SISTEM REKOMENDASI MENU PAKET MIKLUR MENGGUNAKAN METODE CONTENT-BASED FILTERING DAN ALGORITMA APRIORI

Kurniawan, Dodyk and KASIH, PATMI and KUMALASARI NISWATIN, RATIH (2021) SISTEM REKOMENDASI MENU PAKET MIKLUR MENGGUNAKAN METODE CONTENT-BASED FILTERING DAN ALGORITMA APRIORI. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

Text (Full text) RAMA_55201_17103020085.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (918kB) | Request a copy

Abstract

Miklur merupakan salah satu kedai minuman susu di Kota Kediri. Kedai Miklur menawarkan berbagai varian minuman susu, teh, kopi dan soda. Dari varian minuman susu, terdapat varian yang kurang diminati oleh customer sehingga kedai menjadi sepi mengakibatkan penjualan rendah, kurang laku dan pembeli berkurang. Ide promosi menu juga belum bisa menarik hati customer untuk mencoba menu-menu yang ada. Hal ini membuat omset kedai tidak mengalami kenaikan dan customer merasa bosan karena pilihan menu yang itu- itu saja. Berdasarkan permasalahan tersebut, maka diperlukan sebuah solusi yang dapat memberikan sebuah rekomendasi untuk memperkirakan informasi yang menarik bagi pengguna dan membantu calon customer dalam memutuskan barang apa saja yang dipilih, salah satunya adalah menu paket yang diminati customer. Tujuan penelitian ini untuk membuat sebuah aplikasi yang membantu merekomendasi menu paket yang sesuai minat customer. Penelitian ini dilakukan dengan menggunakan metode Content-Based Filtering dan Algoritma Apriori. Content-Based Filtering merupakan metode sistem rekomendasi yang memberikan informasi rekomendasi berdasarkan kriteria pada suatu item. Sedangkan Algoritma Apriori merupakan algoritma yang menentukan hubungan asosiatif suatu kombinasi item. Menurut hasil uji coba dari 40 record data traning, nilai minimum support=40% dan nilai minimum confidence=40%, maka mendapatkan hasil rekomendasi berdasarkan rating tertinggi 0,5 dan juga membentuk aturan asosiasi dengan nilai confidence 100%.

Actions (login required)

View Item