Pemanfaatan Random Forest Classifier Untuk Sistem Rekomendasi Makanan Berbasis Preferensi Pengguna

Abstrak

Keragaman pilihan makanan seringkali menyulitkan konsumen dalam menentukan hidangan yang sesuai dengan preferensi, sebuah permasalahan yang relevan bagi mahasiswa Universitas Esa Unggul Bekasi. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi makanan berbasis web yang dapat memprediksi dan menyajikan rekomendasi personal berdasarkan preferensi pengguna. Algoritma Random Forest Classifier dipilih sebagai inti model karena kemampuannya dalam mengelola data kompleks dan memberikan prediksi akurat untuk preferensi seperti jenis makanan (berkuah/tidak berkuah), tingkat kepedasan, kebutuhan diet khusus, dan pertimbangan alergi. Metodologi penelitian mengadopsi pendekatan prototyping, melibatkan pengumpulan data ekstensif dari dataset Kaggle (14.948 data) dan hasil web scraping dari Cookpad. Data kemudian diproses melalui standarisasi kolom, pembersihan teks, penggabungan, penghapusan duplikat, estimasi gizi, dan pelabelan. Model Random Forest Classifier dilatih dan diimplementasikan dalam aplikasi web yang memungkinkan pengguna memasukkan preferensi dan menerima rekomendasi berupa deskripsi makanan, gambar, serta resep singkat, termasuk informasi nutrisi lengkap. Hasil pengujian menunjukkan akurasi model yang tinggi: 89.84% untuk jenis makanan, 95.24% untuk tingkat pedas, dan 92.43% untuk tipe hidangan, membuktikan efektivitas sistem dalam memberikan rekomendasi yang relevan. Penelitian ini berkontribusi pada pengembangan sistem rekomendasi kuliner yang lebih personal dan efisien di lingkungan universitas.