Implementasi Metode Support Vector Machine (SVM) Pada Sistem Rekomendasi Produk Perawatan Wajah Berbasis Web
Abstract
Industri kecantikan dan kosmetik yang terus berkembang menghadirkan banyak pilihan produk, yang seringkali membuat konsumen bingung. Kesalahan dalam memilih produk perawatan wajah dapat berdampak buruk pada kesehatan kulit dan kepuasan konsumen. Untuk mengatasi masalah ini, penelitian ini bertujuan mengembangkan sistem rekomendasi produk perawatan wajah berbasis website dengan menggunakan metode Support Vector Machine (SVM). Aplikasi yang dikembangkan akan memberikan rekomendasi produk perawatan wajah yang dipersonalisasi berdasarkan data pengguna yang meliputi karakteristik dan kondisi kulit, serta riwayat pemakaian produk. Penelitian ini menggunakan pendekatan AI Project Cycle untuk memandu setiap tahapannya, dimana tahapan meliputi problem scopping, data acquisition, data exploration, data exploration, modelling, evaluasi model dan deployment. Adapun data preferensi konsumen dikumpulkan melalui Google Form. Hasil penelitian menunjukkan bahwa sistem rekomendasi produk perawatan wajah berbasis website dapat berjalan dengan baik dan memberikan rekomendasi yang sesuai dimana hasil evaluasi model menunjukkan tingkat akurasi lebih dari 90%. Hasil penelitian ini diharapkan dapat memberikan kemudahan bagi pengguna dalam menentukan pilihan produk kecantikan wajah yang sesuai dengan karakteristik kulit wajah pengguna
Keywords
Full Text:
PDFReferences
A. Cătălina, “Current Development Trends of The Cosmetic Industry Tendințele Actuale De Dezvoltare a Industriei Cosmetice”, doi: 10.5281/zenodo.7542985.
Y. Visher Laja Jaja, B. Susanto, L. Ricky Sasongko, dan K. Kunci, “Penerapan Metode Item-Based Collaborative Filtering Untuk Sistem Rekomendasi Data MovieLens,” 2020. [Daring]. Tersedia pada: https://ejournal.unsrat.ac.id/index.php/decartesian
R. Oktafiani dan R. Rianto, “Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 9, no. 2, hlm. 113–121, Agu 2023, doi: 10.25077/teknosi.v9i2.2023.113-121.
W. Apriliah dkk., “SISTEMASI: Jurnal Sistem Informasi Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest,” 2021. [Daring]. Tersedia pada: http://sistemasi.ftik.unisi.ac.id
A. R. Pratama, R. Rizky Aryanto, A. Taufiq, M. Pratama, dan P. Korespondensi, “Model Klasifikasi Calon Mahasiswa Baru Untuk Sistem Rekomendasi Program Studi Sarjana Berbasis Machine Learning,” vol. 9, no. 4, 2022, doi: 10.25126/jtiik.202294311.
F. Azimah, K. Rizky, dan N. Wardani, “Sistem Pendeteksi Gejala Awal Covid-19 Dengan Penggunaan Metode Ai Project Cycle”, [Daring]. Tersedia pada: www.kaggle.com.
M. Amirulhaq Iskandar, U. Latifa, U. Singaperbangsa Karawang, dan J. H. Ronggo Waluyo, “Website Prediksi Customer Churn Untuk Mempertahankan Pelanggan Pada Perusahaan Telekomunikasi,” 2023.
D. Setiawan, S. Widodo, T. Ridwan, dan R. Ambari, “Perancangan Deteksi Emosi Manusia berdasarkan Ekspresi Wajah Menggunakan Algoritma VGG16,” 2022.
S. Yana Nursyi’ah, A. Erfina, dan C. Warman, “Analisis Sentimen Pembelajaran Daring Pada Masa Pandemi Covid-19 Di Twitter Menggunakan Algoritma Naïve Bayes,” 2021.
D. Saepuloh, “Visualisasi Data Covid 19 Provinsi DKI Menggunakan Tableau,” Jurnal Riset Jakarta, vol. 13, no. 2, Des 2020, doi: 10.37439/jurnaldrd.v13i2.37.
V. Kevin, S. Que, : Analisis, S. Transportasi, A. Iriani, dan H. D. Purnomo, “Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization (Online Transportation Sentiment Analysis Using Support Vector Machine Based on Particle Swarm Optimization),” 2020. [Daring]. Tersedia pada: www.tripadvisor.com,
A. R. Pratama, Rio Rizki Aryanto, dan Lizda Iswari, “Studi Komparasi Model Klasifikasi Berbasis Pembelajaran Mesin untuk Sistem Rekomendasi Program Studi,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 5, hlm. 853–862, Okt 2021, doi: 10.29207/resti.v5i5.3392.
E. Dwi Pratama, “The Journal on Machine Learning and Computational Intelligence (JMLCI) e-ISSN: 2808-974X Implementasi Model Long-Short Term Memory (LSTM) pada Klasifikasi Teks Data SMS Spam Berbahasa Indonesia.” [Daring]. Tersedia pada: www.undianmtronik75.blogspot.com
N. A. Widiastuti dan T. Tamrin, “PENERAPAN APLIKASI MOBILE LOCATION BASED SERVICE UNTUK PERSEBARAN USAHA MIKRO KECIL MENENGAH DIKABUPATEN JEPARA,” Jurnal SIMETRIS, vol. 11, no. 1, 2020.
R. K. Ngantung dan M. A. I. Pakereng, “Model Pengembangan Sistem Informasi Akademik Berbasis User Centered Design Menerapkan Framework Flask Python,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 3, hlm. 1052, Jul 2021, doi: 10.30865/mib.v5i3.3054.
M. DirgaF, “APLIKASI E-LEARNING SISWA SMK BERBASIS WEB,” 2021. [Daring]. Tersedia pada: https://jurnal.umpar.ac.id/index.php/sylog
L. Qadrini, H. Hikmah, dan M. Megasari, “Oversampling, Undersampling, Smote SVM dan Random Forest pada Klasifikasi Penerima Bidikmisi Sejawa Timur Tahun 2017,” Journal of Computer System and Informatics (JoSYC), vol. 3, no. 4, hlm. 386–391, Sep 2022, doi: 10.47065/josyc.v3i4.2154.
DOI: http://dx.doi.org/10.26418/justin.v12i3.74905
Refbacks
- There are currently no refbacks.
Copyright (c) 2024 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
View My Stats
All article in Justin is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License