Penerapan Content-Based Filtering untuk Rekomendasi UMKM Kuliner di Kota Surakarta
Keywords:
Content-Based Filtering, Google Maps, Kuliner Surakarta, Fasilitas, TF-IDFAbstract
Kota Surakarta terkenal sebagai salah satu destinasi wisata kuliner legendaris yang memiliki keanekaragaman makanan tradisional yang kaya. Pertumbuhan Usaha Mikro, Kecil, dan Menengah (UMKM) kuliner yang sangat pesat sering kali menimbulkan tantangan berupa limpahan informasi bagi wisatawan maupun warga lokal dalam memilih tempat makan yang sesuai dengan preferensi selera dan kenyamanan mereka. Penelitian ini bertujuan mengembangkan sistem rekomendasi kuliner berbasis Content-Based Filtering (CBF) yang memanfaatkan pencocokan multi-atribut konten yang mencakup kategori utama, menu andalan, kata kunci ulasan, dan fasilitas fisik tempat makan. Data primer dikumpulkan langsung dari Google Maps tanpa melibatkan rating subjektif untuk menghindari bias penilaian. Sistem ini menggunakan algoritma Term Frequency-Inverse Document Frequency (TF-IDF) untuk mengekstrak dan memberikan bobot pada fitur konten serta algoritma Cosine Similarity untuk menghitung indeks kemiripan antar-UMKM kuliner berdasarkan preferensi fasilitas dan menu pengguna. Hasil eksperimen komputasi menunjukkan bahwa pemodelan CBF berbasis atribut fasilitas mampu menghasilkan rekomendasi kuliner yang sangat presisi, relevan, dan andal. Berdasarkan simulasi pengujian query menu soto sapi dengan fasilitas parkir, sistem merekomendasikan Soto Arinda (Kerten) sebagai rekomendasi utama dengan nilai similarity sebesar 0,949, sekaligus menjadi instrumen strategis dalam memperluas jangkauan promosi digital bagi pelaku UMKM kuliner di Kota Surakarta.
References
[1] Muchalim Danu Warta, Pramono, and Joni Maulindar, “SISTEM REKOMENDASI KULINER IKONIK KOTA SOLO MENGGUNAKANMETODE CONTENT BASED FILTERING,” J. Teknol. Terpadu, vol. 11, pp. 78–86, Jul. 2025, doi: https://doi.org/10.54914/jtt.v11i1.1870.
[2] R. H. Mondi and A. Wijayanto, “RECOMMENDATION SYSTEM WITH CONTENT-BASED FILTERING METHOD FOR CULINARY TOURISM IN MANGAN APPLICATION.”
[3] I. Rasyid, M. R. A. Yudianto, M. Maimunah, and T. A. Purnomo, “Electronic Product Recommendation System Using the Cosine Similarity Algorithm and VGG-16,” sinkron, vol. 8, no. 4, pp. 2120–2129, Oct. 2023, doi: 10.33395/sinkron.v8i4.12936.
[4] Z. D. Artika and E. B. Setiawan, “CONTENT-BASED FILTERING CULINARY RECOMMENDATION SYSTEM USING DEEP CONVOLUTIONAL NEURAL NETWORK ON TWITTER (X),” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 10, no. 2, pp. 333–341, Nov. 2024, doi: 10.33480/jitk.v10i2.5640.
[5] Z. A. Ekovinh, Moh. Muhtarom, and N. F. Muhammad, “Solo Culinary Recommendation System Use Web-Based Collaborative Filtering Method,” J. Adv. Inf. Ind. Technol., vol. 6, no. 2, pp. 103–112, Oct. 2024, doi: 10.52435/jaiit.v6i2.578.
[6] N. Saputri and P. Suryati, “Machine Learning-Based Book and Library Recommendation Application Using Content-Based Filtering Method,” J. Teknol. Inf. dan Terap., vol. 12, no. 1, pp. 25–33, Jun. 2025, doi: 10.25047/jtit.v12i1.445.
[7] N. P. T. Widiantari, I. M. A. D. Suarjaya, and N. K. D. Rusjayanthi, “Food Recipe Recommendation System with Content-Based Filtering and Collaborative Filtering Methods,” Sinkron, vol. 9, no. 3, pp. 1167–1776, Aug. 2025, doi: 10.33395/sinkron.v9i3.14778.
[8] Z. F. Falah and F. Suryawan, “Recommendation System to Propose Final Project Supervisor using Cosine Similarity Matrix,” 2022.
[9] R. G. Nugroho, S. Sumarlinda, and A. Srirahayu, “Camping Equipment Recommendation System Using Content-Based Filtering Method: A Case Study of Berkah Outdoor45,” Int. J. Softw. Eng. Comput. Sci., vol. 4, no. 3, pp. 1077–1088, Dec. 2024, doi: 10.35870/ijsecs.v4i3.3078.
[10] R. Amelia, A. L. Nurlaili, and F. P. Aditiawan, “A Web-Based Online Reservation System with Personalized Tourism Recommendations Using Content-Based Filtering,” bit-Tech, vol. 8, no. 3, pp. 3173–3183, Apr. 2026, doi: 10.32877/bt.v8i3.3382.
[11] F. Christyawan, A. N. Rohman, and A. D. Hartanto, “Application of Content-Based Filtering Method Using Cosine Similarity in Restaurant Selection Recommendation System,” J. Inf. Syst. Informatics, vol. 6, no. 3, pp. 1559–1576, Sep. 2024, doi: 10.51519/journalisi.v6i3.806.
