VOKASI NEWS – Sistem rekomendasi parfum berbasis Content-Based Filtering dan K-Means Clustering memberikan saran aroma sesuai preferensi pengguna dengan akurasi hingga 99% dan pengelompokan aroma optimal.
Perkembangan teknologi informasi telah menghadirkan berbagai inovasi dalam membantu masyarakat memilih produk yang sesuai kebutuhan. Salah satu inovasi tersebut adalah sistem rekomendasi, yang digunakan untuk memberikan saran produk berdasarkan data dan preferensi pengguna. Dalam bidang kosmetik dan wewangian, pemilihan parfum sering kali menjadi tantangan karena beragamnya jenis, aroma, dan karakteristik yang tersedia. Oleh karena itu, dibutuhkan sistem yang mampu memberikan rekomendasi parfum secara akurat, sesuai karakteristik aroma yang diinginkan.
Sistem rekomendasi parfum ini dirancang dengan menggabungkan metode Content-Based Filtering dan algoritma K-Means Clustering. Content-Based Filtering berfungsi mengidentifikasi kemiripan antar produk berdasarkan atribut yang dimiliki. Sedangkan K-Means Clustering digunakan untuk mengelompokkan parfum ke dalam beberapa cluster sesuai kesamaan karakteristik aromanya. Data penelitian bersumber dari platform Kaggle, mencakup atribut penting seperti nama parfum, merek, harga terbaru, volume, konsentrasi, aroma utama (scents), base note, dan middle note. Sebelum pemodelan, dilakukan proses pembersihan dan normalisasi data untuk memastikan kualitas informasi yang digunakan.
Proses Pemodelan dan Evaluasi Sistem
Tahap awal pengolahan melibatkan ekstraksi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) untuk mengubah informasi teks menjadi representasi numerik. Selanjutnya, algoritma K-Means Clustering membagi data parfum ke dalam kelompok yang memiliki karakteristik serupa. Ketika pengguna memberikan preferensi aroma, sistem akan menentukan cluster terdekat lalu menghitung tingkat kemiripan antara preferensi tersebut dengan parfum dalam cluster menggunakan Cosine Similarity.
Evaluasi sistem menunjukkan bahwa metode yang digunakan mampu menghasilkan rekomendasi dengan tingkat kemiripan yang sangat tinggi, dengan mayoritas nilai mencapai 99%. Struktur pengelompokan data parfum dinilai cukup baik dengan nilai Silhouette Score tertinggi sebesar 0,54, yang menandakan kualitas pembentukan cluster tergolong optimal. Hasil ini membuktikan bahwa kombinasi Content-Based Filtering, K-Means Clustering, dan Cosine Similarity dapat memberikan rekomendasi parfum yang relevan dan efektif.
Manfaat dan Pengembangan Sistem Rekomendasi
Sistem rekomendasi parfum ini dapat membantu konsumen memilih produk sesuai preferensi tanpa harus mencoba banyak pilihan secara langsung. Selain itu, teknologi ini berpotensi diterapkan dalam platform e-commerce untuk meningkatkan kepuasan dan pengalaman pengguna. Dengan adanya pengelompokan aroma yang akurat, sistem dapat mempercepat proses pencarian parfum yang sesuai karakteristik pengguna. Sistem rekomendasi yang memanfaatkan analisis konten dan pengelompokan mampu meningkatkan relevansi hasil rekomendasi pada berbagai bidang.
Pengembangan sistem rekomendasi parfum berbasis Content-Based Filtering dan K-Means Clustering ini menunjukkan performa yang baik dalam memberikan saran produk sesuai preferensi pengguna. Nilai kemiripan tinggi dan struktur cluster yang optimal membuktikan bahwa metode ini efektif diterapkan pada data parfum dengan karakteristik beragam. Ke depannya, sistem ini dapat diperluas dengan penambahan metode hybrid atau integrasi data ulasan pengguna untuk meningkatkan akurasi rekomendasi.
[BACA JUGA: Pembuatan Clear Retainer Penambahan Kait pada Diastema Sentral Rahang Atas]
***
Penulis: Indah Narendra Dwi
