Perancangan Sistem Rekomendasi Produk Herbal Menggunakan Content-Based Filtering
DOI:
https://doi.org/10.47701/c0nsjt07Keywords:
sistem rekomendasi, herbal, content-based filtering, penyakit, produk tradisionalAbstract
Penggunaan produk herbal sebagai alternatif pengobatan tradisional semakin diminati masyarakat karena dianggap lebih alami dan minim efek samping. Namun, banyaknya pilihan produk herbal seringkali membuat pengguna kesulitan dalam menentukan produk yang sesuai dengan kebutuhan kesehatannya. Penelitian ini bertujuan untuk merancang sistem rekomendasi produk herbal yang dapat memberikan saran berdasarkan penyakit atau gejala yang dialami pengguna. Metode content-based filtering digunakan dalam sistem ini untuk mencocokkan informasi penyakit dengan manfaat, komposisi, dan deskripsi produk herbal yang tersedia. Sistem dirancang menggunakan basis data relasional yang menyimpan data penyakit, produk herbal, dan relasi antara keduanya. Hasil dari sistem ini berupa daftar rekomendasi produk herbal yang paling relevan dengan input penyakit dari pengguna. Pengujian dilakukan menggunakan data uji gejala umum seperti asam urat, flu, dan kolesterol, yang menunjukkan bahwa sistem mampu memberikan rekomendasi yang sesuai dan informatif. Sistem ini diharapkan dapat menjadi solusi praktis dalam mendukung pengambilan keputusan dalam memilih produk herbal secara tepat dan efisien.
References
[1] Kementerian Kesehatan Republik Indonesia. (2017). Profil Kesehatan Indonesia Tahun 2017.
[2] Astin, J. A. (1998). Why patients use alternative medicine: Results of a national study. JAMA, 279(19), 1548–1553.
[3] World Health Organization (WHO). (2013). WHO Traditional Medicine Strategy 2014–2023.
[4] Rahmawati, A., Yulianti, D., & Ramdani, A. (2020). Pemanfaatan Obat Tradisional dalam Kehidupan Sehari-hari Masyarakat Indonesia. Jurnal Ilmiah Kesehatan, 10(1), 12–20.
[5] Ricci, F., Rokach, L., & Shapira, B. (2015). Recommender Systems Handbook. Springer.
[6] Lops, P., de Gemmis, M., & Semeraro, G. (2011). Content-based Recommender Systems: State of the Art and Trends. In Recommender Systems Handbook. Springer.
[7] Pressman, R. S. (2010). Software Engineering: A Practitioner’s
Approach (7th ed.). McGraw-Hill.
[8] B. Sarwar, G. Karypis, J. Konstan, and J. Riedl, “Item-based collaborative filtering recommendation algorithms,” Proc. 10th Int. Conf. World Wide Web (WWW '01), Hong Kong, 2001, pp. 285– 295, doi: 10.1145/371920.372071.
[9] M. J. Pazzani and D. Billsus, “Content-Based Recommendation Systems,” in The Adaptive Web, P. Brusilovsky, A. Kobsa, and W. Nejdl, Eds. Berlin, Heidelberg: Springer, 2007, pp. 325–341. doi: 10.1007/978-3-540-72079-9_10.
[10] A. Lops, M. De Gemmis, and G. Semeraro, “Content-based Recommender Systems: State of the Art and Trends,” in Recommender Systems Handbook, F. Ricci, L. Rokach, B. Shapira, and P. B. Kantor, Eds. Springer, 2011, pp. 73–105.
[11] Lops, P., De Gemmis, M., & Semeraro, G. (2011). Content-based recommender systems: State of the art and trends. In F. Ricci, L. Rokach, B. Shapira, & P.B. Kantor (Eds.), Recommender Systems Handbook (pp. 73–105). Springer. https://doi.org/10.1007/978-0- 387-85820-3_3
[12] Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press.
