Rekomendasi Kafe Menggunakan Deep Matrix Factorization Berbasis Multi-Criteria - Dalam bentuk pengganti sidang - Artikel Jurnal

ALIFIA RIZQI ADI WINARSASI

Informasi Umum

Kode

24.04.5732

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science

Dilihat

189 kali

Informasi Lainnya

Abstraksi

Menikmati makanan sambil berkumpul telah menjadi bagian penting dari gaya hidup di kota besar seperti Bandung. Kota ini menawarkan beragam pengalaman kuliner, yang mendorong pesatnya pertumbuhan kafe. Kafe menjadi tempat favorit untuk bersosialisasi dan menikmati hidangan. Namun, banyaknya kafe yang tersedia membuat masyarakat sulit menemukan yang sesuai dengan preferensi mereka, sehingga diperlukan sistem rekomendasi kafe di Bandung. Sistem rekomendasi umumnya menggunakan pendekatan seperti Content-based Filtering (CB), Collaborative Filtering (CF), dan pendekatan Hybrid. CF populer karena kesederhanaan dan efektivitasnya, tetapi menghadapi masalah kelangkaan data. Prediksi rekomendasi berdasarkan satu kriteria rating sering kali menghasilkan saran yang kurang personal, karena kesesuaian item yang direkomendasikan bergantung pada beberapa faktor. Multi-Criteria Recommender Systems (MCRS) mengatasi masalah ini dengan meningkatkan akurasi dan personalisasi rekomendasi melalui berbagai kriteria. Kemajuan terbaru dalam Deep Learning (DL) menunjukkan hasil yang menjanjikan di berbagai bidang, termasuk sistem rekomendasi. Kombinasi DL dengan Matrix Factorization dalam sistem rekomendasi berbasis CF, yang dikenal sebagai teknik DeepMF, terbukti memiliki potensi kinerja lebih tinggi. Oleh karena itu, kami mengusulkan penggunaan metode DeepMF untuk mengembangkan sistem rekomendasi kafe berbasis multi-kriteria di Bandung. Metode ini mempelajari faktor-faktor tersembunyi dalam interaksi matriks user-item dan mengidentifikasi pola serta hubungan antara pengguna dan kafe. Studi kami menunjukkan bahwa metode ini secara signifikan mengungguli pendekatan satu kriteria dengan perbedaan Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE) masing-masing sebesar 0,1557 dan 0,2351.