Mengatasi Ketidakseimbangan Data dalam Sistem Rekomendasi dengan SMOTE
Penggunaan sistem rekomendasi berbasis teknologi semakin berkembang pesat di berbagai bidang, termasuk di sektor kuliner. Bandung, dengan kekayaan kuliner lokalnya, menjadi salah satu kota yang membutuhkan sistem rekomendasi canggih untuk membantu pengguna menemukan restoran yang sesuai dengan preferensi mereka. Dalam penelitian yang dilakukan oleh Fikri Maulana dan Erwin Budi Setiawan (2024), sebuah sistem rekomendasi restoran berbasis Content-Based Filtering (CBF) dan Deep Feed Forward (DFF) Neural Network berhasil dikembangkan untuk memberikan rekomendasi yang lebih akurat dan personal. Sistem ini menggabungkan data dari media sosial Twitter serta situs ulasan kuliner PergiKuliner, menciptakan algoritme yang lebih responsif terhadap selera pengguna. Menariknya, penggunaan kombinasi CBF dan DFF mampu meningkatkan akurasi sistem hingga 9,77%, menandakan peningkatan signifikan dibandingkan metode sebelumnya.Â
Selain itu, teknik Synthetic Minority Over-sampling (SMOTE) digunakan untuk mengatasi masalah ketidakseimbangan data, yang sering kali menjadi tantangan besar dalam pengembangan model machine learning. Akurasi akhir sistem mencapai 89%, menjadikannya salah satu sistem rekomendasi terbaik di sektor kuliner Bandung saat ini. Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa penggabungan algoritma modern seperti CBF dan DFF dapat memberikan solusi yang efektif dan efisien dalam menghadirkan rekomendasi yang relevan dan akurat, tidak hanya di bidang kuliner tetapi juga dapat diadaptasi ke sektor lain yang membutuhkan personalisasi dalam layanannya.
***
Sistem rekomendasi restoran yang dikembangkan oleh Maulana dan Setiawan (2024) menggunakan kombinasi metode Content-Based Filtering (CBF) dan Deep Feed Forward Neural Network (DFF) sebagai inovasi untuk meningkatkan akurasi dalam memberikan rekomendasi kepada pengguna. CBF sendiri bekerja dengan memanfaatkan informasi konten dari item yang direkomendasikan, seperti nama restoran, deskripsi, dan jenis masakan, lalu mencocokkannya dengan preferensi pengguna. Sementara itu, DFF Neural Network menambahkan elemen klasifikasi yang lebih mendalam, memastikan bahwa sistem tidak hanya mengenali pola dari data yang ada, tetapi juga dapat memprediksi preferensi masa depan pengguna dengan lebih akurat.
Metode CBF yang diterapkan menggunakan teknik Bag of Words (BoW) untuk mengonversi konten menjadi vektor numerik yang memungkinkan perhitungan kemiripan antar item melalui cosine similarity. Hasil dari pendekatan ini menunjukkan bahwa sistem mampu mencapai Mean Absolute Error (MAE) sebesar 0.0614 dan Root Mean Square Error (RMSE) sebesar 0.0934. Angka ini menunjukkan bahwa sistem memberikan prediksi rating restoran yang sangat akurat. Namun, keunggulan utama dari sistem ini terlihat saat digabungkan dengan DFF, yang membawa peningkatan akurasi sebesar 9,77%, mencapai 89% setelah proses tuning hyperparameter.
Selain itu, penggunaan teknik Synthetic Minority Over-sampling (SMOTE) merupakan langkah penting dalam menangani ketidakseimbangan data yang kerap menjadi kendala dalam model pembelajaran mesin. SMOTE meningkatkan jumlah data dari kelas minoritas dengan membuat data sintetik baru yang tidak hanya menambah volume data, tetapi juga menjaga variasi data agar sistem tidak overfit. Dengan adanya SMOTE, distribusi data menjadi lebih seimbang, memungkinkan DFF untuk bekerja lebih optimal dalam memberikan rekomendasi.
Pentingnya optimasi dalam DFF juga tidak bisa diabaikan. Penelitian ini menunjukkan bahwa penggunaan optimasi RMSprop yang dikombinasikan dengan pengaturan learning rate 0.0596 mampu memberikan hasil terbaik. Dari sini, terlihat bahwa tuning parameter seperti ini dapat sangat mempengaruhi performa model secara keseluruhan, terutama dalam aplikasi yang melibatkan data yang kompleks dan dinamis seperti ulasan restoran. Data yang diperoleh dari media sosial seperti Twitter juga menambah relevansi sistem rekomendasi ini, menjadikannya lebih kontekstual dan sesuai dengan kebutuhan pengguna sehari-hari.
***
Kesimpulannya, sistem rekomendasi restoran yang dikembangkan oleh Maulana dan Setiawan (2024) menunjukkan inovasi yang signifikan dalam memanfaatkan kombinasi metode Content-Based Filtering (CBF) dan Deep Feed Forward Neural Network (DFF). Dengan peningkatan akurasi hingga 9,77%, sistem ini membuktikan bahwa teknologi berbasis pembelajaran mesin yang canggih mampu memberikan hasil yang lebih akurat dan relevan. Penggunaan SMOTE untuk menyeimbangkan data juga memainkan peran kunci dalam meningkatkan kualitas prediksi, sementara optimasi RMSprop berhasil meningkatkan kinerja sistem lebih jauh. Penggunaan data dari media sosial seperti Twitter menambah dimensi baru dalam konteks sistem rekomendasi ini, karena informasi yang diberikan menjadi lebih sesuai dengan kebutuhan pengguna secara real-time.
Implikasi dari penelitian ini tidak hanya terbatas pada rekomendasi restoran di Bandung, tetapi juga membuka jalan untuk diterapkannya teknologi serupa di berbagai sektor lain, seperti e-commerce, pariwisata, dan layanan digital lainnya. Dengan terus berkembangnya teknologi dan data yang lebih kaya dari interaksi pengguna di media sosial, potensi peningkatan akurasi dan personalisasi sistem rekomendasi akan terus meningkat, menjadikan pengalaman pengguna lebih terarah dan memuaskan. Penelitian ini menunjukkan bahwa penggabungan metode CBF dan DFF adalah langkah maju yang strategis dalam pengembangan sistem rekomendasi di masa depan.
Referensi
