| dc.description.abstract | Pemesanan makanan Indonesia yang dilakukan pelanggan pada lokasi yang asing menjadi tantangan bagi collaborative consumption (CC) platform untuk memberikan rekomendasi yang cocok dengan preferensi pelanggan. Perpindahan lokasi pemesanan menyebabkan pelacakan preferensi menjadi tidak mudah. Selain itu, makanan Indonesia menyebar dari daerah asalnya dan mengalami modifikasi di daerah baru. Penelitian ini mengekstrak preferensi pelanggan menggunakan data pemesanan dan menjadi dasar untuk pemberian rekomendasi. Motivasi penelitian ini adalah mencari makanan segar dan spesifik yang mirip dengan makanan yang sebelumnya pernah dipesan pelanggan yang dinilai memiliki rating tinggi. Sehingga, sistem rekomendasi yang dibangun diharapkan dapat memberikan rekomendasi makanan yang mirip dengan asal daerah aslinya.
Tujuan dari penelitian ini adalah: (1) memodelkan sebuah bisnis proses baru pada sistem rekomendasi yang bisa mengikuti perpindahan lokasi pemesanan pelanggan dan makanan, (2) membangun basis data graf dan algoritma untuk memperoleh purwarupa sederhana, dan (3) melakukan uji coba dan mengevaluasi purwarupa sederhana. Penelitian ini mengumpulkan data melalui wawancara dengan pakar dan survei kepada pelanggan untuk mengetahui atribut makanan Indonesia. Data juga diambil melalui pengamatan platform GoFood untuk mengetahui kondisi CC platform saat ini. Penelitian ini mengekstrak data dari Zomato serta Google untuk membangun basis data graf awal.
Penelitian ini mengaplikasikan algoritma skyline query multi-layer graph untuk memberikan rekomendasi makanan kepada pelanggan. Skyline query menampilkan objek skyline pada diagram optimum Pareto yang disebut sebagai preferensi pelanggan. Skyline query menghasilkan makanan yang memiliki kemiripan paling tinggi di dalam basis data.
Adanya ragam data transaksi dan varian makanan yang banyak akan meningkatkan kompleksitas perhitungan. Sehingga, penting untuk membangun basis data graf. Penelitian ini menggunakan jarak cosinus dan jarak Gower pada basis data graf sebagai hubungan yang menilai kemiripan objek makanan. Atribut ini yang digunakan sebagai multi-layer dalam algoritma skyline multi-layer graph.
Penelitian menghasilkan sistem yang memiliki tiga stakeholder: Horeka, sistem rekomendasi, dan pelanggan. Basis data graf dibangun menggunakan platform Neo4j. Makanan Indonesia memiliki 17 atribut pada node produk. Multi-layer berupa jarak kosinus pada lapisan pertama dan jarak Gower pada lapisan kedua. Hasil uji coba berupa: algoritma berhasil memberikan rekomendasi dalam waktu paling lama 0.004 detik untuk posisi poin query yang sama dengan 1 hingga 2 makanan yang direkomendasikan dan 0.003 detik untuk poin query yang berbeda dengan 1 hingga 3 makanan yang direkomendasikan. Kemiripan makanan yang diberikan diatas 70%, kecuali untuk produk Pro16 (69%) dan Pro6 (65,5%). | id |
