restaurants system recommendation

Pemodelan Sistem Rekomendasi Restoran berdasarkan Preferensi Selera pada Pengguna

~ Arif Akbarul Huda ~

Pertumbuhan restoran di indonesia

2007 2008 2009 2010 20110

500

1000

1500

2000

2500

3000

3500

Ilustrasi pertumbuhan restoran di indonesia

Sumber : Statistik Restoran/Rumah Makan (BPS)

TREN KULINER

THE OVERLOAD OF INFORMATION

bagi sebagian orang keberlimpahan konten/informasi justru menjadi suatu kesulitan tersendiri terutama dalam mengolah informasi yang

diperlukan (A. Zanda, 2012)

Perlu alat untuk menyaring informasi

Sistem rekomendasi

Related work

Nugroho [1] telah berhasil membuat sistem rekomendasi restoran dengan mempertimbangkan kebutuhan kalori penggunanya. 20014

Arief [8] membangun sebuah sistem rekomendasi wisata di

wilayah Yogyakarta dengan pendekatan collaborative-filtering

dan penyaringan informasi berdasarkan lokasi. 2012

Chu [5] memperkenalkan sistem rekomendasi restoran yang dapat mengenali perilaku diet,

pola makan dan kesukaan makanan bersayur pada penggunanya. 2013

Daraghmi [14] memberikan kontrobusi dalam pembuatan sistem rekomendasi restoran dengan

mempertimbangkan agama, budaya, alergi, riwayat kesehatan, dan aktifitas diet

penggunanya 2013

Liu [13] memerkenalkan teknik rekomendasi restoran dengan cara memperhatikan opini dan rating yang

diberikan penggunanya. 2013

2011 2012 2013 2014 2015

S E L E R A

Rasa, sangat penting bagi seseorang terutama dalam memilih makanan ~Arthur Guyton~

(Textbook of Medical Physiology, page 663)

Fakta tentang Rasa

✔ 3k-10k senseor pengecap

✔ Rasa => reaksi kimia

✔ lima dasar rasa yaitu manis, asam,

asin, pahit, gurih

Arthur Guython (Textbook of Medical Physiology, page 665)

Kuantifikasi rasa

Domain Expert ( a chef) Electronic tongue

-VS-

It is not my domain

Adityo Nugroho

● 2 tahun di Hotel Royal Ambarukmo● 4 bulan di Hotel 101 Yogyakarta● 2 bulan sebagai konsultan menu di

The Real Steak House Batam● selama 3 tahun menekuni usaha

katering-sekarang

The expert….

F.O.C.U.S

Memodelkan sistem rekomendasi, dengan

kelebihan mampu mengenali preferensi

selera seorang pengguna sehingga dapat

merekomendasikan restoran bersama salah

satu menu makanannya yang sesuai dengan

selera pengguna.

BATASAN MASALAH

1) Datasheet diberikan berdasar asumsi dari pakar

2) smartphone android.

3) Yogyakarta area.

4)Pengguna tidak memiliki pantangan terhadap

makanan.

Usulan metode{arsitektur tingkat tinggi}

Usulan metode{Pemodelan sistem rekomendasi}

atribut

BitterSalty

SavorySour

SweetSauceSpicyMeat

vegetable

BitterSalty

SavorySour

SweetSauceSpicyMeat

vegetable

Preferensi seleraKarakter dan rasa

Usulan metode{Pemodelan sistem rekomendasi}

Setiap atribut berisi bobot nilai antara 0-1

atributitem

Soto Ayam Kampung

preferensi pengguna

bitter 0.00 0.00

sweet 0.70 0.63

savory 0.60 0.60

salty 0.20 0.23

sour 0.00 0.07

spicy 0.00 0.43

sauce 1.00 0.67

meat 0.80 0.83

vegetable 0.70 0.57

Usulan metode{Pemodelan sistem rekomendasi}

atribut

nama makananpreferensi pengguna

Mie Ayam Super Jumbo

Soto Ayam Kampung

Soto Campur

Rica-rica Mentok

Tengkleng Kambing

bitter 0.00 0.00 0.00 0.00 0.00 0.00

sweet 0.50 0.70 0.70 0.40 0.40 0.63

savory 0.40 0.60 0.50 0.40 0.40 0.60

salty 0.20 0.20 0.20 0.10 0.10 0.23

sour 0.00 0.00 0.20 0.00 0.10 0.07

spicy 0.50 0.00 0.40 0.70 0.60 0.43

sauce 0.80 1.00 1.00 0.70 0.60 0.67

meat 0.80 0.80 0.60 1.00 1.00 0.83

vegetable 0.30 0.70 0.70 0.00 0.00 0.57

Makanan mana yang cocok dengan selera pengguna?

Similarity measurement

● Eudiclane distance● Cosine similarity● Pearson Corellation

pearson corellation memberikan hasil yang lebih bagus dibandingkan cara yang lain terutama dalam situasi dimana data

tidak ternormalisasi dengan baik. Pearson correlation menunjukkan seberapa linear hubungan antara dua buah item

yang diperbandingkan. (T. Segaran,2007)

Eudiclane Distance

Cosine Similarity

Pearson Correlation

Usulan metode

atributitem

Soto Ayam Kampung

preferensi pengguna

bitter 0.00 0.00

sweet 0.70 0.63

savory 0.60 0.60

salty 0.20 0.23

sour 0.00 0.07

spicy 0.00 0.43

sauce 1.00 0.67

meat 0.80 0.83

vegetable 0.70 0.57

Pearson Correlation

Usulan metode

atributitem

x y

bitter 0.00 0.00

sweet 0.70 0.63

savory 0.60 0.60

salty 0.20 0.23

sour 0.00 0.07

spicy 0.00 0.43

sauce 1.00 0.67

meat 0.80 0.83

vegetable 0.70 0.57

Pearson Correlation

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 1.20

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

bitter

sweetsavory

salty

sour

spicy

sauce

meat

vegetable

Soto Ayam Kampung

pre

fere

nsi

pe

ng

gu

na

r(soto ayam , preferensi pengguna)=0.789

√0.658∗√1.242=0.8727

Pearson Correlation

rentang nilai korelasi

keterangan pesan

0.80-1.00 tingkat korelasi sangat tinggi

sangat direkomendasikan

0.60-0.79 korelasi tinggi mungkin Anda suka

0.40-0.59 korelasi rendah boleh dicoba

0.20-0.39 korelasi sangat rendah -

0.00-0.19 tidak ada korelasi -

<< -1.00 berkebalikan -

Pengelompokan Nilai Korelasi

Evaluasi dan hasil

✔ Skenario ekstrim

✔ Skenario reset preferensi

✔ Skenario normal

atribut

nama makananpreferensipenggunaSoto Pisah Nasi Uduk

Ayam BakarSoto Sapi

bitter 0.00 0.00 0.00 0.00

sweet 0.70 0.70 0.50 0.63

savory 0.50 0.80 0.50 0.60

salty 0.20 0.20 0.30 0.23

sour 0.20 0.00 0.00 0.07

spicy 0.40 0.70 0.20 0.43

sauce 1.00 0.00 1.00 0.67

meat 0.60 1.00 0.90 0.83

vegetable 0.70 0.40 0.60 0.57

Skenario Ekstrim

preferensi sweet=0.7+0.7+0.5

3=0.63

noitem

nilai korelasi

jarak pinnedrestoran menu

1 Mie Ayam Super Jumbo “AFUI” Mie Ayam Super Jumbo 0.9076 2.8993 ya

2 Soto Sawah Bu Hadi Soto Ayam Kampung 0.8727 1.9495

3 Soto Kudus Pak Dewo Soto Campur 0.8604 0.2433

4 Warung Rica-Rica Mentok Wirobrajan

Rica-rica Mentok 0.7493 1.8250

5 Tengkleng Gajah Tengkleng Kambing 0.7430 4.0269

Skenario Ekstrim

Skenario Ekstrim

Memberi feedback pin

noitem

Nilai korelasi

jarakrestoran menu

1 Soto Kudus Pak Dewo Soto Campur 0.8646 0.2433

2 Soto Sawah Bu Hadi Soto Ayam Kampung

0.8602 1.9495

3 Warung Rica-Rica Mentok Wirobrajan

Rica-rica mentok 0.8069 1.8250

4 Warung Rica-Rica Mentok Wirobrajan

Rica-rica ayam 0.8069 1.8250

5 Tengkleng Gajah Tengkleng Kambing 0.7947 4.0269

Memberi feedback pin

Reset preferensi

atribut Preferensi Pengguna

bitter 0.00

sweet 0.10

savory 0.10

salty 0.20

sour 0.10

spicy 1.00

sauce 0.00

meat 0.20

vegetable 0.80

no item Nilai korelasi jarak

restoran menu

1 Spesial Bawang ‘Mas Kobis’

Nasi Telur Terong Penyet

0.8793 1.1406

2 Warung Sego Macan Sego Macan 0.8282 1.2946

3 Lotek Teteg Lempuyangan

Lotek 0.8007 0.7930

4 Lotek Teteg Lempuyangan

Gado-gado 0.7604 0.7930

5 Kupat Tahu Magelang 21

Tahu Kupat 0.7235 2.5803

Reset preferensi

noitem

nilai korelasi jarakrestoran menu

1 Sambal Bawang Bu Santi

Nasi Ikan Nila Sambal Bawang

0.9156 2.364

2 warung makan ngudi rejeki

Nasi uduk ayam bakar

0.9050 1.1401

3 Kedai Rumah Pohon

Nasi Guendheng 0.8860 0.7781

4 Spesial Bawang “Mas Kobis”

nasi ayam penyet 0.8826 1.1406

5 Warung Sate Samirono

Sate Kambing 0.8825 0.5240

Skenario Normal

1)Rasa dan Selera dapat direpresentasikan dengan bitter, salty,

sour, savory, sweet, sauce, spicy, meat dan vegetable.

2)Dapat merekomendasikan restoran + makanannya.

3)rentang nilai korelasi dari 0.7 hingga 0.9.

Kesimpulan

1)Tag, Rating dan Komentar

2)Collaborative Filtering untuk restoran

3)User Generated Content

4)Share

Saran

video