KOMPARASI KINERJA METODE COSINE DAN JACCARD SIMILARITY DALAM CONTENT-BASED RECOMMENDATION SYSTEMS (CBRS) PADA APLIKASI EVENTHINGS
DOI:
https://doi.org/10.23960/jitet.v12i3.4738Abstract Views: 275 File Views: 322
Abstract
Industri perencanaan acara di Indonesia mengalami pertumbuhan pesat, mendorong kebutuhan akan platform yang efisien untuk menghubungkan penyelenggara acara dengan vendor dan layanan yang tepat. Eventhings hadir sebagai platform yang menyederhanakan proses tersebut.
Penelitian ini bertujuan untuk mengembangkan Content-Based Recommendation System (CBRS) untuk merekomendasikan vendor yang optimal berdasarkan kemiripan vendor yang telah dipilih sebelumnya. Dengan menggunakan dua metode kemiripan (similarity), yakni Cosine dan Jaccard Similarity, serta teknik-teknik pembobotan diimplementasikan dan dikomparasikan untuk menentukan metode dan teknik yang paling optimal dalam meningkatkan kualitas rekomendasi.
Hasil penelitian dengan diversity evaluation metric menunjukkan bahwa teknik pembobotan TF-PDF dengan metode Cosine Similarity menghasilkan rekomendasi yang lebih akurat dan relevan (66%) dibandingkan Jaccard Similarity (49%). Hal ini disebabkan oleh kemampuan Cosine Similarity dalam mempertimbangkan bobot kata dan konteks dokumen dengan lebih baik dimana memiliki nilai antara 50% hingga 80%.
Downloads
References
Ghifary, R. A. (2018). Analisis kualitas layanan pada perusahaan e-commerce traveloka.
Hadiono, K., & Santi, R. C. N. (2020). Menyongsong Transformasi Digital. Proceeding SENDI_U, 81–84.
Hidayatullah, S., Waris, A., & Devianti, R. C. (2018). Perilaku Generasi Milenial dalam Menggunakan Aplikasi Go-Food. Jurnal Manajemen Dan Kewirausahaan, 6(2). https://doi.org/10.26905/jmdk.v6i2.2560
Mediana. (2023). Ada 3.000 Acara Tahun Ini, POTENSI Ekonominya RP 162 Triliun. kompas.id. https://www.kompas.id/baca/ekonomi/2023/05/22/3000-event-hadir-di-indonesia-sepanjang-2023
Lukitaningtyas, I., Andreswari, R., & Al Anshary, F. M. (2018). Rancang Bangun E-marketplace" dyland" Bagi Penyedia Jasa Event Organizer-Party Planner Menggunakan Metode Iterative Incremental (modul Transaksi) Studi Kasus Event Organizer Kota Bandung. eProceedings of Engineering, 5(3).
Matthes, E. (2019). Python Crash Course, 2nd Edition: A Hands-On, Project-Based Introduction to Programming. United States: No Starch Press.
Jarmul, K., Lawson, R. (2017). Python Web Scraping. United Kingdom: Packt Publishing.
Laraswati, B. D. (2022, August 15). Web Scraping vs Web Crawling, Apa Bedanya? Algoritma Data Science School. https://blog.algorit.ma/web-scraping/
Jo, T. (2018). Text Mining: Concepts, Implementation, and Big Data Challenge. Germany: Springer International Publishing.
García, S., Luengo, J., Herrera, F. (2014). Data Preprocessing in Data Mining. Germany: Springer International Publishing.
Brusilovsky, P., Kobsa, A. (2007). The Adaptive Web: Methods and Strategies of Web Personalization. Germany: Springer.
Han, J., Kamber, M., Pei, J. (2011). Data Mining: Concepts and Techniques. Netherlands: Elsevier Science.
Zuur, A., Ieno, E. N., Smith, G. M. (2007). Analyzing Ecological Data. Germany: Springer New York.
Harnelia, H. (2024). ANALISIS SENTIMEN REVIEW SKINCARE SKINTIFIC DENGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM). Jurnal Informatika Dan Teknik Elektro Terapan, 12(2). https://doi.org/10.23960/jitet.v12i2.4095.
Kunaver, M., & Požrl, T. (2017). Diversity in recommender systems – A survey. Knowledge-based Systems, 123, 154–162. https://doi.org/10.1016/j.knosys.2017.02.009.
Wu, W., Chen, L., & Zhao, Y. (2018). Personalizing recommendation diversity based on user personality. User Modeling and User-adapted Interaction, 28(3), 237–276. https://doi.org/10.1007/s11257-018-9205-x
