Implementasi Doc2Vec untuk rekomendasi penginapan di Bali
DOI:
https://doi.org/10.54367/jtiust.v6i2.1453Keywords:
villa, word embedding, doc2vec, rekomendasiAbstract
Dengan semakin menjamurnya hunian berupa villa di Bali, memberikan pilihan yang beragam bagi para wisatawan yang akan menginap di Bali. Berbagai macam pilihan yang ada seringkali membingungkan wisatawan untuk memilih penginapan sesuai dengan kriteria yang diinginkan. Informasi yang tersedia di internet pun sangat beragam dengan jumlah tak terbatas. Apalagi dengan layanan pemesanan online yang juga banyak bertebaran di internet, wisatawan seringkali harus mengunjungi situs-situs ini satu persatu. Rekomendasi penginapan secara otomatis sangat diperlukan untuk membantu wisatawan dalam mempersempit pilihannya dalam mencari penginapan. Maka pada penelitian ini dibangun sebuah system rekomendasi menggunakan algoritma doc2Vec. Doc2Vec merupakan algoritma pembelajaran tidak terawasi yang akan mengubah dokumen menjadi vektor. Sistem rekomendasi ini dikembangkan menggunakan Bahasa python. Dataset yang digunakan merupakan deskripsi kumpulan villa yang tersebar diseluruh Bali yang berasal dari salah satu agen penyewaaan villa. Dari hasil penelitian yang telah dilaksanakan terbukti algoritma doc2vec memberikan hasil rekomendasi terbaik berdasarkan kueri yang diminta oleh pengguna. Dimana metode PV-DM memberikan hasil yang lebih baik jika dibandingkan metode PV-DBOW dengan tingkat kemiripan rata-rata diatas 60%.References
A. Andriani, “Sistem Rekomendasi Promosi Hotel Pada Wisatawanmancanegara Berbasis Data Mining,†Semnasteknomedia Online, vol. 2, no. 1, pp. 2-02–37, 2014, [Online]. Available: https://www.ojs.amikom.ac.id/index.php/semnasteknomedia/article/view/1087.
G. A. Rahmadanu, E. Santoso, and Sutrisno, “Implementasi Naïve Bayes dan Weighted Product Dalam Memberi Rekomendasi Hotel Terbaik Saat Berwisata Di Bali,†vol. 3, no. 2, pp. 1617–1624, 2019.
A. N. Laili, P. P. Adikara, and S. Adinugroho, “Rekomendasi Film Berdasarkan Sinopsis Menggunakan Metode Word2Vec,†vol. 3, no. 6, pp. 6035–6043, 2019.
A. Nurdin, B. Anggo Seno Aji, A. Bustamin, and Z. Abidin, “Perbandingan Kinerja Word Embedding Word2Vec, Glove, Dan Fasttext Pada Klasifikasi Teks,†J. Tekno Kompak, vol. 14, no. 2, p. 74, 2020, doi: 10.33365/jtk.v14i2.732.
M. Marcińczuk Michałand Gniewkowski, T. Walkowiak, and M. Bkedkowski, “Text Document Clustering: {W}ordnet vs. {TF}-{IDF} vs. Word Embeddings,†Proc. 11th Glob. Wordnet Conf., pp. 207–214, 2021, [Online]. Available: https://www.aclweb.org/anthology/2021.gwc-1.24.
A. E. Wijaya and D. Alfian, “Sistem Rekomendasi Laptop Menggunakan Collaborative Filtering Dan Content-Based Filtering,†J. Comput. Bisnis, vol. 12, no. 1, pp. 11–27, 2018.
Y. P. Lestari, T. Komputer, S. Informasi, L. Keja, and K. Sama, “Implementasi Logika Fuzzy Mamdani,†no. x, pp. 106–115, 2012.
I. Syarif, R. Asmara, and B. Dewangkara, “Rekomendasi Kendaraan Roda 4 Berdasarkan Tweet Customer Menggunakan Word2Vec,†INOVTEK Polbeng - Seri Inform., vol. 5, no. 1, p. 58, 2020, doi: 10.35314/isi.v5i1.1096.
Q. Le and T. Mikolov, “Distributed representations of sentences and documents,†31st Int. Conf. Mach. Learn. ICML 2014, vol. 4, pp. 2931–2939, 2014.
“Getting started with Doc2Vec. Hands-on guide for building your own… | by Abhinav Roy | Heartbeat.†https://heartbeat.comet.ml/getting-started-with-doc2vec-2645e3e9f137 (accessed Oct. 04, 2021).
