Pengembangan Sistem Rekomendasi Kuliner Berbasis Web Di Daerah Istimewa Yogyakarta Dengan Pendekatan Content-Based Filtering, Collaborative Filtering, Dan Analisis Sentimen

Sambayon, Lyan Nandyan Dwiamoro Styo (2026) Pengembangan Sistem Rekomendasi Kuliner Berbasis Web Di Daerah Istimewa Yogyakarta Dengan Pendekatan Content-Based Filtering, Collaborative Filtering, Dan Analisis Sentimen. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 123220070_Cover - Lyan Nandyan.pdf Download (156kB)
	Text 123220070_Abstrak - Lyan Nandyan.pdf Download (209kB)
	Text 123220070_Halaman Pengesahan - Lyan Nandyan.pdf Download (258kB)
	Text 123220070_Daftar Isi - Lyan Nandyan.pdf Download (131kB)
	Text 123220070_Daftar Pustaka - Lyan Nandyan.pdf Download (186kB)
	Text 123220070_Fulltext - Lyan Nandyan.pdf Restricted to Repository staff only Download (7MB)

Abstract

Pertumbuhan data di era digital menimbulkan masalah kelebihan informasi (information overload) bagi wisatawan dalam memilih destinasi kuliner yang sesuai dengan preferensi pribadi. Pada konteks rekomendasi tempat kuliner, pendekatan Collaborative Filtering (CF) sering menghadapi kendala kelangkaan data (sparsity) dan masalah pengguna baru (cold-start) karena bergantung pada riwayat interaksi pengguna. Sementara itu, Content-Based Filtering (CBF) memiliki keterbatasan dalam menangkap konteks preferensi yang lebih luas karena rekomendasi didasarkan pada kemiripan fitur item. Selain itu, penggunaan rating numerik saja belum mampu merepresentasikan opini pengguna secara menyeluruh. Permasalahan tersebut menunjukkan perlunya pendekatan untuk mengatasi kelemahan metode tunggal seperti sparsity, cold-start, dan keterbatasan konteks preferensi, diperlukan pendekatan hibrida yang mengintegrasikan CF, CBF, dan Analisis Sentimen.
Penelitian ini menggunakan data tempat kuliner di Daerah Istimewa Yogyakarta yang diperoleh melalui proses scraping Google Maps dengan total 1.428.664 ulasan mentah. Pendekatan yang digunakan adalah Hybrid Filtering yang mengombinasikan Content-Based Filtering, Collaborative Filtering, dan Analisis Sentimen. Pada pendekatan CBF, representasi fitur tempat kuliner diperoleh menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dan dihitung kemiripannya menggunakan Cosine Similarity. Pada pendekatan CF, prediksi rekomendasi dilakukan menggunakan algoritma Extended K-Nearest Neighbors Collaborative Filtering (ExtKNNCF) berbasis parameter kognisi pengguna. Analisis sentimen dilakukan menggunakan model IndoBERT untuk memperoleh skor sentimen dari ulasan pengguna. Skor rekomendasi kemudian digabungkan melalui mekanisme Switching Hybrid untuk mengombinasikan CF dan CBF, serta Weighted Hybridization untuk mengintegrasikan hasil hibrida dasar dengan skor sentimen. Evaluasi kinerja model dilakukan menggunakan metrik Hit Rate (HR@K) dan Mean Reciprocal Rank (MRR@K).
Hasil penelitian menunjukkan bahwa dataset kuliner memiliki tingkat sparsity ekstrem sebesar 0,996246 dengan dominasi pengguna cold-start sebesar 80,9%. Kondisi tersebut menyebabkan model CF murni memperoleh kinerja terendah dengan nilai rata-rata HR sebesar 0,0626 dan MRR sebesar 0,0155. Model CBF menunjukkan kinerja yang lebih stabil dengan nilai rata-rata HR sebesar 0,4726 dan MRR sebesar 0,2119. Performa terbaik diperoleh model Weighted Hybrid dengan nilai rata-rata keseluruhan HR sebesar 0,4853 dan MRR sebesar 0,2342. Capaian tersebut diperoleh pada kombinasi bobot 0,2 untuk komponen sentimen dan 0,8 untuk komponen hibrida dasar. Berdasarkan hasil evaluasi tersebut, integrasi Analisis Sentimen pada pendekatan Hybrid Filtering mampu meningkatkan akurasi dan kualitas pemeringkatan rekomendasi kuliner, terutama pada kondisi data yang memiliki sparsity tinggi, dominasi pengguna cold-start, dan keterbatasan konteks preferensi pengguna.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Sistem Rekomendasi, Hybrid Filtering, Content-Based Filtering, Collaborative Filtering, Analisis Sentimen, IndoBERT, Cold-Start.
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	15 Oct 2026 04:33
Last Modified:	15 Oct 2026 04:33
URI:	http://eprints.upnyk.ac.id/id/eprint/49928

Actions (login required)

View Item