PENGEMBANGAN SISTEM REKOMENDASI MAKANAN DENGAN ALGORITMA CONTENT BASED FILTERING DAN COLLABORATIVE FILTERING
-
Latar belakang
Makanan sangat penting bagi manusia, baik sebagai kebutuhan primer maupun sebagai komponen kehidupan sehari-hari seseorang. Kemerosotan ekonomi yang telah mempengaruhi beberapa industri telah menyebabkan peluang baru yang membuat industri kuliner, khususnya divisi online-nya, semakin sukses. Wisata kuliner menjadi hal terpenting di dunia kuliner. Memanfaatkan informasi yang tersedia di internet membuat banyak masyarakat lebih sulit untuk memilih kebutuhan mereka [1].
Overchoice, juga dikenal sebagai overload of choices, adalah gangguan kognitif di mana orang merasa sulit untuk membuat keputusan ketika dihadapkan dengan sejumlah besar pilihan. Mereka sering memiliki banyak pilihan yang sangat melelahkan secara mental karena setiap opsi harus dipertimbangkan dengan cermat untuk memilih opsi terbaik. Selama periode kemajuan teknologi ini, setiap orang dihadapkan pada pilihan yang jumlahnya tak terbatas. Fenomena ini, yang dikenal sebagai overload of choice, semakin banyak terjadi dalam kehidupan sehari-hari, seperti memilih makanan di suatu restoran. Pelanggan disajikan dari berbagai pilihan menu, termasuk snack, dessert, beverage, dan makanan lainnya yang sesuai [2].
Setiap item makanan dalam kategori tersebut memiliki rasa dan harga unik yang juga bervariasi. Pertimbangan-pertimbangan ini menciptakan kompleksitas dalam arti bahwa pengguna dipaksa untuk mengeluarkan lebih banyak waktu dan energi untuk mendapatkan makanan yang sesuai. Selain itu, akan timbul keraguan dan kecemasan yang akan mengakibatkan memilih makanan yang tidak disukai dan takut kecewa akan pilihannya. Berdasarkan masalah tersebut, Sistem Rekomendasi diperlukan untuk membantu dalam memilih makanan yang diinginkan [2].
Sistem rekomendasi adalah sistem yang menyarankan informasi yang berguna atau menunjukkan apa yang perlu dilakukan oleh pengguna untuk mencapai tujuan, yang bisa berupa memilih produk yang diinginkan. Dengan demikian, pelanggan dapat memilih produk yang lebih mudah beradaptasi dan lebih efektif dalam mengevaluasi produk yang diperlukan. Secara umum, ada tiga sistem rekomendasi yang banyak digunakan yaitu: Content Based (CB), Collaborative Filtering (CF), dan Hybrid [1].
-
Rumusan Masalah dan Solusi Permasalahan
Banyaknya pilihan makanan yang tersedia di restoran dapat membuat pelanggan yang berkunjung merasa ragu untuk memilih makanan, dan fenomena overchoice pun tidak dapat dihindari. Salah satu solusi untuk memastikan kepuasan pelanggan adalah pelayan atau pramusaji merekomendasikan item menu kepada pelanggan. Namun, ini juga menyebabkan mereka menjadi letih dan gagal mengenali preferensi setiap pelanggan. Tidak setiap pelanggan memiliki preferensi yang sama dengan pelayan atau pramusaji. Sebaliknya, setiap pelanggan memiliki preferensi unik yang berbeda dari pelanggan lain, serta lamanya waktu yang dibutuhkan oleh pelanggan yang mengalami fenomena overchoice, yang menyebabkan pelayan menjadi 'menyerah' ketika melayani pelanggan.
Karena itu, sistem rekomendasi hybrid diperlukan untuk menyarankan makanan yang tersedia di restoran kepada pelanggan untuk membantu mereka dalam memilih makanan yang mereka inginkan, menghemat waktu mereka ketika pemesanan menu, dan membantu restoran dalam memahami perilaku pelanggan. Dalam proyek ini, peneliti mengabaikan semua menu minuman pada restoran dikarenakan jumlah menu minuman yang tersedia pada restoran hanya tersedia beberapa buah menu minuman dan dianggap terlalu sedikit untuk dimasukkan kedalam sistem yang baru.
-
Hasil Riset Terkait
Dalam jurnal yang berjudul "SISTEM REKOMENDASI MENU MINUMAN DENGAN METODE CONTENT–BASED FILTERING BERBASIS ANDROID PADA MUBTADA KOPI" yang dipublikasikan oleh Kosim dan Reza Prihandi(2024) dijelaskan bahwa Overchoice adalah gangguan kognitif di mana orang mengalami kesulitan membuat keputusan ketika dihadapkan dengan banyak pilihan, memiliki terlalu banyak pilihan yang setara sangat menguras mental karena setiap pilihan harus mempertimbangkan beberapa alternatif untuk memilih pilihan yang terbaik. Pada masa perkembangan teknologi ini dimana setiap harinya semua orang dihadapkan oleh pilihan yang tidak terhingga jumlahnya, fenomena overchoice ini kerap terjadi dalam kehidupan sehari–hari seperti memilih minuman pada salah satu kedai café, maka dari itu Recommendation System diperlukan untuk membantu dalam memilih minuman yang ingin dipesan dan untuk membantu dalam memilih pilihan lainnya. Teknik content–based filtering akan mencoba mengambil preferensi pengguna secara eksplisit yaitu meminta pengguna untuk memilih preferensi yang diinginkan pengguna dari ke-6 fitur yang sudah dibuat sebelumnya lalu dihitung kecocokan preferensi pengguna dengan ke-6 fitur pada masing-masing–masing item menggunakan rumus dotmatrix. Setelah mendapatkan hasilnya, angka tersebut akan dirubah menjadi sebuah rating agar sesuai dengan pendekatan Recommendation System yaitu best rated yang dibuat secara non-personalized. Rating ini merupakan indikasi kecocokan preferensi pengguna dengan item yang terdapat pada daftar menu Mubtada Kopi. Semakin besar ratingnya, semakin cocok dengan preferensi pengguna [2].
-
Apakah sistem rekomendasi hybrid dapat menjadi solusi yang efektif untuk merekomendasikan makanan kepada pelanggan yang sesuai dengan keinginannya?
-
Bagaimana tahapan dalam pembuatan sistem rekomendasi hybrid yang akan merekomendasikan makanan sesuai preferensi pelanggan?
-
Tujuan yang dimaksudkan adalah untuk membantu pelayan agar tidak bingung dalam merekomendasikan makanan, dikarenakan selera orang terkadang berbeda-beda. Solusi yang dihasilkan harus dapat memaksimalkan rekomendasi yang diberikan sekaligus memastikan rekomendasi tersebut dapat diterima dengan baik oleh pelanggan.
-
Tujuan utamanya adalah untuk mengembangkan model atau sistem rekomendasi yang dapat mengidentifikasi dan merekomendasikan makanan untuk menyesuaikan dengan preferensi pelanggan. Tujuan proses rekomendasi ini adalah untuk memberikan lebih banyak makanan yang sesuai minat dan bagaimana mengidentifikasi karakteristik pelanggan, seperti makanan yang disukai sebelumnya dan kemiripan selera dengan pelanggan lain yang mempengaruhi nilai rekomendasi.
- Menggunakan pendekatan Content Based Filtering untuk merekomendasikan makanan ke pelanggan sesuai minat sebelumnya dan Collaborative Filtering untuk merekomendasikan makanan ke pelanggan sesuai persamaan kesukaan dengan pelanggan lain. Hal ini bertujuan untuk melakukan rekomendasi dengan memanfaatkan kekuatan masing-masing model. Evaluasi model dapat menggunakan metrik seperti Precision dan Root Mean Squared Error (RMSE) untuk mengukur seberapa baik model merekomendasi makanan.
Data yang digunakan dalam proyek ini bersumber dari Kaggle-Food Recommendation System
Jumlah data pada dataset foods.csv sebanyak 400 data, yang terbagi dalam 5 kolom. Kolom pertama yaitu 'Food_ID' yang di rename menjadi 'id_makanan' memiliki 400 data unik bertipe integer, kolom 'Name' yang di rename menjadi 'nama_makanan' memiliki 400 data unik bertipe object, kolom 'C_Type' yang di rename menjadi 'jenis_makanan' memiliki 400 data bertipe object dengan 16 jenis makanan yang unik, kolom 'Veg_Non' yang di rename menjadi 'veg_non' memiliki 400 data bertipe object, kolom 'Describe' yang di rename menjadi 'deskripsi' memiliki 400 data unik bertipe object. Dataset dapat lebih lanjut dilihat pada Tabel 1 dan 2.
Tabel 1. Dataset foods.csv sebelum di rename
| Food_ID | Name | C_Type | Veg_Non | Describe | |
|---|---|---|---|---|---|
| 0 | 1 | summer squash salad | Healthy Food | veg | white balsamic vinegar, lemon juice, lemon rin... |
| 1 | 2 | chicken minced salad | Healthy Food | non-veg | olive oil, chicken mince, garlic (minced), oni... |
| 2 | 3 | sweet chilli almonds | Snack | veg | almonds whole, egg white, curry leaves, salt, ... |
| 3 | 4 | tricolour salad | Healthy Food | veg | vinegar, honey/sugar, soy sauce, salt, garlic ... |
| 4 | 5 | christmas cake | Dessert | veg | christmas dry fruits (pre-soaked), orange zest... |
| ... | ... | ... | ... | ... | ... |
| 395 | 396 | Kimchi Toast | Korean | veg | cream cheese, chopped kimchi, scallions,count... |
| 396 | 397 | Tacos de Gobernador (Shrimp, Poblano, and Chee... | Mexican | non-veg | poblano chiles, bacon, shrips, red salsa, garl... |
| 397 | 398 | Melted Broccoli Pasta With Capers and Anchovies | French | non-veg | broccoli,Bread Crumbs, anchovy fillets, garli... |
| 398 | 399 | Lemon-Ginger Cake with Pistachios | Dessert | non-veg | egg yolks,lemon juice, unsalted butter, all pu... |
| 399 | 400 | Rosemary Roasted Vegetables | Healthy Food | veg | kosher salt, rosemary, garlic, potato, olive o... |
Tabel 2. Dataset foods.csv setelah di rename
| id_makanan | nama_makanan | jenis_makanan | veg_non | deskripsi | |
|---|---|---|---|---|---|
| 0 | 1 | summer squash salad | Healthy Food | veg | white balsamic vinegar, lemon juice, lemon rin... |
| 1 | 2 | chicken minced salad | Healthy Food | non-veg | olive oil, chicken mince, garlic (minced), oni... |
| 2 | 3 | sweet chilli almonds | Snack | veg | almonds whole, egg white, curry leaves, salt, ... |
| 3 | 4 | tricolour salad | Healthy Food | veg | vinegar, honey/sugar, soy sauce, salt, garlic ... |
| 4 | 5 | christmas cake | Dessert | veg | christmas dry fruits (pre-soaked), orange zest... |
| ... | ... | ... | ... | ... | ... |
| 395 | 396 | Kimchi Toast | Korean | veg | cream cheese, chopped kimchi, scallions,count... |
| 396 | 397 | Tacos de Gobernador (Shrimp, Poblano, and Chee... | Mexican | non-veg | poblano chiles, bacon, shrips, red salsa, garl... |
| 397 | 398 | Melted Broccoli Pasta With Capers and Anchovies | French | non-veg | broccoli,Bread Crumbs, anchovy fillets, garli... |
| 398 | 399 | Lemon-Ginger Cake with Pistachios | Dessert | non-veg | egg yolks,lemon juice, unsalted butter, all pu... |
| 399 | 400 | Rosemary Roasted Vegetables | Healthy Food | veg | kosher salt, rosemary, garlic, potato, olive o... |
Jumlah data pada dataset ratings.csv sebanyak 512 data, yang terbagi dalam 3 kolom. Kolom pertama yaitu 'User_ID' yang di rename menjadi 'user_id' memiliki 512 data bertipe integer dengan 101 data yang unik, kolom 'Food_ID' yang di rename menjadi 'id_makanan' memiliki 512 data bertipe integer dengan 310 data yang unik, kolom 'Rating' yang di rename menjadi 'rating' memiliki 512 data bertipe integer. Terdapat 1 nilai NaN pada dataset ini. Dataset dapat lebih lanjut dilihat pada Tabel 3 dan 4.
Tabel 3. Dataset ratings.csv sebelum di rename
| User_ID | Food_ID | Rating | |
|---|---|---|---|
| 0 | 1.0 | 88.0 | 4.0 |
| 1 | 1.0 | 46.0 | 3.0 |
| 2 | 1.0 | 24.0 | 5.0 |
| 3 | 1.0 | 25.0 | 4.0 |
| 4 | 2.0 | 49.0 | 1.0 |
| ... | ... | ... | ... |
| 507 | 99.0 | 22.0 | 1.0 |
| 508 | 100.0 | 24.0 | 10.0 |
| 509 | 100.0 | 233.0 | 10.0 |
| 510 | 100.0 | 29.0 | 7.0 |
| 511 | NaN | NaN | NaN |
Tabel 4. Dataset ratings.csv setelah di rename
| user_id | id_makanan | rating | |
|---|---|---|---|
| 0 | 1.0 | 88.0 | 4.0 |
| 1 | 1.0 | 46.0 | 3.0 |
| 2 | 1.0 | 24.0 | 5.0 |
| 3 | 1.0 | 25.0 | 4.0 |
| 4 | 2.0 | 49.0 | 1.0 |
| ... | ... | ... | ... |
| 507 | 99.0 | 22.0 | 1.0 |
| 508 | 100.0 | 24.0 | 10.0 |
| 509 | 100.0 | 233.0 | 10.0 |
| 510 | 100.0 | 29.0 | 7.0 |
| 511 | NaN | NaN | NaN |
Tabel 5. Deskripsi dataset ratings.csv
| user_id | id_makanan | rating | |
|---|---|---|---|
| count | 511.000000 | 511.000000 | 511.000000 |
| mean | 49.068493 | 125.311155 | 5.438356 |
| std | 28.739213 | 91.292629 | 2.866236 |
| min | 1.000000 | 1.000000 | 1.000000 |
| 25% | 25.000000 | 45.500000 | 3.000000 |
| 50% | 49.000000 | 111.000000 | 5.000000 |
| 75% | 72.000000 | 204.000000 | 8.000000 |
| max | 100.000000 | 309.000000 | 10.000000 |
Pada tabel 5 untuk rata-rata rating yaitu berada pada angka 5,4 bintang dengan skala bintang dari 1-10.
Dataset foods.csv
- id_makanan : Nomor id dari masing-masing makanan.
- nama_makanan : Nama dari masing-masing makanan dari sebuah restoran.
- jenis_makanan : Jenis makanan apakah makanan tersebut termasuk 'Healthy_Food' 'Snack' 'Dessert' 'Japanese' 'Indian' 'French' 'Mexican' 'Italian' 'Chinese' 'Beverage' 'Thai' 'Korean' 'Vietnames' 'Nepalese' 'Spanish'.
- veg_non : Mengidentifikasi apakah makanan tersebut termasuk dalam Vegan atau Non-Vegan.
- deskripsi : Deskripsi komposisi dari makanan.
Dataset ratings.csv
- user_id : Nomor id pelanggan yang memberikan rating pada makanan.
- id_makanan : Nomor id dari masing-masing makanan.
- rating : Rating dari pelanggan tentang makanan tersebut.
-
Variabel nama_makanan
Setelah variabel nama_makanan dieskplorasi, terdapat total 400 jumlah data makanan yang unik, diantaranya adalah sebagai berikut:
'summer squash salad' 'chicken minced salad' 'sweet chilli almonds' 'tricolour salad' 'christmas cake' 'japanese curry arancini with barley salsa' 'chocolate nero cookies' 'lamb and chargrilled bell pepper soup' 'cream of almond soup''broccoli and almond soup' 'coconut lime quinoa salad' 'lemon honey glazed sous vide corn on the cob' 'watermelon and strawberry smoothie' 'peach, raspberry and nuts smoothie' 'almond and cranberry poha' 'almond and raw banana galawat' etc.
-
Variabel jenis_makanan
Setelah variabel nama_makanan dieksplorasi, terdapat total 15 jumlah data jenis makanan yang unik, diantaranya adalah:
'Healthy_Food' 'Snack' 'Dessert' 'Japanese' 'Indian' 'French' 'Mexican' 'Italian' 'Chinese' 'Beverage' 'Thai' 'Korean' 'Vietnames' 'Nepalese' 'Spanish'.
-
Menghapus missing value
Dari hasil output, terlihat bahwa baris terakhir dataset ratings.csv memiliki nilai missing value. Dengan menggunakan teknik dropna, sekarang DataFrame ratings tidak mengandung baris dengan missing value.
Tabel 6. Dataset sudah bersih dari missing value
user_id id_makanan rating 0 1.0 88.0 4.0 1 1.0 46.0 3.0 2 1.0 24.0 5.0 3 1.0 25.0 4.0 4 2.0 49.0 1.0 ... ... ... ... 506 99.0 65.0 7.0 507 99.0 22.0 1.0 508 100.0 24.0 10.0 509 100.0 233.0 10.0 510 100.0 29.0 7.0
-
Menggabungkan dataset foods.csv dan ratings.csv
Menggunakan library pandas dan fungsi merge() untuk menggabungkan dataset dengan kolom id_makanan sebagai acuan penggabungan.
Tabel 7. Dataset setelah digabung
id_makanan nama_makanan jenis_makanan veg_non dskripsi user_id rating 0 1 summer squash salad Healthy_Food veg white balsamic vinegar, lemon juice, lemon rin... 49.0 5.0 1 1 summer squash salad Healthy_Food veg white balsamic vinegar, lemon juice, lemon rin... 71.0 10.0 2 2 chicken minced salad Healthy_Food non-veg olive oil, chicken mince, garlic (minced), oni... 9.0 3.0 3 2 chicken minced salad Healthy_Food non-veg olive oil, chicken mince, garlic (minced), oni... 22.0 5.0 4 2 chicken minced salad Healthy_Food non-veg olive oil, chicken mince, garlic (minced), oni... 39.0 10.0 ... ... ... ... ... ... ... ... 597 396 Kimchi Toast Korean veg cream cheese, chopped kimchi, scallions,count... NaN NaN 598 397 Tacos de Gobernador (Shrimp, Poblano, and Chee... Mexican non-veg poblano chiles, bacon, shrips, red salsa, garl... NaN NaN 599 398 Melted Broccoli Pasta With Capers and Anchovies French non-veg broccoli,Bread Crumbs, anchovy fillets, garli... NaN NaN 600 399 Lemon-Ginger Cake with Pistachios Dessert non-veg egg yolks,lemon juice, unsalted butter, all pu... NaN NaN 601 400 Rosemary Roasted Vegetables Healthy_Food veg kosher salt, rosemary, garlic, potato, olive o... NaN NaN Pada tabel 7, setelah membuat DataFrame baru bernama foods_all yang terdiri gabungan dari dataset foods.csv dan ratings_csv ternyata terdapat total 91 missing value pada fitur 'user_id' dan 'rating'. Langkah selanjutnya yaitu membersihkan missing value tersebut dengan fungsi dropna(). Hasil dapat dilihat pada tabel 8 dengan total data yang tersisa sebanyak 511 baris.
Tabel 8. Dataset foods_all sudah bersih dari missing value
id_makanan nama_makanan jenis_makanan veg_non deskripsi user_id rating 0 1 summer squash salad Healthy_Food veg white balsamic vinegar, lemon juice, lemon rin... 49.0 5.0 1 1 summer squash salad Healthy_Food veg white balsamic vinegar, lemon juice, lemon rin... 71.0 10.0 2 2 chicken minced salad Healthy_Food non-veg olive oil, chicken mince, garlic (minced), oni... 9.0 3.0 3 2 chicken minced salad Healthy_Food non-veg olive oil, chicken mince, garlic (minced), oni... 22.0 5.0 4 2 chicken minced salad Healthy_Food non-veg olive oil, chicken mince, garlic (minced), oni... 39.0 10.0 ... ... ... ... ... ... ... ... 506 305 sunga pork Japanese veg curry 56.0 9.0 507 306 banana chips Snack veg dried slices of bananas (fruits of herbaceous ... 80.0 8.0 508 307 bhurji- egg Indian non-veg made using indian spices, onion, tomatoes, gre... 71.0 1.0 509 308 flattened rice / poha Indian veg dehusked rice which is flattened into flat lig... 97.0 3.0 510 309 puffed rice Snack veg grain made from rice; usually made by heating ... 32.0 5.0 -
Mengkonversi data pada kolom 'id_makanan', 'nama_makanan', dan 'jenis_makanan' menjadi bentuk list dan membuat dictionary untuk menentukan pasangan key-value antara ketiga kolom tersebut. Hasil dapat dilihat pada tabel 9.
Tabel 9. Data sudah siap untuk dimasukkan dalam permodelan
id_makanan nama_makanan jenis_makanan 0 1 summer squash salad Healthy_Food 1 1 summer squash salad Healthy_Food 2 2 chicken minced salad Healthy_Food 3 2 chicken minced salad Healthy_Food 4 2 chicken minced salad Healthy_Food ... ... ... ... 506 305 sunga pork Japanese 507 306 banana chips Snack 508 307 bhurji- egg Indian 509 308 flattened rice / poha Indian 510 309 puffed rice Snack -
TF-IDF Vectorizer
Teknik untuk pembobotan kata-kata disebut Term Frequency-Inverse Document Frequency (TF-IDF), yang menentukan seberapa sering sebuah kata muncul di setiap dokumen serta di semua dokumen. Term Frequency (TF) dan Inverse Document Frequency (IDF) membentuk TF-IDF. Nilai yang disebut "Term Frequency" menunjukkan seberapa sering istilah tertentu muncul dalam dokumen. Berat istilah meningkat seiring dengan berapa kali istilah tersebut muncul dalam dokumen. Hal ini penting dilakukan karena tujuan dari Inverse Document Frequency (IDF) adalah untuk mengurangi bobot istilah jika muncul di setiap dokumen. Berbeda dengan TF, nilainya meningkat dengan menurunnya frekuensi kata dalam dokumen [3]. Setelah TF-IDF diterapkan pada 'nama_makanan' dan 'jenis_makanan', hasilnya terdapat pada tabel 10.
Tabel 10. Output matriks TF-IDF
japanese italian mexican chinese snack beverage indian dessert thai healthy_food nama_makanan malabari fish curry 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 mustard-parmesan whole roasted cauliflower 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 banana walnut smoothie 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 chicken gilafi kebab 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 fish ambultiyal 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 easy bread poha 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 fish curry 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 red rice poha 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 grilled lemon margarita 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 broccoli souffle 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 rice 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 beetroot modak 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 sweet potato pie 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 Output matriks TF-IDF pada tabel 10 menunjukkan makanan mustard-parmesan whole roasted cauliflower memiliki kategori 'healthy_food'. Hal ini terlihat dari nilai matriks 1.0 pada kategori 'healthy_food'. Selanjutnya, makanan chicken gilafi kebab termasuk dalam kategori 'indian'. Sedangkan, makanan beetroot modak termasuk dalam kategori 'japanese'. Demikian seterusnya.
-
Cosine Similarity
Kosinus sudut yang dibentuk oleh dua benda atau vektor dalam ruang dimensi-n ditentukan oleh skor cosine similarity. Sudut antara vektor riwayat berita pembaca pada data uji dan pembaca pada data pelatihan ditentukan dengan menggunakan skor cosine similarity. Kedua vektor identik jika sudutnya nol atau skor kosinus adalah 1. Sebaliknya, kedua vektor berbeda secara signifikan satu sama lain jika skor kosinus menampilkan -1, atau sudut 180 derajat. Pada tahap ini, penting dilakukan dengan menghitung cosine similarity dataframe tfidf_matrix yang telah diperoleh pada tahapan sebelumnya. Dengan satu baris kode untuk memanggil fungsi cosine similarity dari library sklearn, telah berhasil menghitung kesamaan (similarity) antar makanan. Kode akan menghasilkan output berupa matriks kesamaan dalam bentuk array [3].
Tabel 11. Output hasil perhitungan cosine similirarity
nama_makanan malabari fish curry grilled lemon margarita dahi chicken chicken palwal braised lamb shanks hot chocolate sweet potato and quinoa bowl baked multigrain murukku duo of chocolate and strawberry lemon poppy seed cake lamb korma detox haldi tea baked shankarpali camel milk cake tart holi special malai kofta nama_makanan bread chana basket 1.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 cream of almond soup 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 chocolate fudge cookies 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 moong dal kiwi coconut soup 1.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 spicy creamy kadai chicken 1.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 bengali lamb curry 1.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 orange quinoa sevaiyan 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 hot chocolate 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 sweet potato and quinoa bowl 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 ragi oats ladoo (laddu) 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 chicken biryani 1.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 Pada tabel 11, Angka 1.0 mengindikasikan bahwa makanan pada kolom X (horizontal) memiliki kesamaan dengan makanan pada baris Y (vertikal). Sebagai contoh, makanan bread chana basket dan moong dal kiwi coconut soup teridentifikasi sama (similar) dengan makanan malabari fish curry. Contoh lain, makanan spicy creamy kadai chicken teridentifikasi mirip dengan makanan dahi chicken.
-
Train-Test-Split
Proses membagi himpunan data menjadi data pelatihan dan pengujian adalah langkah yang diperlukan sebelum membuat model. Hal ini penting dilakukan untuk memperkuat semua data yang tersedia untuk menilai beberapa generalisasi model ke data baru. Tercatat bahwa setiap transformasi data yang dilakukan juga berfungsi sebagai komponen model. Karena data test set (uji) mentah, semua transformasi harus dilakukan pada data latih. Data dibagi menjadi 80% data training dan 20% data testing.
[[ 35 19]
[ 60 232]
[ 66 244]
...
[ 73 52]
[ 30 64]
[ 61 235]] [0.22222222 0.55555556 0.11111111 0.22222222 0.33333333 ... ]
-
Proses encoding
Pada tahap ini diperlukan proses menyandikan (encode) fitur ‘user_id’ dan ‘id_makanan’ ke dalam indeks integer. Memetakan ‘user_id’ dan ‘id_makanan’ ke dataframe yang berkaitan. Mengecek beberapa hal dalam data seperti jumlah user, jumlah makanan, kemudian mengubah nilai rating menjadi float.
- 100
- 309
- Number of User: 100, Number of Food: 309, Min Rating: 1.0, Max Rating: 10.0
Model akan dikembangkan dengan 2 metode yang berbeda. Kedua metode tersebut adalah sebagai berikut:
-
Content Based Filtering
Sistem rekomendasi Content Based Filtering menyarankan produk yang mirip dengan produk yang disukai pengguna sebelumnya. Nilai item ditentukan dengan mempertimbangkan fitur yang ada di setiap konten. Sistem rekomendasi knowledge-based menyarankan item berdasarkan pengetahuan domain pengguna tentang fitur apa yang tersedia dalam item dan bagaimana pengguna dapat memenuhi kebutuhan dan berguna bagi pengguna. Nilai kesamaan dihitung berdasarkan besarnya nilai kesamaan antara kebutuhan pengguna dan rekomendasi yang ada. Ada dua pendekatan yang tersedia dalam metode rekomendasi knowledge-based yaitu case based dan constraint-based. Kesamaan antara kedua pendekatan ini adalah bahwa pengguna harus mengirimkan permintaan sesegera mungkin. Selanjutnya, sistem akan mengidentifikasi solusi yang paling sesuai dengan kebutuhan pengguna [1]. Seperti yang terlihat pada gambar 3.
Gambar 1. Metode Content Based Filtering
(Sumber: https://www.google.com/url?sa=i&url=https%3A%2F%2Fdqlab.id)
Mendapatkan rekomendasi dengan metode content based filtering
Setelah memiliki data similarity (kesamaan) antar makanan, tahap selanjutnya ialah menghasilkan sejumlah makanan yang akan direkomendasikan kepada pelanggan. Membuat fungsi food_recommendations dengan beberapa parameter sebagai berikut:
- makanan : Nama makanan (index kemiripan dataframe).
- Similarity_data : Dataframe mengenai similarity yang telah didefinisikan sebelumnya.
- Items : Nama dan fitur yang digunakan untuk mendefinisikan kemiripan, dalam hal ini adalah ‘nama_makanan’ dan ‘jenis_makanan’.
- k : Banyak rekomendasi yang ingin diberikan (dalam kasus ini adalah 5).
Percobaan pertama adalah rekomendasi makanan yang mirip dengan sweet potato pie:
Tabel 12. Mencari reomendasi yang mirip dengan makanan sweet potato pie
id_makanan nama_makanan jenis_makanan 413 225 sweet potato pie Dessert sweet potato pie masuk dalam kategori jenis makanan dessert. Tentunya diharapkan rekomendasi yang diberikan adalah makanan dengan kategori yang mirip. Lalu panggil fungsi food_recommendations. Hasilnya dapat dilihat pada tabel 13.
Tabel 13. Mendapatkan reomendasi yang mirip dengan makanan sweet potato pie
nama_makanan jenis_makanan 0 chocolate fudge cookies Dessert 1 homemade gulab jamun Dessert 2 jalebi with fennel yogurt pudding Dessert 3 double chocolate easter cookies Dessert 4 eggless coffee cupcakes Dessert -
Collaborative Filtering
Metode Collaborative Filtering adalah teknik yang memberikan rekomendasi berdasarkan preferensi pengguna atau item serupa lainnya. Dua jenis metode Collaborative Filtering dibedakan menjadi: User Based CF dan Item Based CF. User-Based Collaborative Filtering menyatakan bahwa cara terbaik untuk menemukan item menarik bagi pengguna adalah dengan mencari pengguna lain yang memiliki minat atau kebutuhan yang sama. Algoritma User Based CF dapat mengidentifikasi pengguna yang mirip satu sama lain (user neighbor) dengan mengidentifikasi pengguna yang berbeda satu sama lain (user similarity). Setiap rating yang didapatkan dari pengguna yang bertetangga kemudian akan dijadikan mesin rekomendasi bagi pengguna aktif [1]. Seperti yang terlihat pada gambar 4.
Gambar 2. Metode Collaborative Filtering
(Sumber: https://www.google.com/url?sa=i&url=https%3A%2F%2Fdqlab.id)
Di sisi lain, Item-Based Collaborative Filtering memiliki struktur yang mirip dengan User Based C. Jika pemfilteran user-based sebelumnya menunjukkan korelasi user ke user, maka pemfilteran item-based akan menunjukkan korelasi item yang diminati oleh sistem pengguna lain. Item-item akan terus terakumulasi. Salah satu keuntungan dari metode item-based collaborative filtering adalah kemampuannya untuk mengeksplorasi jejaring sosial implisit, yang berpotensi meningkatkan akurasi rekomendasi yang dibuat.
Mendapatkan rekomendasi makanan dengan metode Collaborative Filtering
Tahap pertama yaitu ambil sampel user secara acak dan definisikan variabel food_not_displayed yang merupakan daftar makanan yang belum pernah dilihat oleh pelanggan. Hal ini dilakukan karena daftar food_not_displayed inilah yang akan menjadi makanan yang direkomendasikan.
10/10 [==============================] - 0s 2ms/step
Showing recommendations for users: 59.0
===========================
Food with high ratings from user
beetroot modak : Japanese
spicy chicken masala : Indian
corn pulao : Indian
homemade gulab jamun : Dessert
jalapeno cheese fingers : Mexican
Top 10 food recommendation
sweet potato and quinoa bowl : Healthy_Food
corn and raw mango salad : Healthy_Food
andhra pan fried pomfret : Indian
christmas chocolate fudge cookies : Dessert
chicken parmigiana with tomato sauce : Italian
pesto fish kebabs : Indian
crunchy vegetable dal sattu croquettes : Italian
active charcoal modak : Japanese
flax seed and beetroot modak : Japanese
black rice : Healthy_Food
Hasil di atas adalah rekomendasi untuk user dengan id 59. Dari output tersebut, didapat perbandingan antara food with high ratings from user dan Top 10 food recommendation untuk user.
Beberapa makanan rekomendasi menyediakan kategori jenis makanan yang sesuai dengan rating user. Diperoleh 2 rekomendasi makanan dengan kategori jenis makanan 'Indian', 3 rekomendasi makanan dengan kategori 'Healthy_Food', 1 rekomendasi makanan kategori 'Dessert', 2 rekomendasi makanan kategori 'Japanese', dan 2 makanan dengan kategori 'Italian'.
-
Kelebihan dan kekurangan Content-Based Filtering:
-- Kelebihan : Personalisasi yang tinggi, metode ini menawarkan rekomendasi yang dipersonalisasi berdasarkan preferensi pengguna dan tidak memerlukan data eksternal, Content-based filtering tidak memerlukan data eksternal atau informasi tentang pengguna lain.
-- Kekurangan : Keterbatasan dalam diversifikasi, Content-based filtering cenderung merekomendasikan item yang sangat mirip dengan item yang telah dipilih pengguna sebelumnya dan mempunyai keterbatasan representasi fitur, efektivitas content-based filtering sangat bergantung pada kualitas representasi fitur item.
-
Kelebihan dan kekurangan Collaborative Filtering:
-- Kelebihan : Tidak memerlukan informasi produk, metode ini tidak memerlukan informasi eksternal tentang item untuk memberikan rekomendasi dan dapat menganalisis interaksi pengguna, metode ini memanfaatkan interaksi pengguna dengan item untuk membuat rekomendasi.
-- Kekurangan : Masalah ketergantungan pada data historis, rekomendasi dalam collaborative filtering sangat bergantung pada data historis interaksi pengguna dengan item dan permasalahan sparsitas data, Collaborative filtering dapat mengalami kesulitan dalam memberikan rekomendasi jika data interaksi antara pengguna dan item sangat jarang.
-
Metrik yang digunakan dalam metode Content Based Filtering adalah Precision
Precision dihitung berdasarkan formula:
$$Precision = \frac{Jumlah\ item\ relevan\ yang\ direkomendasikan}{Jumlah\ total\ item\ yang\ direkomendasikan}$$ Di sini, "item relevan yang direkomendasikan" adalah item-item yang sesuai dengan preferensi atau karakteristik pengguna dan "jumlah total item yang direkomendasikan" adalah total item yang diberikan sebagai rekomendasi oleh sistem.
Formula ini mengukur seberapa banyak item yang direkomendasikan oleh sistem yang memang relevan dengan preferensi atau karakteristik pengguna, dengan nilai precision berkisar dari 0 hingga 1, di mana 1 menunjukkan bahwa semua item yang direkomendasikan adalah relevan.
Tabel 13. Mencari reomendasi yang mirip dengan makanan sweet potato pie
id_makanan nama_makanan jenis_makanan 413 225 sweet potato pie Dessert Tabel 14. Hasil sistem rekomendasi dengan metode Content Based Filtering
nama_makanan jenis_makanan 0 chocolate fudge cookies Dessert 1 homemade gulab jamun Dessert 2 jalebi with fennel yogurt pudding Dessert 3 double chocolate easter cookies Dessert 4 eggless coffee cupcakes Dessert Dari hasil rekomendasi pada tabel 14, diketahui bahwa sweet potato pie termasuk ke dalam kategori Dessert. Dari 5 item yang direkomendasikan, 5 item memiliki kategori Dessert (similar). Artinya, precision sistem tersebut sebesar 5/5 atau 100%. Dengan nilai precision tersebut dapat disimpulkan bahwa sistem rekomendasi ini dapat menyelesaikan masalah preferensi pelanggan.
-
Metrik yang digunakan dalam metode Collborative Filtering adalah RMSE
Root Mean Squared Error (RMSE) adalah salah satu metrik evaluasi yang umum digunakan dalam regresi untuk mengukur seberapa baik model regresi memprediksi nilai target aktual dalam suatu dataset. Metrik ini memberikan gambaran tentang seberapa dekat prediksi model dengan nilai aktual yang diamati.
Gambar 3. Plot akurasi metrik evaluasi RMSE
Pada gambar 3, proses training model cukup smooth dan model konvergen pada epochs sekitar 100. Dari proses ini, diperoleh nilai error akhir sebesar sekitar 0.19 dan error pada data validasi sebesar 0.33. Nilai tersebut cukup bagus untuk sistem rekomendasi.
Root Mean Squared Error (RMSE) dihitung berdasarkan formula:
$$RMSE = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2}$$ Dimana
$n$ adalah angka observasi,$y_i$ adalah nilai aktual, dan$\hat{y}_i$ adalah nilai prediksi.-
Cara Kerja:
-
Untuk setiap pasangan data dalam dataset, hitung selisih antara nilai prediksi yang diberikan oleh model dan nilai aktual yang diamati. Misalkan
$y_i$ adalah nilai aktual, dan$\hat{y}_i$ adalah nilai prediksi yang diberikan oleh model untuk sampel ke-i dalam dataset, maka selisihnya adalah$e_i = y_i - \hat{y}_i$ . -
Setiap selisih
$e_i$ dikuadratkan. Ini dilakukan untuk memastikan bahwa selisih positif dan negatif tidak saling menghapus satu sama lain. Hasilnya adalah$e_i^2$ . -
Mean (rata-rata) dari selisih kuadrat tersebut dihitung. Ini dilakukan dengan menjumlahkan semua nilai
$e_i^2$ dan dan membaginya dengan jumlah total sampel. -
Mengambil akar kuadrat dari nilai rata-rata tersebut untuk mendapatkan nilai RMSE.
RMSE memberikan informasi tentang seberapa besar deviasi rata-rata antara prediksi model dan nilai aktual. Semakin kecil nilai RMSE, semakin baik performa model dalam memprediksi nilai target. Sebaliknya, nilai RMSE yang lebih tinggi menunjukkan bahwa model cenderung memiliki kesalahan prediksi yang lebih besar.
Dari hasil Top 10 food recommendation untuk user pada tahap Modeling, sistem tersebut sudah mampu merekomendasikan 10 makanan top berdasarkan rating. Hasil ini sudah dapat membantu pelayan untuk merekomendasikan makanan yang cocok bagi pelanggan.
-
-
[1] H. Hartatik, S. D. Nurhayati, and W. Widayani, “Sistem Rekomendasi Wisata Kuliner di Yogyakarta dengan Metode Item-Based Collaborative Filtering,” J. Autom. Comput. Inf. Syst., vol. 1, no. 2, pp. 55–63, 2021, doi: 10.47134/jacis.v1i2.8.
[2] Kosim and R. Prihandi, “SISTEM REKOMENDASI MENU MINUMAN DENGAN METODE CONTENT – BASED FILTERING BERBASIS ANDROID PADA MUBTADA KOPI,” J. Comput. Sci. Artif. Intell., vol. 1, no. 1, pp. 43–69, 2024.
[3] G. Yunanda, D. Nurjanah, and S. Meliana, “Recommendation System from Microsoft News Data using TF-IDF and Cosine Similarity Methods,” Build. Informatics, Technol. Sci., vol. 4, no. 1, pp. 277–284, 2022, doi: 10.47065/bits.v4i1.1670.