BAB 4 ANALISIS DAN IMPLEMENTASI
4.3. Tahap Implementasi
h. Desain Interface Daftar User
Halaman dari daftar user yang terdaftar didalam sistem.
Gambar 4. 34 Tampilan Daftar User
1. Precision
Pengujian pertama adalah uji precision, perhitungan precision dilakukan untuk menghitung seberapa relevan data yang diberikan sistem kepada user.
User akan memberikan tanggapan dari data rekomendasi yang diberikan.
Tanggapan yang diberikan berupa pendapat user, apakah rekomendasi yang diberikan sistem sesuai atau tidak. Kemudian, peneliti akan menghitung nilai ketepatan hasil rekomendasi menggunakan perhitungan precision yang terdapat pada persamaan 2.4
2. Mean Absolute Error (MAE)
Pengujian selanjutnya yaitu menghitung tingkat akurasi sistem berdasarkan besarnya nilai error. Untuk menghitung nilai error sistem, menggunakan perhitungan mean absolute error (MAE) yang terdapat pada persamaan 2.5.
Perhitungan dilakukan dengan meminta tanggapan user berupa nilai prediksi dari user terhadap rumah makan yang direkomendasikan. Nilai prediksi dari tanggapan user tadi akan dibandingkan dengan nilai prediksi sistem, sehingga didapatkan nilai error sistem. Semakin kecil nilai MAE, maka sistem yang dibuat semakin baik.
3. Skenario Pengujian
Untuk membuktikan hasil implementasi item-based collaborative filtering berjalan dengan baik, dilakukan pengujian dengan skenario rating. Sekanario pengujian dimulai dengan pemberian rating rumah makan dari 40 user yang terdiri dari mahasiswa UIN Syarif Hidayatullah Jakarta. Mahasiswa yang menjadi sampel penelitian harus memenuhi syarat sebagai sampel, yaitu:
a. Mahasiswa kampus 1, 2, 3 dan 4 UIN Syarif Hidayatullah Jakarta.
b. Mahasiwa yang dalam 1 mingg makan minimal 3 kali di sekitar kampus UIN Syarif Hidayatullah Jakarta.
Setelah user memberikan rating dan mendapatkan hasil rekomendasi, user diminta untuk mengisi angket untuk mengetahui apakah sistem sudah dapat memberikan rekomendasi kepada user.
Selanjutnya dihitung nilai akurasi dan prediksi dengan menggunakan 3 skenario berikut:
1. Skenario pertama, terdiri dari 5 pengguna 2. Sekanario kedua, terdiri dari 20 pengguna
3. Sekanario ketiga, terdiri dari seluruh 40 pengguna (seluruh pengguna)
Dari ketiga skenario diatas, dilihat apakah jumlah user mempengaruhi besarnya nilai error dan ketepatan hasil rekomendasi pada implementasi item- based collaborative filtering.
BAB 5
HASIL DAN PEMBAHASAN
5.1. Hasil Implementasi
Setelah tahap analisa dan perancangan selesai dilakukan, maka dilanjutkan dengan tahap implementasi sistem. Untuk mengimplementasikan item-based collaborative filtering pada sistem rekomendasi rumah makan, dibutuhkan data venue rumah makan dan data rating user. Berikut hasil implementasi sistem rekomendasi rumah makan.
1. Untuk dapat mengakses sistem, user harus memiliki akun. Jika belum memiliki akun, user bisa mendaftar terlebih dahulu pada halaman registrasi.
Gambar 5. 1 Tampilan Halaman Registrasi
2. Setelah terdaftar, user dapat login dengan memasukan username dan password.
Gambar 5. 2 Tampilan Halaman Login
3. Jika login berhasil, user akan masuk kehalaman home. Halama home berisi rumah makan yang ada pada sistem.
Gambar 5. 3 Tampilan Halaman Daftar Home
4. User dapat melihat profile rumah makan dengan klik nama rumah makan yang ada pada halaman home. Setelah itu user akan dibawa ke halaman profile rumah makan. Pada halaman profile rumah makan, user dapat
menginput rating dengan skala nilai rating 1 sampai dengan 5. Selain memberikan rating, user dapat menambahkan komentar.
Gambar 5. 4 Tampilan Profile Rumah Makan
5. Halaman catatan rumah makan berisi rekap atau history rumah makan yang telah pernah dirating oleh user.
Gambar 5. 5 Tampilan Halaman Catatan Kuliner
6. Setelah user memberikan rating pada rumah makan, maka user dapat melihat rekomendasi rumah makan yang diberikan sistem pada menu
rekomendasi. Hasil rekomendasi diurutkan sesuai dengan rating prediksi tertinggi hingga terendah.
Gambar 5. 6 Tampilan Halaman Rekomendasi 5.2. Validasi
1. Proses Similarity
Pada skenario rating yang dibahas pada bab 4 untuk tahap mencari nilai similarity dengan menggunakan persamaan adjusted cosine similarity didapatkan hasil hitung manual dan perhitungan sistem pada tabel 5.1 berikut
Tabel 5. 1 Tabel Perbandingan Perhitungan Manual dan Sistem
Venue A Venue B Perhitungan
Manual
Perhitungan Sistem
MCD Basecamp -0,93 -0,93
MCD Hosen -0,356 -0,36
MCD Boedjangan 1 1
MCD Oishi 0,246 0,25
Basecamp Hosen -0,056 -0,06
Basecamp Boedjangan -1 -1
Basecamp Oishi -0,145 -0,14
Hosen Boedjangan 1 1
Hosen Oishi -0,968 -0,96
Boedjangan Oishi -1 -1
Dari tabel 5.1 dapat dilihat, perhitungan adjusted cosine similarity secara manual dan yang dilakukan pada sistem menghasilkan nilai yang sama, perbedaan hanya terdapat pada pembulatan nilai.
2. Proses Prediksi
Pada skenario rating yang dibahas pada bab 4, untuk tahap prediksi menggunakan persamaan weighted sum didapatkan hasil prediksi pada tabel 5.2
Tabel 5. 2 Tabel Prediksi Hitung Manual dan Hitung Sistem
Dari tabel 5.2 dapat dilihat, perhitungan weighted sum secara manual dan perhitungan yang dilakukan oleh sistem menghasilkan nilai yang sama.
5.3 Pengujian Hasil Rekomendasi
Sebelum dikakukan pengujian, user yang menjadi sampel pada penelitian ini diminta mengisi angket untuk mengetahui apakah sistem ini mampu menghasilkan rekomendasi yang sesuai untuk user. Pengambilan user sampel dilakukan dengan metode sampling yang telah dibahas pada bab 3. Setelah disebar angket kepada 40 user, didapatkan hasil 50% responden sangat setuju, 47,5 setuju, dan 2,5 ragu-ragu sistem ini membantu dalam memberikan rekomendasi rumah makan yang belum pernah dikunjungi oleh user. Sedangkan untuk sistem nya sendiri, 80% responde setuju dan 20% responden sangat setuju sistem ini dapat dioperasikan dengan mudah.
User Venue Rekomendasi Rating Manual Rating Sistem
Zakira Boedjangan 3 3
Isma Beodjangan 2,5 2,50
Annisa Boedjangan 4 4
Selanjutnya dilakukan pengujian sistem, pengujian hasil rekomendasi pada penelitian ini menggunakan 2 cara yaitu dengan persamaan precision dan Mean Absolute Error (MAE). Sebagai data pengujian, digunakan 28 rumah makan yang terdiri dari café, cofffee shop, warung makan dan restoran cepat saji yang berada di sekitar kampus UIN Syarif Hidayatullah Jakarta. Selain data rumah makan, dibutuhkan data rating yang diberikan user pada rumah makan. Data rating ini digunakan untuk mendapatkan nilai similarity. Nilai similarity digunakan untuk perhitungan rekomendasi dan prediksi.
Dilakukan 3 skenario untuk masing-masing pengujian. Pengujian dengan skenario pertama, menggunakan 5 user yang memberikan rating pada rumah makan yang telah pernah dikunjungi. Sedangkan untuk skenario kedua dan ketika menggunakan 20 dan 40 user.
5.2.1. Precision
Untuk mengetahui tanggapan user terhadap sistem, dilakukan pengujian user acceptence test (UAT) dengan cara pengisian angket. Hasil pengisian angket digunakan sebagai data untuk pengujian precision. Angket berisi tanggapan user mengenai hasil rekomendasi yang didapat. Apakah rekomendasi yang diberikan oleh sistem sudah sesuai untuk user atau belum. Dari rekomendasi yang diberikan, user memilih rumah makan mana saja yang diterima sebagai rekomendasi.
Pengujian precision bertujuan untuk mengetahui keakuratan hasil rekomendasi yang diberikan sistem. Dalam perhitungan precision digunakan persamaan 2.4 Berikut adalah hasil perhitungan precision untuk ke-3 skenario.
1. Skenario Dengan 5 User
Skenario pertama terdiri dari 5 user , didapatkan nilai precision sebesar 0,678 yang diuraikan pada tabel 5.3
Tabel 5. 3 Tabel Skenario Dengan 5 User
No Nama Rekomendasi Diterima Precision
1. Raditya 9 7 0,78
2. Annisa Adrian 7 5 0,71
3. Annisa Dzakiyatul H 6 5 0,83
4. Riri 9 4 0,4
5. Ayu Nijma 6 4 0,67
Rata-rata 0,678
2. Skenario Dengan 20 User
Skenario kedua yang terdiri dari 20 user, didapatkan nilai precision sebesar 0, 723 yang diuraikan pada tabel 5.4
Tabel 5. 4 Tabel Skenario Dengan 20 User
No Nama Rekomendasi Diterima Precision
1. Raditya 19 6 0,317
2. Annisa Adrian 15 7 0,447
3. Annisa Dzakiyatul H 14 13 0,928
4. Riri 17 8 0,47
5. Ayu Nijma 14 11 0,788
6. Kiki 9 6 0,667
7. Pinka Didatania 9 8 0,889
8. Asrani Harahap 13 10 0,769
9. Andira 16 15 0,93
10. Zakirah 9 6 0,667
11. Rian 13 10 0,769
12. Salsa 10 4 0,4
13. Winda 15 8 0,533
14. Amy 14 12 0,857
15. Muqtarizal 14 9 0,64
16. Kunhadji 10 8 0,8
17. Innayatul 17 17 1
18. Ruri 15 15 1
19. Isna WR 6 4 0,67
20. Dwi 12 11 0,9167
Rata-rata 0,723
3. Skenario Dengan 40 User
Skenario ketiga yang terdiri dari 40 user, didapatkan nilai precision sebesar 0,732 yang diuraikan pada tabel 5.3
Tabel 5. 5 Tabel Skenario Dengan 40 User
No Nama Rekomendasi Diterima Precision
1. Raditya 22 5 0,227
2. Annisa Adrian 18 10 0,55
3. Annisa Dzakiyatul 18 17 0,94
4. Riri 15 20 0,75
5. Ayu Nijma 17 14 0,82
6. Kiki 12 5 0,416
7. Pinka Didatania 12 11 0,916
8. Asrani Harahap 16 11 0,687
9. Andira 19 18 0,947
10. Zakirah 12 9 0,75
11. Rian 16 15 0,937
12. Salsa 13 8 0.533
13. Winda 18 10 0,555
14. Amy 18 15 0,83
15. Muqtarizal 16 9 0,562
16. Kunhadji 13 10 0,769
17. Innayatul 20 20 1
18. Ruri 18 18 1
19. Isna WR 9 9 1
20. Dwi 15 14 0,933
21. Nia 13 12 0,923
22. Hani 18 4 0,22
23. Wawa 14 3 0,214
24. Dhimas 7 7 1
25. Handan 8 12 0,667
26. Aisyah 5 3 0,6
27. Mita 5 3 0,6
28. Immah 14 14 1
29. Fitriyani 11 8 0,72
30. Riska 8 7 0,875
31. Dian 11 9 0,818
32. Lely 9 5 0,556
33. Citra 13 10 0,769
34. Icha 8 8 1
35. Wafy 14 12 0,875
36. Ulfa 14 14 1
37. Azza 14 9 0,642
38. Nisa 6 4 0,667
39. Diah Ayu 12 7 0,583
40. Umam 20 9 0,45
Rata-rata 0,732
Tabel 5. 6 Tabel Hasil Precision
No Skenario Jumlah User Precision
1. Skenario 1 5 0,678
2. Skenario 2 20 0,723
3. Skenario 3 40 0,732
Berdasarkan hasil tabel perecision pada tabel 5.6, dari ke-3 skenario dapat disimpulkan, dengan semakin banyak nya user maka nilai precision akan semakin meningkat. Hal ini karena semakin bertambah user maka semakin bertambah data rating sehingga rumah makan yang
direkomendasikan, semakin banyak pula data yang dapat diterima user. Hal ini didukung oleh penelitian (Wibowo & Munir, 2013) yang menyatakan sedikitnya data interaksi per pengguna juga menjadi penyebab rendahnya nilai precision.
5.2.2. MAE ( Mean absolute error )
Pengujian dengan persamaan MAE bertujuan untuk menghasilkan tingkat error rekomendasi yang diberikan. Pada perhitungan MAE digunakan persamaan 2.5. Persamaan MAE menghitung nilai error dengan membandingkan nilai rating prediksi rekomendasi dari sistem dengan nilai rating sebenarnya yang diberikan user. Setelah dihitung nilai MAE untuk ke-3 skenario didapatkan hasil pada tabel 5.7
Tabel 5. 7 Tabel Hasil MAE
No Skenario Jumlah User (Data Rating)
MAE
1. Skenario 1 5 (46 Data Rating) 0,672 2. Skenario 2 20 (238 Data Rating) 0,653 3. Skenario 3 40 (571 Data Rating) 0,623
Berdasarkan hasil MAE pada tabel 5.7, skenario pertama dengan jumlah user 5 menghasilkan nilai MAE sebesar 0,672, skenario kedua dengan jumlah user 20 menghasilkan nilai MAE sebesar 0,653, dan pada skenario ketiga dengan jumlah user 40 menghasilkan nilai MAE sebesar 0,623. Dari ke-3 skenario tersebut dapat dilihat, semakin banyak jumlah user semakin kecil nilai MAE. Hal ini dikarenakan semakin banyak user semakin kecil sparsity yang dihasilkan oleh sistem. Sparsity merupakan kekosangan data. Ketika sistem terdiri dari 5 user, rating yang diberikan user terhadap item tidak sebanyak rating yang diberikan oleh user pada skenario 2 dan 3. Hal ini didukung oleh penilitian (Handrico, 2012), yang melakukan percobaan berdasarkan tingkat sparsity. Nilai MAE terkecil didapatkan pada
percobaan dengan tingkat sparsity sebesar 30%. Sedangkan percobaan dengan meingkatkan sparsity menghasilkan nilai MAE yang semakin besar.
Pada penelitian (Prabowol, Nasrun, & Nugrahaeni, 2019), percobaan dilakukan dengan skenario training data. Semakin besar data training yang digunakan, semakin kecil nilai MAE yang dihasilkan. Artinya, semakin banyak data rating semakin besar MAE dihasilkan. Karena semakin banyak selisih rating prediksi sistem dengan rating yang diberikan oleh pengguna.
Jika dibandingkan dengan hasil MAE pada penelitian ini, data rating dan sparsity yang digunakan pada penelitian sebelumnya penulis terapkan pada uji coba jumlah user. Semakin banyak user yang merating, maka akan semakin banyak item yang akan direkomendasikan sistem pada user. Semakin banyak item yang direkomendasikan, semakin meningkat jumlah selisih rating yang akan dihitung.
BAB 6
KESIMPULAN DAN SARAN 6.1. Kesimpulan
Berdasarkan pembahasan yang telah diuraikan, maka dapat diambil kesimpulan metode item based collaborative filtering dengan algoritma adjusted cosine similarity sudah dapat diterapkan. Sistem mampu memberikan rekomendasi rumah makan yang belum pernah dikunjungi oleh pengguna. Analisa dari hasil pengujian implementasi metode item-based collaborative filtering menggunakan 3 skenario yaitu, 5, 20 dan 40 pengguna.
Analisa untuk menghitung tingkat keakuratan sistem menggunakan precision. Skenario pertama dengan jumlah 5 pengguna menghasilkan nilai precision 0,678. Skenario kedua dengan jumlah 20 pengguna menghasilkan nilai precision 0,723. Skenario ketiga dengan jumlah 40 pengguna menghasilkan nilai precision 0,732. Dari ke-3 skenario yang dilakukan, dapat disimpulkan semakin bertambahnya pengguna maka nilai precision semakin besar. Precision dikatakan semakin baik jika nilai precision mendekati angka 1.
Analisa untuk menghitung tingkat error sistem menggunakan MAE. Skenario pertama jumlah user 5 dengan 37 data rating menghasilkan nilai MAE 0,672.
Skenario kedua jumlah pengguna dengan 20 data rating 238 menghasilkan nilai MAE 0,653. Skenario ketiga dengan jumlah pengguna 40 dengan 571 data rating menghasilkan nilai MAE 0,623. Dari ke-3 skenario yang dilakukan, dapat disimpulkan semakin bertambahnya pengguna maka nilai MAE semakin kecil.
Semakin mendekati nol nilai MAE maka tingkat akurasi prediksi yang dihasilkan akan semakin baik.
Selain itu kesimpulan lain yang dapat diambil, semakin banyak pengguna maka semakin banyak jumlah rating. Hal ini mempengaruhi jumlah rumah makan yang direkomendasikan. Karena semakin banyak data rating, semakin kecil tingkat sparsity (kekosongan data).
6.2. Saran
Penulis menyadari masih banyak kekurangan dalam skripsi ini, dan perlunya pengembangan lebih lanjut agar sistem rekomendasi ini dapat digunakan sebaik mungkin. Untuk itu penulis menyarankan beberapa di antaranya:
1. Untuk penelitian selanjutnya, disarankan pemberian rating tidak secara eksplisit saja. Pengguna dapat memberikan rating secara implisit, atau gabungan antara eksplisit dan implisit.
2. Untuk penelitian selanjutnya, disarankan agar sistem dapat mengkatagorikan rumah makan sesuai jenisnya. Jadi rekomendasi yang diberikan sesuai dengan masing-masing kategori.
3. Diharapkan dapat menggunakan metode lain yang dapat menghasilkan precision yang lebih efektif dan tingkat error yang lebih kecil.
DAFTAR PUSTAKA
Afifi, W. (2014). Implementasi Hybrid (Content Based Dan Collaborative Filtering) Pada Sistem Rekomendasi Software Antivirus Dengan Multi- Criteria Rating. Universitas Sumatera Utara.
Andini, T. D., & Zulkarnain, A. (2013). Suggestions Friends Engine Berbasis Hybrid Recommender System Untuk Mendapatkan Rekomendasi Teman Terbaik Sekolah Tinggi Manajemen Informatika dan Komputer ASIA Malang, 7(2).
Aprilia, R. I., & Fachrurrozi, M. (2016). Sistem Rekomendasi Bacaan Tugas Akhir Jurusan Teknik Informatika Universitas Sriwijaya menggunakan Metode Collaborative Filtering dan Naive Bayes, 2(1), 343–347.
Aryani, Susilo, B., & Setiawan, Y. (2019). Perancangan Sistem Rekomendasi Pemilihan Cinderamata Khas Bengkulu Berbasis E-Marketplace, 7(1), 70–76.
Babbie, E. R. (2013). The Practice of Social Research, 13th Edition. Canada:
Wadsworth Publishing.
Dwiyantoro. (2017). Sistem Temu Kembali Informasi Dengan Keyword (Recall dan Precision pada Judul dan Subjek di OPAC Perpustakaan Universitas Gadjah Mada), (2003).
Eriyanto. (2007). Teknik Sampling Analisis Opini Publik. Yogyakarta: LKiS.
Ferio, G., Intan, R., & Rostianingsih, S. (2019). Sistem Rekomendasi Mata Kuliah Pilihan Menggunakan Metode User Based Collaborative Filtering Berbasis Algoritma Adjusted Cosine Similarity, Vol 7, No.
Handrico, A. (2012). Sistem Rekomendasi Buku Perpustakaan Fakultas Sains Dan Teknologi Dengan Metode Collaborative Filtering.
Heryanto, B. (2018). Membangun E - Commerce dengan Menggunakan Metode Item - based Collaborative Filtering, 1–6.
Irfan, M., C, A. D., & R, F. H. (2014). Sistem Rekomendasi: Buku Online Dengan Metode Collaborative Filtering. Jurnal Teknologi Technoscientia, 7(1), 76–
84.
Kendall, K. E., & Kendall, J. E. (2011). System Analysis and Design. New Jersey:
Prentice Hall.
Mason, R. D. (1996). Teknik Statistika untuk Bisnis & Ekonomi (Jilid 1) (Edisi 9).
Jakarta: Erlangga.
Merville, P., & Sindhwani, V. (2010). Encyclopedia of Machine Learning Chapter.
New York: Springer.
Morissan. (2015). Metode Penelitian Survei. (P. GROUP, Ed.). Jakarta.
Muttaqin, Z. (2019). Implementasi User Collaborative Filtering Untuk Rekomendasi Pembelian Barang Menggunakan Algoritma Cosine Similarity ( Studi Kasus : Web E-Commerce Xyz ) Implementasi User Collaborative Filtering Menggunakan Algoritma Cosine Similarity ( Studi Kasus : Web.
Naista, D. (2017). Codeigniter VS Laravel. Yogyakarta: Loko Media.
Naraya, A. (2019). No Title. Retrieved from
https://economy.okezone.com/read/2019/01/06/320/2000558/gurihnya- industri-kuliner-bikin-ekonomi-nasional-menggeliat?page=3
Nugroho. (2013). Mengenal XAMPP Awal. Yogyakarta: Mediakom.
Nugroho, R. A. (2015). Prototipe Sistem Rekomendasi Menu Makanan dengan Pendekatan Contextual Model dan Multi-Criteria Decission Making, 10(2).
Nurdiani, N. (2014). Teknik Sampling Snowball Dalam Penelitian Lapangan, 5(9), 1110–1118.
Pendit, P. L. (2008). Perpustakaan digital dari A sampai Z. Jakarta: Cita Karyakarsa Mandiri,.
Prabowol, G., Nasrun, M., & Nugrahaeni, R. A. (2019). Recommendations for Car
Selection System Using Item-Based Collaborative Filtering ( CF ). 2019 IEEE International Conference on Signals and Systems (ICSigSys), 116–119.
https://doi.org/10.1109/ICSIGSYS.2019.8811083
Pratama, Y. A., Wijaya, D., Paulus, & Halim, A. (2013). Digital Cakery Dengan Algoritma Collaborative Filtering, 14(1), 79–88.
Prihandani, D. (2019). Wisata Dan Kuliner Di Kabupaten Dan Kota Kediri Oleh : Deryl Prihandani Dibimbing oleh :, 1–9.
Priyono, A. B. A. (2016). Performa Apriori Dan Collaborative Filtering Untuk Sistem Rekomendasi, 21(100), 51–59.
Purwanto, D. D. (2015). Rekomendasi Paket Pembelian Barang Pada Toko Online Dengan Collaborative Filtering, 277–284.
Raharjo, B. (2016). Modul Pemrograman Web (Edisi Keti). Bandung: Modula.
Ramadhan, L. A. M., Sutardi, & Nangi, J. (2017). Pembuatan Web E-Commerce Pada Toko Kenime Store Menggunakan Sistem Rekomendasi Berbasis Metode Collaborative Filtering Dengan Algoritma Adjusted Cosine Similarity, 3(2), 227–236.
Ricci, F., Rokach, L., & Shapira, B. (2011). Recommender Systems Handbook.
London: Springer. https://doi.org/10.1007/978-0-387-85820-3
Rokhim, A., & Saikhu, A. (2016). Sistem Rekomendasi Buku Pada Aplikasi Perpustakaan Menggunakan Metode Collaborative Filtering Pada Smkn 1 Bangil, 8(2). https://doi.org/ISSN : 2085 - 3092
Rosa, A. S., M. S. (2015). Rekayasa Perangkat Lunak. Bandung: Informatika.
Rosa, & Shalahuddin, M. (2014). Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Bandung: Informatika Bandung.
Salem. (2014). Collaborative Filtering with R. Retrieved from http://www.salemmarafi.com/code/collaborative-filtering-r/
Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-based Collaborative Filtering Recommendation Algorithms, 1–15.
Schafer, J. Ben, Frankowski, D., Herlocker, J., & Sen, S. (2007). Collaborative Filtering Re commender System. The Adaptive Web. Verlag Berlin Heidelberg:
Springer.
Sekaran, U. (2006). Metodologi Penelitian Untuk Bisnis, Edisi Keempat (4th ed.).
Jakarta: Salemba Empat.
Setiawan, Y., Nurwanto, A., & Erlansari, A. (2019). Implementasi Item Based Collaborative Filtering Dalam Pemberian Rekomendasi Agenda Wisata Berbasis Android, Vi.
Sidik, B. (2018). Framework CodeIgniter 3. Bandung: Informatika Bandung.
Sudaryono. (2014). Metodologi Riset di Bidang TI (Panduan Praktis, Teori dan Contoh Kasus). Tangerang: Penerbit ANDI.
Sugiarto, A. (2014). Manajemen Kearsipan Elektronik Panduan Pengembangan Aplikasi Kearsipan. Yogyakarta: Gava Media.
Sugiyono. (2016). Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung:
Alfabeta.
Suwartono. (2014). Dasar-Dasar Metodologi Penelitian. Yogyakarta: Andi.
Torsina, M. (2010). Formula Sukses Dalam Bisnis Restoran. Jakarta: Bhuana Ilmu Populer.
Wibowo, D. E., & Munir, R. (2013). Sistem Rekomendasi Jual Beli Barang Dengan Memanfaatkan Metode Collaborative Filtering dan Basis Data Graf . Studi Kasus : Bukalapak . com.
Wijaya, A. E., & Alfian, D. (2018). Sistem Rekomendasi Laptop Menggunakan Collaborative Filtering Dan Content-Based Sistem Rekomendasi Laptop Menggunakan Collaborative Filtering Dan Content-Based Filtering, 12(1),
Yu, P. (2015). Collaborative Filtering Recommendation Algorithm Based on Both User and Item. 2015 4th International Conference on Computer Science and Network Technology (ICCSNT), 01.
Yulianto, A. (2014). Pengaruh Kepuasan Dan Kualitas Pelayanan Terhadap Loyalitas Pelanggan Pada Pojok Kedai Satria Jagat Raya Asep Sunarya Di Gonilan Sukoharjo.
LAMPIRAN Lampiran 1 Kuesioner Problem Statement
Lampiran 2 Lampiran Kuesioner UAT
Lampiran UAT 1. Skenario 1 (5 User)
No Nama Prediksi Diterima Rating Sebenarnya
1. Radit 1. Sop duren kepo=5 2. Basecamp=5 3. Baso aci = 4,75 4. Sabana Murah= 4,67 5. Oishi=4,54
6. Hosen=4,5 7. Bakmi=4,5 8. Mie DP=4,5 9. Mie Aceh=4,39
7 dari 9 1. Sop duren kepo=4 2. Basecamp=4 3. Baso aci = 5 4. Sabana Murah= 5 5. Oishi=4
6. Hosen=4 7. Bakmi=4 8. Mie DP=4 9. Mie Aceh=4 2. Annisa
Adrian
1. Glek= 3,67 2. Domnios= 3,5 3. Baso aci = 3,40 4. Bakmi MR= 3,25 5. Haus= 3,05 6. Basecamp= 3 7. Sop duren= 3
5 dari 7 1. Glek= 3 2. Domnios= 4 3. Baso aci = 4 4. Bakmi mr= 3 5. Haus= 4 6. Basecamp= 4 7. Sop duren= 4 3. Annisa
Dedek
1. Hosen=4,5 2. Sop duren= 4,33 3. Basecamp=4,25 4. Mie DP=4,17 5. Warsito=4,08 6. Dominos=4
5 dari 6 1. Hosen=3 2. Sop duren= 4 3. Basecamp=3 4. Mie DP=4 5. Warsito=4 6. Dominos=1 4. Ayu Nijma 1. Dominos=4
2. Hosen=4
4 dari 6 1. Dominos=4 2. Hosen=2
3. Baso aci= 3,60 4. Warjok BBS= 3,50 5. RM Sabana Murah= 3,20 6. Oishi = 3,03
3. Baso aci= 4 4. Warjok BBS= 4 5. RM Sabana Murah=4 6. Oishi =3
5. Riri 1. Dominos=4
2. Bakmi MR=4 3. Sop duren=4 4. HAUS=3,95 5. Baso aci=3,75 6. Warsito=3,68
7. RM Sabana Murah=3,67 8. Hosen =3,50
9) Glek =3,50
4 dari 9 1. Dominos=3 2. Bakmi MR=4 3. Sop duren=4 4. HAUS=4 5. Baso aci=3 6. Warsito=4
7. RM Sabana Murah=3 8. Hosen =3
9. Glek =3
2. Skenario ke 2 (20 User)
No Nama Rekomendasi Diterima Rating
1. Dwi 1. Oishi=4,77
2. RM Sabana murah=4,57 3. Bakaro=4,54
4. Bakmi MR=4,52 5. Mie ayam pelangi=4,41 6. Warkop SH=4,33 7. Warjok BBS=4,17 8. Sop duren =4,16 9. Boedjangan =4,13 10. Intermezo =4 11. Insomniak =3,99
11 dari 12 1. Oishi= 4
2. RM Sabana murah=3 3. Bakaro=3
4. Bakmi MR= 4 5. Mie ayam pelangi=4 6. Warkop SH= 3 7. Warjok BBS= 3 8. Sop duren = 1 9. Boedjangan = 5 10. Intermezo = 4 11. Insomniak =4
12. Mie aceh=3,99 12. Mie aceh= 3
2. Isna 1. Glek=3,39 2. Janji jiwa=3,48 3. Intermezzo=3,42 4. Kulo=3,33 5. Bakaro=3,08 6. Warkop SH=2,33
4 dari 6 1. Glek=3
2. Kopi Janji jiwa=4 3. Intermezzo= 2 4. Kulo= 3 5. Bakaro= 3 6. Warkop SH= 2 3. Ruri 1. Mie aceh = 3,97
2. Boedjangan=3,35 3. Bakmi MR=3,34 4. Sop duren =3,26 5. Bakaro=3,21 6. Kulo=3,20
7. RM Sabana murah=3,20 8. Intermezzo=3
9. Pagaruyung=3 10. Insomniak=2,89 11. Dominos=2,89 12. Hosen=2,80 13. Warjok BBS=2,7 14. Warkop SH=2,5 15. Glek =2,48
15 dari 15 1. Mie aceh= 2 2. Boedjangan= 4 3. Bakmi MR= 2 4. Sop duren = 2 5. Bakaro= 2 6. Kulo= 4
7. RM Sabana murah= 4 8. Intermezzo=3
9. Pagaruyung= 2 10. Insomniak=2 11. Dominos= 4 12. Hosen=2
13. Warjok BBS= 3 14.Warkop SH=2 15. Glek =3 4. Innayatul 1. Haus=4
2. Janji jiwa=4 3. Mie aceh=4 4. Glek=3,89
5. Sop duren kepo=3,87
17 dari 17 1. Haus=4 2. Janji jiwa=4 3. Mie aceh =3 4. Glek=3
5. Sop duren kepo=4
6. Bakmi MR=3,79 7. KFC=3,66 8. Intermezo=3,56 9. Warjok BBS=3,48 10. Pagaruyung=3,43 11. Dominos=3,39 12. Kulo=3,33 13. RM Sabana murah=3,33 14. Basecamp=3,05 15. Bakaro=3,03 16. Insomniak=2,82 17. Warkop SH=2
6. Bakmi MR=3 7. KFC=4 8. Intermezo=3 9. Warjok BBS=3 10. Pagaruyung=3 11. Dominos=4 12. Kulo=4
13) Inovasi sabana murah=3 14. Basecamp=4
15. Bakaro=3 16. Insomniak=3 17. Warkop SH=3 5. Kunhadji 1. RM Sabana
Murah=4,25 2. Bakaro=4,23 3. Boedjangan=4,18 4. Kopi janji jiwa=4,17 5. Domnios=4,14 6. Glek=4,14 7. Intermezzo=4,12 8. Kulo=4
9. Mie baso aci juara=3,82 10. Mie ayam pelangi
=3,53
8 dari 10 1. RM Sabana Murah=4 2. Bakaro=3
3. Boedjangan=4 4. Kopi janji jiwa=4 5. Domnios=5 6. Glek=4 7. Intermezzo=4 8. Kulo=4
9. Mie baso aci juara=3 10. Mie ayam pelangi =3
6. Muqtarizal 1. Warjok BBS=4,49 2. Bakmi MR=4 3. Glek=3,86
4. Kopi Janji jiwa=3,84
9 dari 14 1. Warjok BBS=4 2. Bakmi MR= 1 3. Glek= 1
4. Kopi Janji jiwa= 3
5. Mie aceh=3,75 6. Bakaro =3,70 7. Baso Aci=3,62 8. Mie DP=3,48 9. Hosen=3,47 10. Kopi Kulo=3,25 11. Mie ayam pelangi=3,11 12. Basecamp=3,08 13. Warkop SH=3 14. Insomniak=2,87
5. Mie aceh=1 6. Bakaro =1 7. Baso Aci= 3 8. Mie DP=2 9. Hosen= 3 10. Kopi Kulo=3
11. Mie ayam pelangi=3 12. Basecamp=3
13. Warkop SH=1 14. Insomniak=3 7. Amy 1. Warjok BBS=4,32
2. KFC=4,18
3. Mie baso aci=4,16 4. Oishi=3,97
5. Bakmi MR=3,89 6. Boedjangan=3,86 7. Mie ayam pelangi=3,85 8. RM Sabana
Murah=3,75 9. Mie aceh=3,74 10. Hosen=3,65 11. Insomniak =3,62 12. Basecamp=3,61 13. Warkop Sangkan Hurip=3,50
14. Kopi Kulo=3,25
12 dari 14 1. Warjok BBS=4 2. KFC=3
3. Mie baso aci=4 4. Oishi=3
5. Bakmi MR=3 6. Boedjangan=3 7. Mie ayam pelangi=4 8. RM Sabana Murah=4 9. Mie aceh=3
10. Hosen=3 11. Insomniak =4 12. Basecamp=4 13. Warkop SH=3 14. Kopi Kulo=4
8. Winda 1. Warjok BBS=3,66 2. Kulo=3,50
8 dari 15 1. Warjok BBS=3 2. Kulo= 3
3. Sop duren kepo=3,16 4. Mie aceh=3,06
5. Mie ayam pelangi=3,05 6. Hosen=3,04
7. Insomniak=3
8. Mie baso aci juara=2,77 9. Glek=2,74
10. Intermezo=2,69 11. Bakmi MR=2,65 12. Basecamp=2,53 13. Oishi=2,39 14. Warsito=2,35 15. Warkop SH= 2
3. Sop duren kepo= 4 4. Mie aceh= 3
5. Mie ayam pelangi= 3 6. Hosen= 3
7. Insomniak=3
8. Mie baso aci juara= 5 9. Glek= 2
10. Intermezo=2 11. Bakmi MR= 3 12. Basecamp= 3 13. Oishi= 3 14. Warsito= 3 15. Warkop SH=3 9. Salsa 1. Baso aci juara=4,72
2. RM Sabana murah=4,58 3. Bakmi MR=4,51
4. Mie aceh=4,28
5. RM Pagaruyung=4,23 6. Kopi kulo=4
7. Bakaro=3,81 8. Intermezzo=3,65 9. Warsito=3,05 10. Warkop SH=3
4 dari 10 1. Baso aci juara= 4 2. RM Sabana murah=3 3. Bakmi MR=3
4. Mie aceh=4
5. RM Pagaruyung=4 6. Kopi kulo=4 7. Bakaro=3 8. Intermezzo=3 9. Warsito=3 10. Warkop SH=3
10. Rian 1. Bakaro=4,5
2. Mie baso aci juara=4,31 3. Boedjangan=4,29
4. RM Sabana murah=4,12
10 dari 13 1. Bakaro=3 2. Baso aci juara=2 3. Boedjangan=4 4. RM Sabana murah=4