<![CDATA[Sistem rekomendasi wisata mengolah data wisata menjadi informasi yang disajikan untuk user. Banyak metode yang bisa digunakan untuk membuat system rekomendasi. Dalam penerapan system rekomendasi pasti ada kelemahan yang harus diperbaiki. kelemahan yang sering terjadi dalam penggunaan system rekomendasi adalah kecepatan dan akurasi yang rendah. Untuk mengatasi hal tersebut digunakan algoritma sebagai solusi. Algoritma collaborative Filtering digunakan untuk meningkatkan akurasi sedangkan untuk meningkatkan kecepatan menggunakan algoritma K Nearest Neighbors dan K-Means. Untuk mengetahui peningkatan kecepatan diukur dari kecepatan proses rekomendasi dan untuk mengetahui peningkatan akurasi diukur mengunakan precision, recall dan F1- Score. Setelah Pengukuran diketahui bahwa Collaborative Filtering dan K-Nearest Neighbors dengan Klasifikasi K-Means memiliki akurasi rekomendasi yang lebih tinggi dengan peningkatan Precision dari 0.06 menjadi 0.35, Recall dari 0.06 menjadi 0.36, dan F1-Score dari 0.06 menjadi 0.35. Namun Kecepatanya lebih rendah yaitu 0.0919808 second per proses sedangkan tanpa algoritma 0.002626 second per proses. Penggunaan algoritma Collaborative Filtering, K-Means Clustering, dan K-Nearest Neighbors tidak dapat meningkatkan kecepatan sistem rekomendasi namun dapat meningkatkan akurasinya. Hal ini disebabkan oleh waktu yang dibutuhkan untuk menjalankan algoritma.]]>
Copyrights © 2024
