Rekomendasi Resep Masakan Menggunakan Metode Content-Based Filtering dan Collaborative Filtering

Abstract

Pertumbuhan pesat platform kuliner digital telah menyebabkan kelebihan informasi yang menyulitkan pengguna untuk menemukan resep yang sesuai dengan preferensi mereka. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem rekomendasi resep dengan membandingkan metode Content-Based Filtering (CBF) dan Item-Based Collaborative Filtering (CF). Menggunakan dataset Food.com yang memuat lebih dari 230.000 resep dan 1,1 juta interaksi pengguna, sistem ini menerapkan TF-IDF untuk representasi teks dan memproses rating pengguna menjadi umpan balik implisit (implicit feedback). Kinerja kedua metode dievaluasi menggunakan metrik Precision@K, Recall@K, dan HitRate@K (K=50). Hasil penelitian menunjukkan bahwa Collaborative Filtering secara signifikan mengungguli Content-Based Filtering, dengan capaian HitRate@50 sebesar 0,1830 berbanding 0,0538 pada CBF. Meskipun CBF mampu memberikan relevansi semantik berdasarkan bahan dan tags, pendekatan CF terbukti lebih efektif dalam menangkap preferensi kolektif pengguna dalam skala data besar. Penelitian ini menyimpulkan bahwa Collaborative Filtering menawarkan akurasi yang lebih tinggi, sementara Content-Based Filtering tetap penting untuk mengatasi keterbatasan data interaksi awal serta melengkapi ekosistem rekomendasi.