Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Desember 2024.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Penerapan Metode Content-Based Filtering dalam Sistem Rekomendasi Objek Wisata di Aceh Tamiang Dinda Pratiwi*1.
Asrianda2.
Lidya Rosnita3
1,2,3
Teknik Informatika.
Fakultas Teknik.
Universitas Malikussaleh.
Indonesia Email: dinda.
200170142@mhs.
id, 2asrianda@unimal.
id, 3lidyarosnita@unimal.
Abstrak Pariwisata berbasis teknologi informasi menjadi semakin penting dalam era digital untuk mempermudah wisatawan menemukan destinasi yang sesuai dengan preferensi mereka.
Penelitian ini bertujuan mengembangkan sistem rekomendasi objek wisata berbasis web di Aceh Tamiang menggunakan metode content-based filtering.
Sistem ini dirancang untuk menganalisis ulasan dari Google Maps agar memberikan rekomendasi yang relevan dengan preferensi pengguna.
Data ulasan dikumpulkan melalui SerpApi, kemudian diproses melalui tahapan preprocessing, perhitungan bobot TF.
IDF, dan TF-IDF, serta analisis kesamaan menggunakan cosine similarity.
Hasil penelitian menunjukkan bahwa sistem ini mampu memberikan rekomendasi yang sesuai dengan preferensi wisatawan, khususnya untuk atribut seperti "pantai", "piknik", "sepi", dan "sungai".
Sistem ini diharapkan dapat membantu pengambilan keputusan wisatawan secara lebih efisien dan memberikan kontribusi positif terhadap pengembangan pariwisata di Aceh Tamiang.
Kata Kunci: Content-Based Filtering.
Cosine Similarity.
Rekomendasi Wisata.
TF-IDF Abstract Information technology-based tourism is becoming increasingly important in the digital era to assist travelers in finding destinations that match their preferences.
This study aims to develop a web-based tourist attraction recommendation system in Aceh Tamiang using the content-based filtering method.
The system is designed to analyze reviews from Google Maps to provide recommendations relevant to user preferences.
Review data was collected through SerpApi and processed through stages of preprocessing.
TF.
IDF, and TF-IDF weighting calculations, as well as similarity analysis using cosine similarity.
The results indicate that this system can provide recommendations that align with travelersAo preferences, particularly for attributes such as "beach," "picnic," "quiet," and "river.
" This system is expected to help travelers make decisions more efficiently and contribute positively to the development of tourism in Aceh Tamiang.
Keywords: Content-Based Filtering.
Cosine Similarity.
Tourism Recommendations.
TF-IDF
PENDAHULUAN
Kabupaten Aceh Tamiang, yang terbentuk dari pemekaran Kabupaten Aceh Timur, terletak di perbatasan antara Aceh dan Sumatera Utara.
Wisata bahari dan pesisir di daerah ini berkembang sangat pesat.
Potensi yang melimpah menjadikan objek wisata tersebut bisa dijadikan produk unggulan daerah .
Namun, pariwisata di Aceh Tamiang masih menghadapi beberapa kendala utama, seperti keterbatasan informasi di platform online yang sering kali seragam, sulit diakses, dan tidak mencerminkan preferensi wisatawan secara individual.
Akibatnya, banyak objek wisata yang belum terdokumentasi dengan baik atau dikenal secara luas.
Selain itu, wisatawan sering mengalami information overload, yaitu kesulitan memilih destinasi dari banyaknya informasi yang tersedia .
Kondisi ini menuntut adanya sistem yang mampu menyaring informasi dan memberikan rekomendasi personal sesuai preferensi pengguna.
Sistem rekomendasi menjadi salah satu solusi untuk mengatasi permasalahan tersebut dengan membantu wisatawan menemukan destinasi yang relevan dan memperkenalkan objek wisata yang kurang dikenal agar mendapatkan perhatian lebih luas.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Desember 2024.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Sistem rekomendasi adalah alat untuk membantu pengguna dalam pengambilan keputusan, sistem rekomendasi telah diterapkan dalam berbagai bidang, seperti layanan streaming (Netfli.
, e-commerce (Amazo.
, dan pariwisata .
Ada tiga pendekatan utama yang tersedia untuk sistem rekomendasi: content-based filtering, collaborative filtering, dan hybrid recommender.
Metode content-based filtering merekomendasikan item berdasarkan kesamaan dengan item yang dipilih .
, collaborative filtering menawarkan rekomendasi berdasarkan preferensi pengguna lain .
Sedangkan hybrid recommender adalah kombinasi dari kedua metode tersebut.
Penelitian sebelumnya menunjukkan bahwa metode collaborative filtering sering menghadapi masalah cold start, yaitu sulit memberikan rekomendasi bagi pengguna baru yang belum memiliki riwayat aktivitas.
Sebagai contoh, penelitian AuPengembangan Aplikasi Sistem Rekomendasi Tempat Wisata dengan Collaborative FilteringAy menunjukkan akurasi sistem rekomendasi sebesar 91,60% menggunakan Mean Absolute Error (MAE) .
, namun tidak membahas solusi atas masalah cold start.
Di sisi lain, content-based filtering menawarkan keunggulan dalam waktu eksekusi yang lebih cepat, sebagaimana dijelaskan dalam penelitian AuPenerapan Metode Content-Based Filtering pada Sistem RekomendasiAy .
Studi lain, seperti AuTour Spot Recommendation System via Content-Based Filtering,Ay berhasil memanfaatkan ulasan pengguna untuk membantu wisatawan menemukan destinasi sesuai anggaran dan minat, sehingga meningkatkan pengalaman pengguna .
Penelitian tersebut berfokus pada rekomendasi destinasi wisata di berbagai negara dan wilayah berdasarkan dataset yang dirancang oleh Meskipun demikian, pendekatan ini lebih diarahkan pada pengelompokan destinasi secara umum tanpa mengeksplorasi konteks spesifik suatu wilayah tertentu, seperti Aceh Tamiang.
Penelitian ini diharapkan dapat mengisi celah tersebut dengan menerapkan pendekatan serupa dalam konteks lokal, menggabungkan analisis ulasan berbasis TF-IDF dan cosine similarity untuk menghasilkan rekomendasi yang lebih personal dan relevan.
Selain itu, metode content-based filtering memiliki keuntungan yang bersifat user independence, yang berarti tidak tergantung pada apakah objek itu baru atau telah digunakan oleh orang lain .
Penelitian ini bertujuan mengembangkan sistem rekomendasi wisata di Aceh Tamiang menggunakan metode content-based filtering dengan memanfaatkan ulasan Google Maps.
Sistem ini menganalisis ulasan menggunakan TF-IDF dan cosine similarity untuk memberikan rekomendasi personal sesuai preferensi wisatawan, seperti pantai, sungai, dan sepi.
Pendekatan ini diharapkan mengatasi masalah cold start, memperkenalkan destinasi kurang dikenal, serta meningkatkan keberagaman informasi wisata.
Hasil penelitian diharapkan membantu wisatawan menemukan destinasi sesuai preferensi sekaligus mendukung pengembangan pariwisata lokal di Aceh Tamiang.
METODE PENELITIAN
Data ulasan wisata dikumpulkan secara efisien dengan menggunakan API SerpApi, yang memungkinkan akses real-time ke informasi dari Google Maps.
Penulis memanfaatkan pustaka Python seperti serpapi untuk mengakses data ulasan yang relevan berdasarkan lokasi dan jenis tempat Setelah mendapatkan data, penulis memproses ulasan menggunakan teknik preprocessing dengan bantuan pustaka NLTK untuk tokenisasi, penghapusan stopword, serta stemming menggunakan Sastrawi.
Semua proses ini memungkinkan penulis untuk menganalisis dan membangun sistem rekomendasi wisata yang lebih akurat dan relevan.
Berikut adalah tahapan dalam pengumpulan data ulasan:
Persiapan API: Penulis mendaftar di platform SerpApi untuk mendapatkan akses token API yang diperlukan untuk mengakses data ulasan dari Google Maps.
Pengambilan Data: Menggunakan API SerpApi, penulis melakukan query untuk mendapatkan informasi tentang objek wisata yang relevan.
Data yang diambil meliputi nama tempat dan ulasan, yang dapat digunakan untuk analisis.
Proses Pengolahan Data: Setelah data ulasan diperoleh, data tersebut akan diproses menggunakan teknik preprocessing.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Desember 2024.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Misalnya, dalam rekomendasi wisata, jika seorang pengguna memilih atribut "piknik", "pantai", "sungai", dan "sepi", sistem akan mencari ulasan tempat wisata yang memiliki atribut yang sama dan Dengan pendekatan ini, sistem dapat memberikan rekomendasi yang lebih relevan, dan dapat lebih efektif dalam menyesuaikan preferensi pengguna.
Prosedur rekomendasi dilakukan dengan mengambil ulasan dari tahun 2022-2024, kemudian melakukan text preprocessing, pembobotan TF-IDF, dan perhitungan cosine similarity, seperti gambar 1 dibawah ini.
Gambar 1.
Flowchart Metode Content-Based Filtering Text Preprocessing Tahapan text preprocessing dilakukan untuk membersihkan kalimat ulasan dari elemen-elemen yang tidak relevan seperti simbol, angka, dan kata-kata yang kurang signifikan serta berguna untuk mengoptimalkan representasi data yang mendukung sistem rekomendasi agar lebih akurat dan efektif.
Proses preprocessing melibatkan beberapa tahapan, yaitu case folding, tokenizing, filtering, dan Case folding adalah proses mengubah semua huruf dalam sebuah kalimat menjadi huruf kecil, sehinnga memiliki penulisan format yang sama .
Contohnya, kalimat "Pantai ini sangat Indah!" akan diubah menjadi "pantai ini sangat indah!".
Tokenizing yaitu proses membagi teks, seperti kalimat, paragraf, atau dokumen, menjadi tokentoken atau bagian-bagian yang lebih kecil dan lebih khusus.
Misalnya, kalimat "Pantai ini sangat indah" akan diubah menjadi token-token: ["Pantai", "ini", "sangat", "indah"].
Filtering .
topword remova.
adalah proses memilih kata penting untuk dokumen .
lasan wisat.
dan menghilangkan kata-kata yang tidak deskriptif, seperti tanda baca, kata penghubung, dan kata ganti sehingga ulasan wisata menjadi lebih padat informasi .
Misalnya, kalimat "Pantai ini sangat indah dan bersih" setelah filtering akan menjadi "Pantai indah bersih", menghapus kata "ini" dan "dan" yang tidak deskriptif.
Stemming adalah proses untuk mendapatkan kata dasar dari kata-kata yang telah melalui tahap Proses ini menghapus imbuhan, termasuk awalan .
, akhiran .
, dan sisipan .
, dan gabungan antara awalan dan akhiran .
guna menghindari redundansi dalam analisis .
Misalnya, kata "bermain" dan "bermainan" akan diproses menjadi "main", menghilangkan imbuhan seperti "ber-" dan "-an" untuk mengurangi redundansi dalam analisis.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Desember 2024.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Hitung TF-IDF TF-IDF adalah metode pembobotan kata yang melibatkan proses tokenisasi, penghapusan katakata umum .
, dan stemming.
Frekuensi kemunculan kata dalam sebuah dokumen menunjukkan seberapa penting kata tersebut dalam dokumen tersebut.
Metode ini mengombinasikan nilai TF (Term Frequenc.
dan IDF (Inverse Document Frequenc.
untuk memberikan bobot pada kata-kata berdasarkan hasil query.
TF menunjukkan frekuensi kemunculan suatu kata dalam dokumen tertentu, yang dihitung dengan membandingkan jumlah kemunculan kata tersebut dengan total jumlah kata dalam dokumen.
IDF menekankan pentingnya sebuah kata dalam keseluruhan koleksi dokumen, di mana kata yang jarang muncul akan memiliki nilai IDF lebih tinggi.
IDF dihitung dengan membagi total jumlah dokumen dalam koleksi dengan jumlah dokumen yang mengandung kata tersebut .
Penggunaan TF-IDF mempermudah dalam mengenali kata kunci yang memiliki relevansi lebih tinggi dalam suatu dokumen dibandingkan dengan dokumen lainnya dalam kumpulan data.
Oleh karena itu.
TF-IDF sering diterapkan dalam berbagai aplikasi seperti pencarian informasi dan analisis teks untuk meningkatkan ketepatan dalam menemukan informasi yang sesuai.
Dengan demikian, dapat disimpulkan bahwa TF-IDF sangat efektif dalam mengukur kesamaan antara kata kunci dan dokumen.
Persamaan .
digunakan melakukan penghitungan term frequency:
yce ycyceycn,yc = ycn,yc .
yccyc Keterangan:
ycyceycn,yc = term frequency dari kata I yang terdapat dalam dokumen j yceycn,yc = jumlah kemunculan kata i dalam dokumen j yccyc = total keseluruhan kata pada dokumen j Persamaan .
dapat membantu untuk memahami seberapa signifikan kata tersebut dalam konteks document yang sedang dianalisis, sedangkan.
Inverse Document Frequency (IDF) memberikan bobot yang lebih besar pada kata-kata yang jarang muncul pada seluruh koleksi document, dengan formula:
) 1
yccyceycn 1 ycnyccyceycn = log( .
Persamaan .
digunakan untuk menghitung IDF.
Keterangan:
ycnyccyceycn = inverse document frequency yccyceycn = banyaknya dokumen yang mengandung kata i ycu = total dokumen yccyceycn TF-IDF menggabungkan kedua metrik ini untuk memberikan bobot pada setiap term dalam document, dengan tujuan meningkatkan akurasi dengan mengurangi pengaruh kata-kata yang sering muncul namun tidak terlalu signifikan.
Algoritma TF-IDF sangat berguna untuk berbagai aplikasi seperti mesin pencari, pengelompokan dokumen, dan sistem rekomendasi, karena dapat menangkap esensi penting dari konten yang dianalisis.
Persamaan .
digunakan untuk menghitung bobot term frequency Ae inverse document frequency.
yc Keterangan:
yc = bobot TF-IDF ycyce = term frequency ycnyccyce = inverse document frequency = ycyce ycu ycnyccyce .
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Desember 2024.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Cosine Similarity Cosine similarity merupakan metode umum yang digunakan untuk mengukur kesamaan.
Metode ini berperan sebagai dasar untuk menghitung tingkat relevansi antara query dan dokumen, serta di antara berbagai dokumen lainnya.
Cosine similarity dapat dihitung berdasarkan sudut yang terbentuk antara vektor-vektor .
Dengan menggunakan TF-IDF (Term Frequency - Inverse Document Frequenc.
, yang memberikan bobot pada setiap term dalam dokumen, proses perhitungan cosine similarity menjadi lebih akurat dan dapat lebih efektif digunakan untuk menentukan kemiripan antara preferensi pengguna .
dengan vektor atribut objek wisata .
Algoritma cosine similarity sangat berguna ketika membuat sistem rekomendasi karena dapat mengitung sejauh mana dua dokumen memiliki kesamaan dalam konteks kata-kata yang penting, memungkinkan untuk rekomendasinya yang lebih relevan dan personal.
Sebagaimana dijelaskan dalam persamaan .
Dengan pendekatan ini, sistem dapat menilai dengan akurat kemiripan antara query dengan document, sehingga memberikan rekomendasi yang sesuai dengan preferensi pengguna.
ycc sim.
c, yccyc ) = .
ccyc y.
Keterangan:
c, yccyc ) = similarity antara vektor ycuery dan vektor dokumen ke-j = vektor ycuery yccyc = vektor dokumen ke-j = norma euclidean dari vektor ycuery .
ccyc | = norma euclidean vektor dokumen ke-j
HASIL DAN PEMBAHASAN
Di Aceh Tamiang terdapat 45 objek wisata yang terdaftar di Google Maps, mencakup berbagai jenis destinasi yang menawarkan keindahan alam, sejarah, aktivitas rekreasi yang menarik bagi para wisatawan, dan lain-lainnya.
Tabel 1 menunjukkan daftar wisata yang terdaftar di Google Maps.
Tabel 1.
Daftar Wisata di Aceh Tamiang
Doc
D10
D41
D42
D43
D44
D45
Nama Wisata Aceh Tamiang Recreation Park Air Terjun Gunung Pandan Air Terjun Keramat Air Terjun Sangkapane Air Terjun Tamsar 27 Batu Bukit Kapur Kaloy Hutan Kota Aceh Tamiang Hutan Pribadi Tamiang Camp Istana Benua Raja Istana Kerajaan Karang a.
TPI Tanjung Keramat Wisata Dam Sungai Rengas Wisata Pantai Kaloy Wisata Sungai Bampo Wisata Pendidikan Mangrove Ujung Tamiang Preprocessing Setelah melakukan preprocessing, penulis telah menyaring ulasan wisata yang mengandung atribut yang telah dipilih dan mendapatkan hasil 23 wisata dari jumlah keseluruhannya yaitu sebanyak 45 wisata.
Contoh penerapan text prepocessing seperti Tabel 2.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Desember 2024.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Tabel 2.
Hasil Preprocessing Doc
D32
D37
Sebelum Preprocessing Perjalanan yang lumayan melelahkan akan terbayar pas tiba di air terjun gunung pandan.
Arus sungai yang memberikan suara derusnya amat tenang.
Hijaunya hutan memberikan warna yang indah.
Sungguh indah Walaupun perjalanannya lumayan jauh sekitar satu jam berjalan kaki.
Beautifull view.
air terjun yang indah, harus mempersiapkan stamina karena harus mendaki untuk sampai ke air terjun ini.
Sepi pengunjung mungkin karena akses yang cocok untuk hiking AA Pantai yang cocok untuk piknik bersama keluarga karena bisa menggunakan sepeda motor.
Pantainya gratis, sepi pengunjung, banyak pohon-pohon.
Disini juga bisa camp bersama keluarga atau teman.
Bukit Kerang sepi pengunjung seperti tempat wisata lainnya yang menghadirkan pemandangan alam, lokasi tempatnya tidak terlalu mulus.
Tapi, situs sejarah ini layak dikunjungi sebagai objek wisata sejarah dan untuk belajar bagi pelajar siswa/siswi.
Setelah Preprocessing jalan lumayan lelah bayar pas air terjun gunung pandan arus sungai suara derus tenang hijau hutan warna indah sungguh indah tempat jalan lumayan jam jalan kaki beautifull view air terjun indah stamina daki air terjun sepi unjung akses sulit cocok hiking A.
pantai cocok piknik keluarga sepeda motor pantai gratis sepi unjung pohon pohon camp keluarga teman bukit kerang sepi unjung wisata hadir pandang alam lokasi tempat tidak mulus situs sejarah layak kunjung objek wisata sejarah belajar ajar siswa siswi Perhitungan TF-IDF Langkah awal sebelum perhitungan adalah memberi bobot pada ulasan wisata yang mengandung kata term .
yang dipilih pengguna, di mana setiap dokumen yang mengandung term diberi Tabel 3 menampilkan bobot term.
Tabel 3.
Bobot Term
Term
D14
D19
D20
D23
D24
D25
D26
D27
D28
D29
D30
D31
D32
D37
D39
D40
D41
D42
D43
D44
Bobot Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Desember 2024.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Nilai DF (Document Frequenc.
adalah jumlah dari kemunculan suatu term dalam setiap dokumen .
Hitung nilai TF (Term Frequenc.
dengan menggunakan persamaan .
Perhitungan TF (Term Frequenc.
ditampilkan pada Tabel 4.
Tabel 4.
Perhitungan TF
Term
D32
D37
D43
D44
IDF (Inverse Document Frequenc.
berguna untuk menunjukkan seberapa penting suatu term dalam keseluruhan kumpulan document.
Menghitung nilai IDF persamaan .
Perhitungan IDF dapat dilihat pada Tabel 5.
Tabel 5.
Perhitungan IDF
IDF
Setelah menghitung nilai TF (Term Frequenc.
dan IDF (Inverse Document Frequenc.
, langkah selanjutnya adalah menghitung nilai TF-IDF dengan menggunakan persamaan .
Perhitungan TFIDF ditampilkan pada Tabel 6.
Tabel 6.
Perhitungan TF-IDF
Term
D32
D37
D43
D44
TF-IDF
Perhitungan Cosine Similarity Kemiripan vektor query .
referensi penggun.
dihitung dengan setiap document .
yang tersedia menggunakan rumus cosine similarity.
Hitung hasil perkalian skalar antara Q dan 23 dokumen Hasil perkalian dari setiap dokumen dengan q kemudian dijumlahkan, dan hasilnya dapat dilihat seperti Tabel 7.
Langkah selanjutnya adalah menghitung panjang vektor .
dari setiap dokumen Panjang vektor digunakan dalam perhitungan kesamaan cosine untuk menentukan seberapa mirip satu dokumen dengan dokumen lainnya.
Perhitungan panjang vektor seperti yang ditampilkan pada Tabel 8.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Desember 2024.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Tabel 7.
Perkalian Skalar
Term
D32
D37
D43
D44
TF-IDF Query x TF-IDF Document piknik pantai sungai A A A A A A A A Total Tabel 8.
Perhitungan Panjang Vektor
Term
D32
D37
D43
D44
Panjang Vektor
0,162
Total Akar Terapkan rumus cosine similarity dengan menghitung kemiripan antar dokumen dengan menggunakan persamaan .
sim (Q.
= 1.
013 x 0.
083 = 0.
087 = 0.
sim (Q.
= 1.
013 x 0.
122 = 0.
126 = 0.
sim (Q.
= 1.
013 x 0.
336 = 0.
342 = 0.
sim (Q.
= 1.
013 x 0.
070 = 0.
071 = 0.
sim (Q.
= 1.
013 x 0.
183 = 0.
186 = 0.
sim (Q.
= 1.
013 x 0.
284= 0.
291 = 0.
Jadi, urutan wisata yang menjadi rekomendasi dari atribut AupiknikAy.
AupantaiAy.
AusungaiAy.
AusepiAy dapat dilihat pada Tabel 9.
Tabel 9.
Hasil Rekomendasi
Doc
D32
D30
D43
D25
D31
D24
D20
D42
D41
D28
Nama Wisata Pantai Raja Muda Pantai Kupang Wisata Pantai Kaloy Pemandian Sungai Gunung Pandan Pantai Pusong Sium Pemandian Alam Batu Bedulang Kolam Renang Tirta Pertamina Rantau Wisata DAM Sungai Rengas TPI Tanjung Keramat Batu Bukit Kapur Kaloy Pantai Baling Karang Rangking Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Desember 2024.
Hal.
https://jiki.
jurnal-id.
D44
D27
D29
D23
D40
D26
D39
D14
D37
D19
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Wisata Sungai Bampo Air Terjun Gunung Pandan Pantai Alur Nunang Pantai Ketapang Pemandian Air Panas Kaloy TPI Alur Nunang Pemandian Tualang Niat Taman Wisata Cucu Kakek Kolam Renang Folenda Water Park Air Terjun Keramat Situs Sejarah Bukit Kerang Kolam Renang Palm Garden Park Urutan wisata yang menjadi rekomendasi berdasarkan atribut "piknik", "pantai", "sungai", dan "sepi" ditampilkan pada Tabel 9, dengan peringkat tertinggi diraih oleh Pantai Raja Muda (D.
, diikuti oleh Pantai Kupang (D.
dan Wisata Pantai Kaloy (D.
Sistem ini menunjukkan kemampuan metode content-based filtering dalam memahami preferensi pengguna dengan menganalisis fitur dari ulasan yang relevan.
Hasil ini memperlihatkan bahwa sistem dapat memberikan rekomendasi yang relevan dan sesuai dengan atribut pilihan pengguna.
Dengan sistem ini, wisatawan dapat dengan mudah menemukan destinasi yang sesuai dengan minat mereka, yang pada akhirnya meningkatkan pengalaman wisata secara keseluruhan.
Sebagai contoh, bagi pengguna yang mencari tempat dengan atribut hiking dan adventure, sistem ini mampu menyarankan destinasi seperti Air Terjun Sangkapane, yang memenuhi kriteria tersebut.
Pendekatan ini tidak hanya meningkatkan kepuasan wisatawan tetapi juga memiliki potensi untuk mendorong mereka merekomendasikan destinasi kepada orang lain, sehingga dapat berdampak positif pada sektor pariwisata daerah.
Dibandingkan dengan penelitian serupa, seperti studi oleh Yohana Imelda Lubis.
Dohar Josua Napitupulu, dan Arie Satia Dharma .
, yang menggunakan metode hybrid filtering, pendekatan content-based filtering ini memiliki kelebihan dalam hal kesederhanaan penerapan.
Penelitian mereka menunjukkan bahwa metode hybrid filtering, yang menggabungkan content-based filtering dan collaborative filtering, memberikan akurasi lebih tinggi dengan nilai MAE terendah .
,3.
dibandingkan kedua metode tersebut secara terpisah.
Namun, hybrid filtering memerlukan data pengguna yang lebih luas, seperti riwayat kunjungan atau penilaian sebelumnya, yang seringkali sulit tersedia di sektor pariwisata daerah.
Sebaliknya, sistem rekomendasi yang dikembangkan dalam penelitian ini hanya memerlukan atribut pilihan pengguna untuk memberikan rekomendasi.
Hal ini membuat metode content-based filtering lebih sederhana untuk diterapkan, terutama di daerah dengan data yang terbatas, namun tetap mampu memberikan hasil yang relevan dan sesuai preferensi pengguna.
Dalam konteks sektor pariwisata, metode content-based filtering menunjukkan keunggulan dibandingkan collaborative filtering, yang sangat bergantung pada keberadaan data riwayat pengguna lainnya.
Sebagai pengembangan lebih lanjut, penelitian ini dapat dibandingkan dengan sistem berbasis machine learning atau deep learning, yang menggunakan pendekatan pemrosesan data ulasan untuk menghasilkan rekomendasi yang lebih canggih.
Namun, pendekatan tersebut cenderung membutuhkan infrastruktur dan sumber daya komputasi yang lebih tinggi.
Sistem berbasis content-based filtering ini tetap relevan karena menawarkan keseimbangan antara akurasi rekomendasi dan kemudahan implementasi, yang sesuai dengan kebutuhan pariwisata daerah seperti di Aceh Tamiang.
Berikut ini adalah tampilan GUI dari implementasi metode content-based filtering:
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Desember 2024.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Gambar 2.
Halaman Pilih Atribut Gambar 3.
Hasil Rekomendasi
KESIMPULAN
Sistem rekomendasi wisata berbasis web ini menggunakan metode content-based filtering dengan pendekatan TF-IDF dan cosine similarity, dirancang untuk memberikan rekomendasi objek wisata di Aceh Tamiang berdasarkan atribut ulasan Google Maps yang relevan dengan preferensi pengguna.
Penelitian ini menunjukkan bahwa metode tersebut efektif dalam menghasilkan rekomendasi wisata yang relevan, dengan hasil rekomendasi seperti Pantai Raja Muda.
Pantai Kupang, dan Wisata Pantai Kaloy untuk atribut "piknik", "pantai", "sungai", dan "sepi".
Sistem ini berpotensi meningkatkan pengalaman wisata pengguna sekaligus mendorong promosi pariwisata lokal.
Kontribusi utama penelitian ini adalah penerapan metode yang efisien meski dengan data terbatas.
Namun, sistem memiliki keterbatasan seperti bergantung pada satu metode filtering dan ulasan yang tidak selalu representatif.
Penelitian selanjutnya disarankan untuk mengembangkan pendekatan hybrid filtering, memperluas data ulasan, dan menambahkan fitur analitik untuk meningkatkan akurasi dan relevansi
DAFTAR PUSTAKA