<![CDATA[Pesatnya pertumbuhan industri coffee shop memicu persaingan bisnis yang ketat dan menimbulkan masalah penumpukan informasi (information overload) bagi pelanggan dalam memilih menu. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan menguji sistem rekomendasi menu personal berbasis website pada Teppi Rasa Coffee & Eatery melalui integrasi metode hybrid filtering. Metode pengembangan sistem yang digunakan adalah Waterfall, dengan menerapkan algoritma Weighted Hybrid Filtering yang menggabungkan jalur Content-Based Filtering (CBF) melalui Cosine Similarity dan Collaborative Filtering (CF) berbasis tren popularitas global. Komposisi bobot linear ditetapkan secara konsisten sebesar ? = 0.6 untuk komponen CBF dan ? = 0.4 untuk komponen CF, dengan nilai pembatas popularitas maksimal (Nmax) dikonfigurasikan sebesar 50. Hasil simulasi komputasi komparatif pada akun pelanggan Bintang membuktikan bahwa sistem mampu menghasilkan daftar Top-8 Recommendations yang seimbang, di mana menu Americano menempati peringkat teratas dengan Hybrid Score 92.9% (didominasi preferensi kopi internal), sementara menu Taro Latte dari kategori baru tetap berhasil direkomendasikan pada peringkat ke-8 dengan skor 24% murni dari jalur tren pasar eksternal. Evaluasi fungsionalitas menggunakan Black Box Testing menunjukkan tingkat keberhasilan mutlak sebesar 100% tanpa adanya diskrepansi data desimal pada antarmuka. Sistem ini terbukti secara ilmiah dapat menjadi instrumen keputusan yang adaptif bagi pelanggan, ditandai dengan keberhasilan merekomendasikan produk lintas kategori melalui kontribusi skor CF hingga 40% meskipun skor CBF sebesar 0%, sekaligus mengatasi kelemahan overspecialization pada sistem rekomendasi tunggal.]]>
Copyrights © 2026
