Implementasi Metode Item-Based Collaborative Filtering Dengan Algoritma Pearson Correlation Untuk Sistem Rekomendasi Hotel (Studi Kasus: Hotel Di Lombok Pada Website Pegipegi.Com)
Abstract
Indonesia merupakan negara yang memiliki berbagai macam keindahan alam mulai
dari keindahan pantai, gunung, pemandangan alam bawah laut, hingga kekayaan
budaya yang berpotensi menjadi daya tarik wisata salah satunya Pulau Lombok,
Nusa Tenggara Barat. Oleh karena itu, penting bagi para pengelola pariwisata untuk
memastikan bahwa sarana dan prasarana yang mendukung kenyamanan wisatawan,
seperti penginapan atau hotel, tersedia dengan memadai selama berlibur. Sehingga
memudahkan para wisatawan dalam memilih kriteria hotel yang sesuai dengan
keinginan mereka menyebabkan munculnya berbagai inovasi dalam penawaran
produk barang atau jasa, salah satunya adalah kemunculan Online Travel Agent
(OTA), sebuah inovasi dalam sektor pariwisata yang dapat menggantikan proses
pemesanan hotel secara langsung sehingga dapat dilakukan secara online. Namun
karena minimnya sistem informasi yang tersedia, membuat peneliti berusaha untuk
membuat sebuah sistem rekomendasi yang berguna dalam membantu calon tamu
hotel memilih hotel yang sesuai dengan kebutuhan mereka. Dalam penelitian ini,
peneliti akan membangun sebuah sistem rekomendasi hotel di Pulau Lombok
melalui salah satu OTA di Indonesia menggunakan Metode Item-Based
Collaborative Filtering, dan mengukur kemiripan item menggunakan Pearson
Correlation Methods. Peneliti menggunakan ASTON Inn Mataram untuk
ditampilkan hasil rekomendasinya dan hasil rekomendasi hotel yang diberikan
adalah Deka Homestay Mataram, Golden Palace Hotel Lombok, Holiday Resort
Lombok, Puri Bunga Beach Cottage Lombok, Lombok Astoria Mataram, Lombok
Garden Hotel Lombok, Jayakarta Hotel Lombok, Sunnwood Harian Hotel,
Merumatta Senggigi Lombok, dan Aruna Senggigi Hotel dengan rating prediksi
disebutkan berturut-turut sebesar 4.757763, 1.24552, 0.71485, 0.640529, 0.352909,
-0.046998, -0.302672, -0.484312, -0.496377, dan -0.54269 dengan nilai Hit Rate
sebesar 1.0 yang artinya semua hasil rekomendasi yang diberikan sesuai dengan
preferensi atau aktivitas pengguna.
Collections
- Statistics [900]