Optimasi Sistem Rekomendasi Resep Makanan Berbasis Hybrid TF-IDF, Word2Vector, dan Indobert

Abstract

Sistem rekomendasi resep makanan berbasis teks merupakan solusi penting dalam membantu pengguna menemukan resep yang relevan berdasarkan bahan-bahan yang tersedia. Namun, pendekatan representasi teks tunggal seringkali memiliki keterbatasan dalam memahami konteks dan semantik bahasa. Artikel ini mengusulkan pendekatan hibrida untuk sistem rekomendasi resep makanan dengan menggabungkan TF-IDF, Word Embedding Word2Vec, dan model bahasa IndoBERT. Kami menggunakan dataset yang terdiri dari 14.000 data resep makanan Indonesia yang dikumpulkan dari berbagai kategori bahan utama. Sistem ini melakukan pra pemrosesan teks, ekstraksi fitur, perhitungan kesamaan menggunakan kesamaan cosinus, dan penggabungan skor (score fusion) untuk menghasilkan peringkat rekomendasi resep. Hasil eksperimen menunjukkan bahwa pendekatan hibrida dapat menghasilkan rekomendasi yang lebih relevan secara leksikal dan semantik dibandingkan dengan metode tunggal. Sistem ini mampu menampilkan daftar resep dengan kesamaan tertinggi sesuai dengan kata kunci bahan yang dimasukkan oleh pengguna.