dalam sprint-sprint terstruktur.
Setiap sprint menghasilkan increment atau keluaran yang dapat diuji secara langsung.
Tiga sprint utama dilaksanakan selama proses pengembangan:
1 Sprint 1 (Analisis dan Perancangan Awa.
Sprint pertama difokuskan pada pengumpulan kebutuhan, perancangan struktur sistem, dan desain awal antarmuka pengguna.
Berikut adalah hasil sprint 1:
Use Case Diagram Use case diagram adalah deskripsi atau skenario yang menjelaskan bagaimana pengguna .
berinteraksi dengan sistem untuk mencapai tujuan tertentu.
Daily Scrum Meeting Tahapan ini dilakukan untuk menganalisis hasil dan kemajuan proyek, termasuk aspek UI/UX, desain, pengkodean, dan pengujian.
Tujuan utamanya adalah untuk memastikan bahwa semua pekerjaan yang dilakukan tetap selaras dengan tujuan pengembangan sistem.
Increment Tahapan Increment adalah tahapan terakhir dari metode scrum.
Increment merujuk pada hasil pekerjaan yang dapat dievaluasi dan diselesaikan untuk mendukung penerapan prinsip empirisme di akhir setiap sprint.
Setiap kali sprint selesai, hasilnya adalah increment yang menjadi langkah maju menuju pencapaian tujuan atau visi proyek.
Tahap ini juga mencakup pekerjaan yang harus diselesaikan oleh pemilik produk .
roduct owne.
Terdapat tiga peran utama dalam implementasi model Scrum, yaitu sebagai berikut :
Product Owner Product owner memiliki tanggung jawab utama dalam memastikan bahwa pengembangan proyek berjalan sesuai dengan harapan.
Mereka juga berfungsi sebagai pemimpin proyek yang menjembatani kebutuhan pasar dengan tim Scrum Master Peran utama Scrum Master adalah memastikan agar seluruh anggota tim tetap terfokus dan berkomitmen pada tugas yang diberikan, serta menjaga kelancaran proses pengerjaan proyek.
Team Sprint Team Sprint adalah individu yang terlibat menyelesaikan pekerjaan yang telah dibagi dalam sprint .
https://ejournal.
id/index.
php/jict-ikmi Gambar 3.
Use Case diagram ERD Diagram Menampilkan sepuluh entitas utama dalam Freezemart, termasuk Users.
Products.
Orders, dan lainnya, untuk mendukung integrasi data dan pengelolaan transaksi.
Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
13 - 19
p-ISSN: 2302-0261 e-ISSN: 2303-3363 pengguna untuk memantau transaksi mereka.
Sebagai sarana komunikasi antara pengguna dan admin, fitur chat juga turut diimplementasikan.
Untuk memastikan setiap fitur berjalan dengan baik, dilakukan pengujian fungsional awal selama sprint Sprint (Implementasi Sistem Rekomendasi dan Dashboard Admi.
Sprint pengembangan fitur lanjutan yang bertujuan untuk meningkatkan pengalaman pengguna serta efisiensi kerja admin.
Sistem rekomendasi dikembangkan menggunakan pendekatan content-based filtering dengan metode TF-IDF untuk menyajikan produk yang relevan kepada pengguna.
Di sisi admin, dashboard dikembangkan untuk menampilkan informasi penting seperti statistik penjualan, produk terlaris, serta fitur manajemen pengguna dan produk.
Sprint ini juga mencakup uji coba sistem secara menyeluruh, termasuk pengujian aspek UI/UX.
Gambar 4.
ERD (Entity Relationship Diagra.
Pembuatan Wireframe Rancangan awal antarmuka website FreezeMart, termasuk halaman beranda, halaman produk, dan navigasi dasar sistem.
2 Hasil Implementasi Fitur Utama 1 Tampilan Halaman Beranda Halaman beranda FreezeMart menampilkan fitur utama seperti banner promosi, kategori terpopuler, dan pencarian produk sesuai preferensi Navigasi di bagian atas memungkinkan akses cepat ke Home.
Kategori.
Produk, serta opsi Sign In dan Create Account.
Dilengkapi dengan rekomendasi produk, filter harga, dan promosi interaktif untuk meningkatkan pengalaman belanja makanan beku.
Gambar 5.
Wireframe 2 Sprint 2 (Pengembangan Fungsionalitas Int.
Pada tahap ini, fokus utama adalah mengimplementasikan fitur-fitur utama yang mendukung proses belanja dan pengelolaan Beberapa fitur yang dikembangkan meliputi sistem keranjang belanja dan proses checkout, termasuk pengaturan jumlah produk serta integrasi pembayaran menggunakan gateway Xendit.
Selain itu, dikembangkan pula sistem riwayat dan status pembelian yang memungkinkan https://ejournal.
id/index.
php/jict-ikmi Gambar 6.
Beranda 2 Halaman Produk Halaman ini menampilkan berbagai produk Freezemart dengan fitur pencarian, filter kategori, serta sortir berdasarkan harga dan waktu.
Fitur Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
13 - 19
p-ISSN: 2302-0261 e-ISSN: 2303-3363 tersebut dirancang untuk memudahkan pengguna dalam menemukan dan memilih produk sesuai Gambar 7.
Produk 3 Halaman Keranjang Halaman Freezemart menampilkan daftar produk frozen food yang telah ditambahkan oleh pengguna dan direncanakan untuk Pengguna dapat mengelola produk dalam keranjang dengan berbagai opsi, seperti menghapus produk, menambah, atau mengubah jumlah kuantitas produk yang ada, sesuai dengan Gambar 10.
Status pembayaran berhasil Setelah proses pembayaran selesai, pengguna dapat melacak pesanan dengan mengakses halaman daftar pembelian untuk melihat riwayat dan status Gambar 8.
Keranjang 4 Halaman Checkout dan Proses Pembelian Pada Freezemart, proses pembelian dilakukan melalui sistem payment gateway Xendit, yang pembayaran dengan cara yang aman, cepat, dan Sistem ini dirancang untuk memberikan kenyamanan dan kemudahan bagi pengguna dalam menyelesaikan transaksi pembelian.
Gambar 11.
Daftar pembelian 5 Halaman Pesan Fitur pesan .
digunakan sebagai sarana komunikasi dua arah antara pengguna dan admin.
Fitur ini memudahkan pengguna untuk mengajukan pertanyaan langsung kepada admin penjual melalui aplikasi, tanpa melibatkan pihak ketiga.
Gambar 12.
Pesan admin Gambar 9.
Checkout pembayaran https://ejournal.
id/index.
php/jict-ikmi 6 Halaman Dashboard Admin Dashboard admin FreezeMart menyediakan berbagai fitur penting untuk memantau dan mengelola sistem, termasuk statistik penjualan .
eperti jumlah produk terjual, pendapatan harian, dan grafik pesana.
, pengelolaan data produk, kategori, pesanan, pengguna, serta FAQ.
Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
13 - 19
p-ISSN: 2302-0261 e-ISSN: 2303-3363 Releva (O0.
Gambar 13.
Halaman dashboard 3 Implementasi Sistem Rekomendasi Fitur sistem rekomendasi pada FreezeMart mengimplementasikan metode Content-Based Filtering yang menganalisis kesesuaian antara preferensi pengguna dengan atribut produk .
eskripsi, kategori, fitu.
Sistem ini memanfaatkan data historis interaksi pengguna .
encarian, pembelia.
untuk menghasilkan rekomendasi yang Gambar 14.
Halaman dashboard 1 Perhitungan TF-IDF Sistem rekomendasi FreezeMart menggunakan Content-Based Filtering dengan metode TF-IDF (Term FrequencyAeInverse Document Frequenc.
berdasarkan deskripsi produk.
Proses dimulai dengan preprocessing teks .
okenisasi, penghapusan stopword, dll.
), lalu menghitung nilai TF .
rekuensi kata dalam produ.
dan IDF .
entingnya kata di seluruh produ.
Nilai TF dan IDF dikalikan untuk menghasilkan skor relevansi, yang digunakan untuk menghitung tingkat kemiripan antara preferensi pengguna dan produk.
Dengan demikian, produk yang memiliki deskripsi serupa dengan preferensi pengguna, seperti "nugget ayam beku" bagi pengguna yang sering membeli produk berbahan ayam, akan direkomendasikan.
2 Pengujian Sistem Rekomendasi Pengujian dilakukan terhadap 6 skenario permintaan pengguna dengan hasil sebagai berikut:
Tabel 1.
Pengujian Rekomendasi Topik Permintaan Total Sesuai (>0.
https://ejournal.
id/index.
php/jict-ikmi Kuran Makanan beku praktis Masakan laut goreng Buah beku Daging Tumis Daging Premium Sayuran Beku Temuan Utama:
Berdasarkan menunjukkan akurasi tertinggi sebesar 66,7% pada kata kunci spesifik seperti "daging tumis".
Hal ini menandakan efektivitas saat permintaan jelas.
Sebaliknya, akurasi turun hingga 40% pada permintaan umum seperti "makanan beku" karena kurangnya kejelasan.
Selain itu, masalah cold start juga muncul, di mana 47,4% rekomendasi kurang relevan bagi pengguna baru atau dengan data 4 Pengujian Fitur FreezeMart Pengujian seluruh fitur utama dilakukan dengan metode Blackbox Testing yang menguji fungsionalitas sistem berdasarkan input dan output.
Hasil uji dikategorikan menjadi Valid .
emenuhi Tidak Valid .
erdapat penyimpanga.
, dengan fokus pada kesesuaian sistem terhadap kebutuhan pengguna tanpa memperhatikan struktur internal aplikasi .
Tabel 2.
Pengujian Fitur Fitur Skenario Pengujian Input data Register Input email tidak valid Login Transaksi Pencarian Produk Email & Password Checkout Kata kunci Harapan Akun Sistem Hasil Berhasil Gagal Login Proses Hasil Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
13 - 19
Rekomend asi Produk Live Chat Input Audaging tumisAy Kirim pesan ke admin Rekomendas i sesuai Pesan Kesimpulan dan Saran FreezeMart berhasil dikembangkan sebagai platform e-commerce untuk penjualan makanan beku, lengkap dengan fitur katalog produk, keranjang belanja, checkout, dan sistem rekomendasi yang disesuaikan dengan preferensi Rekomendasi ini dibuat berdasarkan riwayat pembelian dan input teks menggunakan metode TF-IDF.
Proses pengembangannya mengikuti metode Agile Scrum, sehingga fitur-fitur bisa dibangun secara bertahap dan menyesuaikan kebutuhan selama proses berjalan.
Meski sudah berjalan dengan baik, sistem ini masih punya beberapa kekurangan.
Salah satunya, akurasi rekomendasi menurun saat pengguna memberikan kata kunci yang terlalu umum, dan sistem juga belum optimal untuk pengguna baru yang belum punya riwayat transaksi.
Ke depannya, sistem bisa ditingkatkan dengan menggabungkan metode collaborative filtering, serta memperhatikan aspek keamanan data, performa saat digunakan banyak pengguna sekaligus, dan kenyamanan pengguna dalam berinteraksi dengan platform.
Daftar Pustaka .
Arrafli dan L.
Hin.
AuImplementasi ECommerce Berbasis Content Management System (CMS) untuk Meningkatkan Penjualan pada Toko Abiie Frozen Food,Ay 2022.
Firmansyah.
AuAnalisa dan Perancangan Web E- Commerce Berbasis Website pada Toko Ida Shoes,Ay no.
03, 2021.
AuPENTINGNYA PENERAPAN E-COMMERCE
BAGI UMKM SEBAGAI SALAH SATU BENTUK
PEMASARAN
DIGITAL
DALAM
MENGHADAPI REVOLUSI INDUSTRI 4.
Ay .
Saputra.
AuPENERAPAN TEKNIK MACHINE
LEARNING DALAM SISTEM REKOMENDASI
E-COMMERCE,Ay vol.
1, 2024.
Crismastiana Koloman.
Raihan Maulana.
Raisya Dwi Zahra Putri, dan Wahyu Abadi Harahap.
AuSistem Rekomendasi Pekerjaan di bidang IT Menggunakan Algoritma Content-Based Filtering,Ay jcsr-politama, vol.
1, no.
6, hlm.
78Ae88.
Des 2023, doi: 10.
55606/jcsrpolitama.
Hermiati.
Asnawati, dan I.
Kanedi.
AuPEMBUATAN E-COMMERCE PADA RAJA
KOMPUTER
MENGGUNAKAN
BAHASA
PEMROGRAMAN PHP DAN DATABASE
MYSQL,Ay J.
a Infotama, vol.
17, no.
Feb 2021, doi: 10.
37676/jmi.
Ariansyah.
Najib, dan J.
Munandar.
AuFaktor-Faktor yang Memengaruhi Niat Konsumen untuk Membeli Produk Melalui E-Commerce,Ay https://ejournal.
id/index.
php/jict-ikmi p-ISSN: 2302-0261 e-ISSN: 2303-3363 JMO, vol.
11, no.
2, hlm.
83Ae90.
Agu 2020, doi:
29244/jmo.
Theodorus.
Defit, dan G.
Nurcahyo.
AuMachine Learning Rekomendasi Produk dalam Penjualan Menggunakan Metode Item-Based Collaborative Filtering,Ay jidt, hlm.
202Ae208.
Agu 2021, doi: 10.
37034/jidt.
Huda.
Fajarudin, dan A.
Hadinegoro.
AuSistem Rekomendasi Content-based Filtering Menggunakan TF-IDF Vector Similarity Untuk Rekomendasi Artikel Berita,Ay bits, vol.
4, no.
Des 2022, doi: 10.
47065/bits.
Larasati FBA dan Februariyanti H.
AuSISTEM
REKOMENDASI