Seminar Nasional Teknologi Informasi dan Komunikasi 2015 (SENTIKA 2015) Yogyakarta, 28 Maret 2015
ISSN: 2089-9815
SISTEM REKOMENDASI RESTORAN DENGAN PENDEKATAN EKSTRAKSI FITUR RASA PADA MENU MAKANAN Arif Akbarul Huda1, Bimo Sunarfri Hantono2, Widyawan3 Program Studi Magister Teknik Informatika, Jurusan Teknik Elektro dan Teknologi Informatika, Fakultas Teknik, Universitas Gadjah Mada Jl. Grafika No.2 Yogyakarta 55281 E-mail:
[email protected],
[email protected],
[email protected] ABSTRACT The overload of information especially restaurant, need to be filtered in order to obtain information appropriate to user needs. There are many research about restaurant recommendation and each has advantages. They was succeeded to recommend a restaurant, but almost didn’t explain about food which appropriate to user preference. This study provide another alternative for determining restaurant by extracting food menu items into a set of taste attributes which consists of five basic flavours (sweet, sour, salty, savory and bitter) and four sensations (spicy, sauce, meat and vegetables). A set of attributes is also present in the user preferences. Recommended restaurants can be determined by comparing the user's preferences attributes to all food items. To improve the accuracy of recommendation, restaurants also filter by context situation. The end of this project, hopefully the application can recommend a restaurant bundled with a food which appropriate to user desired. Keywords: restaurant recommendation system, mobile recommendation system, content-based filtering ABSTRAKS Informasi berkaitan dengan kuliner sangat mudah didapatkan bahkan kehadiran portal berita, blog, media sosial semakin membuat jumlahnya tidak terbatas. Keberlebihan informasi kuliner ini perlu diolah supaya didapatkan inforamasi yang tepat sesuai kebutuhan penggunanya. Sudah banyak dilakukan penelitian dalam bidang rekomendasi restoran, masing-masing memiliki keunggulan. Penelitian ini memberikan alternatif lain untuk menentukan rekomendasi restoran dengan cara mengekstraksi item menu makanan kedalam satu set atribut taste yang terdiri atas lima dasar rasa (manis, asam, asin, gurih, pahit) dan empat sensasi (pedas, berkuah, sayuran, berdaging). Satu set atribut ini juga terdapat pada preferensi pengguna. Rekomendasi restoran dapat ditentukan dengan cara membandingkan preferensi pengguna terhadap atribut taste pada semua item makanan. Dengan pendekatan demikian, diharapakn sistem ini mampu merekomendasikan restoran sekaligus memberikan menu makanan yang disarankan untuk dicicipi. Kata Kunci: restaurant recommendation system, mobile recommendation system, content-based filtering 1. PENDAHULUAN 1.1 Latar Belakang Jumlah pengguna media sosial (Blog, Twitter, Foursquare, Path, Facebook) terus bertambah dan interaksi antar penggunanya semakin berkembang sehingga sumber infomasi menjadi tidak terbatas. Alih-alih memudahkan pencarian informasi, fenomena ini justru menyulitkan bagi beberapa orang pengguna dalam mengolah informasi yang diperlukan (Zanda A. dkk, 2012). Namun fenomena ini diimbangi dengan berkembangnya teknologi smartphone. Dengan dilengkapi fitur canggih seperti kemampuan menedeteksi lokasi terkini (GPS), smartphone dapat digunakan untuk menyaring infomarsi berdasarkan lokasi (Chung-Hua, 2013). Dalam dunia kuliner, muncul sebuah tren baru khususnya pada masyarakat perkotaan untuk makan diluar rumah atau biasa disebut dengan wisata kuliner (Nugroho, 2014). Sedangkan dalam bidang penelitian sistem rekomendasi, berbagai penelitian mengenai rekomendasi restoran telah dilakukan
dengan bermacam-macam teknik seperti context aware (assaf, 2012; vico, 2011), collaborative filtering (assaf, 2012), personal preferensi (chunghua, 2013; daraghmi dkk, 2013; Gupta dan Sigh , 2013; Nugroho, 2014) atau kombinasinya. Masingmasing teknik diatas memiliki latar belakang dan keunggulan sendiri. Beberapa sistem rekomendasi restoran yang pernah dibuat, dalam memberikan rekomendasi tidak menyampaikan informasi secara jelas mengenai item makanan di restoran tersebut yang cocok untuk pengguna. Sebagai contoh, sebuah restoran “Tengkleng Gajah” menyediakan berbagai macam makanan olahan daging kambing sedangkan seorang pengguna bernama Arif tidak menyukai jenis makanan berdaging. Dengan pendekatan collaborative filtering, sistem dapat memberikan rekomedasi restoran “Tengkleng Gajah” kepada Arif karena ada banyak pengguna lain yang memberikan rating. Apabila sistem rekomendasi dilakukan dengan pendekatan konteks lokasi, maka sistem 285
Seminar Nasional Teknologi Informasi dan Komunikasi 2015 (SENTIKA 2015) Yogyakarta, 28 Maret 2015
dapat merekomendasikan restoran ini karena lokasinya berdekatan. Setiap orang memiliki daftar makanan kesukaan atau selera yang berbeda-beda. Idealnya dalam memilih makanan, seseorang akan mempertimbangkan rasa atau selera (Guyton A.C & Hall, J.E. 2006). Untuk mengatasi permasalahan tersbut, dibuatlah sistem rekomendasi “Jogjanan Kuliner” menggunakan pendekatan lain yaitu merepresentasikan sebuah menu makanan menggunakan satu set atribut taste yang terdiri atas lima macam rasa dasar (manis, asam, asim, gurih, pahit) dan sensasinya (pedas, berkuah, sayuran, berdaging). Setiap atribut memiliki bobot nilai dengan rentang nol sampai satu. Satu set atribut taste juga diberikan pada profil pengguna sebagai data preferensi. Preferensi pengguna merepresentasikan jenis rasa dan sensasi makanan yang disukai. Nilai atribut taste pada preferensi akan berubah, jika pengguna memberikan feedback “pin” ke sistem. feedback pin menyatakan bahwa pengguna menyukai makanan pada sebuah restoran yang direkomendasikan. 1.2
Referensi Penelitian mengenai sistem rekomendasi restoran pernah dilakukan sebelumnya dengan berbagai macam teknik. Assaf (2012) membuat sistem rekomendasi wisata berbasis mobile dengan menggunakan metode location based services (LBS) dan collaborative-filtering. Sistem ini dikembangkan dengan teknologi berbasis web menggunakan Jquery mobile, HTML5, Javascript, PHP dan MySQL. Chuang-hua (2013) memperkenalkan sistem rekomendasi restoran China yang berjalan pada perangkat mobile menggunkan pendekatan contextaware. Konteks yang digunakan adalah lokasi dan cuaca. Tingkat kepuasan pengunjung terhadap restoran juga dipertimbangkan untuk meningkatkan hasil rekomendasi berikutnya. Beberapa sistem rekomendasi restoran lainnya dikembangkan dengan mengolah data preferensi penggunanya. Daraghmi dkk. (2013) memanfaatan informasi personal konsumen seperti agama, budaya, alergi, syarat kesehatan, dan kebutuhan diet untuk menentukan rekomendasi item. Sedangkan Nugroho (2014) menggunakan pendekatan multi-criteria decission making yang memungkinan pengguna mendapatkan rekomendasi restoran berdasarkan kebutuhan kalori perhari. Vico dkk. (2011) memperkenalkan sistem rekomendasi yang dapat memberikan rekomendasi restoran kepada penggunanya secara aktif apabila kondisi tertentu terpenuhi melalui push notification. Teknik rekomendasi yang digunakan adalah collaborative-filtering dan location-filltering. Gupta dkk (2013) juga membuat sistem rekomendasi restoran berbasis lokasi pada perangkat mobile. Aplikasi yang dipasang pada perangkat mobile akan memperbarui lokasi penggunanya secara teratur.
ISSN: 2089-9815
Apabila dalam perpindahannya ditemukan restoran, maka sistem akan melakukan perhitungan untuk menentukan restoran mana yang akan direkomendasikan. Penelitian ini memperkenalkan cara mengetahui restoran mana yang lebih disukai apabila seorang pengguna memberikan “like” pada dua restoran atau lebih. Wen-Ying (2013) memperkenalkan sebuah framework sistem rekomendasi restoran pada perangkat mobile. Menurutnya, untuk membuat sistem rekomendasi restoran harus terdapat beberapa komponen informasi kontekstual mencakup kontekstual restoran, kontekstual pengguna dan kontekstual situasi. Selain itu, sebuah sistem rekomendasi harus bisa menangani masalah coldstart yang biasanya terjadi pada item baru atau pengguna baru. 1.3 Landasan Teori 1.3.1 Sistem Rekomendasi Sistem rekomendasi adalah sebuah alat atau software yang berisi sekumpulan teknik untuk memberikan rekomendasi suatu item kepada orang lain. Hasil rekomendasi bisa dimanfaatkan untuk pengambilan berbagai keputusan seperti menentukan barang yang harus dibeli, menentukan lagu yang diputar atau menentukan berita yang harus dibaca (Adomavicius, 2011). Burke (2007) mengelompokkan beberapa pendekatan sistem rekomendasi menjadi tujuh yaitu a. content-based, merekomendasikan suatu item dengan cara mencari tingkat kesamaan antara item yang sebelumnya pernah diberi like dengan item lain, b. collaborative-filtering, yaitu merekomendasikan suatu item berdasarkan rate yang diberikan oleh pengguna lainnya, c. demographic yaitu memberikan rekomendasi item berdasarkan data sebaran pengguna pada wailayah tertentu, d. knowledge-based yaitu suatu sistem rekomendasi berdasarkan domain pengetahuan yang spesifik. Sistem ini memerlukan seorang domain expert untuk menentukan kualitas data-datanya, e. community-based yaitu merekomendasikan suatu item berdasarkan preferensi yang dimiliki oleh teman-teman di lingkungannya, f. Hybrid yaitu sistem rekomendasi ini mengkombinasikan teknik-teknik yang sudah disebutkan sebelumnya. Pada sistem rekomendasi dengan pendekatan content-based, diperlukan teknik yang tepat untuk merepresentasikan sebuah item maupun profil penggunanya. Selain itu, diperlukan strategi tertentu saat membandingkan antara representasi item dengan preferensi pengguna. Lops dkk (2011) membagi tahapan proses perhitungan rekomendasi menjadi tiga tahap, masing-masing diwakili oleh komponen berikut : 286
Seminar Nasional Teknologi Informasi dan Komunikasi 2015 (SENTIKA 2015) Yogyakarta, 28 Maret 2015
a. Content analyzer, pada komponen ini sebuah item dilakukan ekstraksi fitur atau dimodelkan menggunkan atribut-atribut yang sesuai, supaya bisa dilakukan perhitungan secara matematis. Sebagai contoh, halaman web direpresentasikan sebagai vektor berisi kumpulan kata kunci. Hasil representasi item pada komponen ini digunakan sebagai informasi masukan ke komponen profile learner dan filtering component. b. Profile learner, komponen ini berfungsi untuk menampung kumpulan data yang merepresentasikan preferensi seseorang. Datadata preferensi digunakan untuk membangun profil pengguna. c. Filtering component, komponen ini bertugas memproses data profil pengguna. Proses penyaringan informasi dilakukan dengan cara membandingkan item dengan preferensi pengguna, dicari tingkat kemiripannya kemudian ditentukan item yang kiranya memenuhi kriteria. 1.3.2 Tingkat Kemiripan antar Item Sebuah item dapat dimodelkan sebagai n-vector atau atribut-atribut yang merepresentasikan karakteristik item. Setiap atribut berisi nilai bobot atau rating. Dua buah item yang memiliki sama, dapat diketahui korelasinya dengan persamaan Pearson-Correlation (persamaan 1).
i
r x,y =
x x y i
i
i
i
y
2 2 xi x yi y
...(1)
Dimisalkan sebuah item x dan y dimodelkan dengan atribut i={pahit, manis, asam, asin, gurih, pedas, berkuah, bersayur, berdaging}, masingmasing berisi nilai atau bobot. Notasi xi melambangkan nilai dari atribut ke-i pada item x, sedangkan notasi yi melambangkan nilai atribut ke-i pada item y. Sebaran nilai atribut pada masingmasing item x dan y, memiliki nilai rata-rata atau mean yang dilambangkan dengan x dan y. Nilai korelasi r pada persamaan diatas mempunyai rentang nilai dari -1 sampai 1. Semakin mendekati 1, maka dua item tersebut memiliki hubungan positif (mirip) dan sebaliknya, jika r bernilai -1 maka kedua item dapat dikatakan sama sekali tidak berhubungan. Teknik lain yang biasa digunakan untuk menentukan rekomendasi adalah menggunakan pendekatan context-aware. Dalam domain mobile context-aware system, context bisa didefinisikan sebagai konteks lokasi atau situasi yang dijumpai pada lingkungan sekitar. Selain itu bisa juga didefinisikan sebagai konteks waktu, cuaca atau temperatur.
ISSN: 2089-9815
1.3.3 Lima macam rasa dasar Pada lidah manusia, terdapat ribuan sel pengecap atau sering disebut taste buds yang tersebar dibeberapa bagian. Orang dewasa memiliki 3000 sampai 10000 sel pengecap, sedangkan pada lidah anak kecil jumlahnya lebih sedikit. Sel-sel pengecap tersebar di tiga area lidah yaitu : (1) area pangkal lidah, (2) area tepi lidah dan (3) area ujung lidah. Beberapa sel pengecap juga ditemukan di bagian permukaan tengah lidah. Rasa adalah kesan yang timbul pada lidah karena terjadi reaksi kimia antara zat-zat yang terkandung dalam makanan dengan reseptor yang terdapat di ujung sel pengecap. Sel-sel pengecap yang terdapat pada area pangkal lidah sensitif terhadap rasa pahit. Pada tepi lidah tersebar sel-sel pengecap yang sensitif terhadap rasa asam dan asin. Diujung lidah, sel-sel pengecap lebih sensitif terhadap rasa manis sedangkan pada area tengah lidah sensitif terhadap rasa gurih. Dalam kontekstual makanan, rasa berperan sangat penting dalam mempengaruhi selera makan seseorang. Seseorang bisa merasakan ratusan variasi dan kombinasi rasa. Namun pada dasarnya berbagai variasi rasa terdiri atas lima rasa dasar. Lima macam rasa dasar yang dikenal yaitu manis, asam, asin, gurih dan pahit. Selain itu, lidah juga bisa merasakan sensasi lain seperti pedas, panas dan dingin. (Guyton A.C & Hall, J.E. 2006). 1.3.4 Metodologi Penelitian Penelitian ini dilakukan melalui beberapa tahap, diawali dengan mencari literatur mengenai sistem rekomendasi, mengamati perkembangan wisata kuliner dan tingkah-laku orang dalam memilih tempat makan. Dari hasil pengamatan ini kemudian dibuat sebuah model yang merepresantisakan cara seseorang dalam mencari referensi restoran. Tahapan berikutnya, pembuatan sistem dimulai dari membuat rancangan arsitektur aplikasi. Algoritma-algoritma pendukung diimplementasikan dan diuji secara berkala menggunakan dummy data. Bersamaan dengan tahap ini, dilakukan pengumpulan data tempat kuliner di Kota Yogyakarta. Semua riwayat proses dan hasil perhitungan dicatat dalam database, yang nantinya akan digunakan untuk keperluan analisis dan pembahasan. 2. PEMBAHASAN 2.1 Arsitektur dan Pemodelan Sistem Rekomendasi Bagian-bagian utama sistem rekomendasi disajikan dalam Gambar 1, terdiri atas enam komponen penting dengan rincian sebagai berikut : a. Preference-starter bertugas memastikan bahwa pengguna sudah memiliki data preferensi. b. Preference-builder bertugas melakukan pembaruan preferensi pengguna dan mengambil 287
Seminar Nasional Teknologi Informasi dan Komunikasi 2015 (SENTIKA 2015) Yogyakarta, 28 Maret 2015
c.
d.
e.
f.
preferensi terkini. Data yang dihasilkan dari komponen ini digunakan untuk mendukung proses pencarian rekomendasi yang dilakukan pada kompononen recommendation box. Recommendation box berisi logika dan algoritma-algoritma pendukung dalam proses pencarian dan penentuan rekomendasi. Output merupakan komponen yang berfungsi mengubah format hasil yang dikeluarkan komponen recommendation box menjadi bentuk yang lebih mudah dibaca. Hasil keluaran komponen ini adalah status dan data yang dikemas dalam format JSON. feedback adalah komponen yang menangani interaksi pengguna seperti melakukan pin atau memberi komentar dan rating. Data collection merupakan komponen yang bertanggung jawab menyediakan bagi komponen lain seperti preference builder dan recommendation box.
Gambar 1. Arsitektur sistem rekomendasi restoran Anak panah yang menghubungkan antar komponen diatas menunjukkan alur datanya. Sedangkan anak panah dengan garis putus-putus yang berasal dari komponen data collection menunjukkan bahwa komponen ini menyediakan data bagi komponen lain. Bagian menarik dari arsitektur ini adalah terbentuknya pola aliran data yang berputar dimulai dari komponen preferencebuilder hingga kembali lagi. Pola ini menggambarkan setiap kali pengguna melakukan interaksi dengan cara memberikan feedback, maka preferensi pengguna tersebut juga diperbarui sehingga mempengaruhi variasi rekomendasi berikutnya. Sistem rekomendasi Jogjanan Kuliner dimodelkan menggunakan tiga komponen (Gambar 2) yaitu user, item dan feedback. User (selanjutnya disebut pengguna) adalah seseorang yang akan memperoleh rekomendasi. Item yang direkomendasikan adalah satu set restoran dan menu makanannya. Pada kenyataanya, sebuah restoran bisa memiliki banyak menu makanan. Dengan demikian pada database, restoran dan menu makan dimodelkan sebagai hubungan one-to-many. Pengguna bisa memberikan feedback atas rekomendasi yang diberikan. feedback dapat
ISSN: 2089-9815
diberikan melalui tiga cara yakni memberikan komentar, rating atau pin. Dalam kehidupan seharihari, pin merepresentasikan sebagai tanda bahwa pengguna tertarik untuk mengunjungi restoran tersebut.
Gambar 2. Pemodelan rekomendasi restoran Jogjanan Kuliner Sebuah menu makanan dimodelkan sebagai satu set atribut taste yang terdiri atas manis, asam, asim, gurih, pahit, pedas, berkuah, sayuran, dan berdaging. Setiap atribut berisi nilai dengan rentang 0 sampai 1. Sebagai contoh (Tabel 1), atribut ‘berkuah’ pada makanan soto bernilai 1 karena makanan ini sudah pasti berkuah banyak. Sedangkan jika atribut ‘berkuah’ bernilai 0.3, dapat diartikan bahwa makanan tersebut berkuah sedikit. Setiap pengguna memiliki satu set profil yang terdiri atas data personal dan preferensi. Data personal mencakup nama, email, dan password sedangkan preferensi dimodelkan sebagi satu set atribut taste yang terdiri atas sembilan macam atribut serupa dengan atribut taste pada makanan. Preferensi ini merepresentasikan variasi rasa makanan yang disukai pengguna. Setiap kali pengguna memberikan feedback pin, maka nilai pada atribut-atribut preferensi akan berubah. Tabel 1. Contoh pemodelan item menu makanan dan preferensi pengguna Item makanan atribut pengguna soto pecel sop ayam
288
manis
0.3
0.4
0.3
0.3
asam
0.2
0.0
0.1
0.1
asin
0.2
0.1
0.2
0.1
gurih
0.6
0.5
0.6
0.7
pahit
0.0
0.0
0.0
0.0
pedas
0.2
0.6
0.2
0.8
berkuah
1.0
0.0
1.0
0.5
sayuran
0.9
0.8
0.6
0.9
berdaging
0.8
0.0
0.8
0.2
Seminar Nasional Teknologi Informasi dan Komunikasi 2015 (SENTIKA 2015) Yogyakarta, 28 Maret 2015
n
A
i
pi = Ai =
n=0
...(2)
n
Perhitungan nilai preferensi pengguna dilakukan menggunakan persamaan 2 dengan cara mengambil nilai rata-rata atribut sejenis pada koleksi item yang di pin. Atribut taste dinotasikan dengan i={pahit, manis, asam, asin, gurih, pedas, berkuah, bersayur, berdaging} sedangkan variabel A adalah item makanan yang dipin. Jumlah item yang di pin di notasikan dengan n maka pi adalah atribut tertentu pada preferensi yang ingin dihitung. Sebaga contoh diketahui pengguna memiliki tiga koleksi data pin yaitu soto, pecel dan sop ayam (Tabel 1) maka nilai atribut manis (pmanis) pada preferensi pengguna merupakan nilai rata-rata dari atribut manis pada soto, pecel dan sop ayam. Pencarian Kandidat Restoran Penentuan kandidiat restoran layak untuk direkomendasikan atau tidak, sangat bergantung pada jenis menu makanan yang disediakan. Jika pada restoran tersebut terdapat jenis makanan yang disukai pengguna, maka restoran tersebut memiliki peluang lebih besar untuk dijadikan kandidat. Berdasarkan data pada Tabel 1, diketahui pengguna memiliki atribut preferensi sama dengan atribut taste pada setiap item makanan. Dengan persamaan 1, dapat dihitung hubungan atau tingkat kemiripan antara preferensi pengguna terhadap setiap item makanan yang disajikan pada Tabel 2. Dari hasil yang diperoleh, maka dapat disimpulkan bahwa pecel adalah makanan yang paling sesuai dengan preferensi pengguna.
langsung dengan kotak preference-builder. Artinya apabila pengguna melakukan pin pada salah satu item maka nilai atribut preferensi pengguna ikut berubah. Perubahan preferensi ini diharapkan bisa memberikan variasi menu sehingga menjaga pengguna supaya tidak bosan. Sebagai contoh seperti data yang disajikan pada Tabel 3, diketahui pengguna sudah melakukan pin sebanyak tiga kali kepada item yang berbeda. Dengan demikian nilai atribut manis pada preferensi pengguna merupakan nilai rata-rata dari atribut manis pada item pecel, gado-gado dan lotek. Apabila pegguna melepas pin pada item pecel, maka nilai atribut manis pada preferensi pengguna merupakan nilai rata-rata dari atribut manis pada item gado-gado dan lotek. Tabel 3. Riwayat pengguna memberikan feedback pin item
arif
soto
pecel
sop ayam
0.5119
0.8593
0.4141
Didalam database, restoran memiliki hubungan one-to-many terdahap menu makanan. Dengan pemodelan ini, dapat ditemukan restoran yang menyediakan menu pecel. Selain itu juga dilakukan perhitungan jarak antara pengguna dengan restoran untuk ditampilkan sebagai tambahan informasi jarak. 2.3 feedback pin Sistem rekomendasi ini dilengkapi dengan fitur feedback “pin”. Fitur ini merepresentasikan bahwa pengguna bersedia mengunjungi restoran yang direkomendasikan. Berdarakan arsitektur disajikan dalam Gambar 1, bagian feedback berhubungan
atribut taste manis
2.2
Tabel 2. Perbandingan tingkat kemiripan pengguna terhadap menu makanan
ISSN: 2089-9815
asam
...
pinned pedas
soto
0.3
0.2
...
0.2
pecel
0.4
0.0
...
0.9 ya
sop ayam
0.3
0.1
...
0.3
gadogado
0.6
0.1
...
0.8 ya
lotek
0.4
0.0
...
1.0 ya
2.4
Penyetelan Ulang Preferensi Sistem rekomendasi ini dirancang untuk tidak merekomendasikan kembali item yang sudah di pin. Namun seiring berjalannya waktu, terdapat kemungkinan koleksi data restoran habis karena sudah di pin semuanya. Kemungkinan yang lain adalah atribut-atribut pada preferensi pengguna nilainya semakin menjauh dari preferensi sebenarnya atau mengalami bias. Mengatasi hal ini, maka sistem Jogjanan Kuliner dilengkapi dengan fitur “reset preference” yang memungkinkan pengguna untuk menyetel kembali preferensinya secara manual. Fitur ini ditampilkan dengan sembilan buah ratingbar atau slidebar, masingmasing mewakili atribut manis asam, asin, gurih, pahit, pedas, berkuah, bersayur, dan berdaging. Apabila pengguna melakukan reset, maka semua riwayat pengguna dalam melakukan pin akan di netralkan kembali. 3.
KESIMPULAN Sistem rekomendasi restoran dapat ditentukan dengan beberapa macam teknik. Pada penelitian ini dibuat sebuah aplikasi Jogjanan Kuliner yang memperkenalkna alternatif lain dalam menentukan rekomendasi yaitu dengan pendekatan ekstraksi fitur makanan menjadi sembilan atribut rasa dan 289
Seminar Nasional Teknologi Informasi dan Komunikasi 2015 (SENTIKA 2015) Yogyakarta, 28 Maret 2015
sensasinya (manis, asam, asin, pahit, gurih, pedas, berkuah, bersayur dan berdaging). Atribut yang melekat pada makanan ini mampu mewakili karaktersitik sebuah makanan. Selain itu, informasi preferensi seorang pengguna juga terdiri atas sembilan atribut yang sama. Dengan cara demikian, dapat dilakukan penyaringan informasi restoran berdasarkan prefernsi pengguna. Sistem rekomendasi Jogjanan Kuliner memungkinkan pengguna mendapatkan variasi rekomendasi restoran, lengkap dengan informasi menu makanan yang dianggap sesuai dengan preferensinya. Nilai preferensi pengguna akan selalu berubah seiring dengan feedback pin yang diberikan kepada item.
ISSN: 2089-9815
Ricci, R, Rokach, L., Shapira,B. , dan Kantor,P.B. 2011. Introduction to Recommender Systems Handbook. Recommender Systems Handbook (hlm 1-35). Boston, MA: Springer US.
PUSTAKA Adomavicius, G. dan Tuzhilin, A. 2011. ContextAware Recommender Systems. Recommender Systems Handbook (hlm 217-253). Boston, MA: Springer US. Assaf A. dan Widyawan. 2012. Rancang Bangun Sistem Rekomendasi Pariwisata Mobile Dengan Menggunakan Metode Collaborative Filtering dan Location-Based Filtering. Universitas Gadjah Mada. Burke, R. 2007. Hybrid Web Recommender Systems.Recommender Systems Handbook (hlm 11-13). Boston, MA: Springer US. Chung-Hua, C., and Se-Hsien Wu. 2013. A Chinese Restaurant Recommendation System Based on Mobile Context-Aware Services. Mobile Data Management (MDM) IEEE 14th International Conference on. Vol. 2. IEEE. Daraghmi, Yasser, E., dan Yuan S. 2013. PMR: Personalized Mobile Restaurant System. Computer Science and Information Technology (CSIT), 2013 5th International Conference on. IEEE. Gupta, Anant, dan Singh, K. 2013. Location basedpersonalized restaurant recommendation system for mobile environments. Advances in Computing, Communications and Informatics (ICACCI), 2013 International Conference on. IEEE. Guyton, A.C., dan Hall, J.E. 2006. Text Book of Medical Physiology. USA : Elsevier Inc. Lops, P., Gemmi, M. dan Semeraro, G. 2011. Content-based Recommender System:State of the Art and Trends, Recommender Systems Handbook (hlm 73-76). Boston, MA: Springer US. Nugroho, R.A dan Ferdiana, R. 2014. “Teknik Pemberian Rekomendasi Menu Makanan dengan pendekatan Contextual Model dan Multi Criteria Deccision Making”, Proceedings of conference on Information technology and electrical enginering (halaman 88-94). Yogyakarta : CITEE. 290
