Perbandingan TF-IDF dengan Count Vectorization Dalam Content-Based Filtering Rekomendasi Mobil Listrik

Abstract

Mobil listrik mulai menjadi pilihan beberapa tahun terakhir ini, karakternya yang lebih ramah lingkungan serta biaya pemeliharaan yang lebih rendah daripada mobil konvensional menjadi alasan utama konsumen lebih memilihnya. Seiring meningkatnya minat konsumen, perusahaan besar banyak yang mulai memproduksi mobil listrik dengan berbagai spesifikasi seperti kapasitas baterainya juga jarak tempuhnya. Hal tersebut membuat konsumen diberikan banyak pilihan dalam memilih mobil listrik yang sesuai preferensinya. Penelitian ini ditujukan untuk mempermudah konsumen dalam memilih mobil listrik yang sesuai dengan preferensinya. Metode yang digunakan adalah metode Content-Based Filtering dari sistem rekomendasi yang berfokus memberikan rekomendasi berdasarkan deskripsi barang serta hal yang disukai konsumen, dari sisi pembentukan modelnya, untuk melihat metode pemodelan yang menghasilkan akurasi lebih baik, peneliti membandingkan metode TF-IDF dengan Count Vectorization. Dimanfaatkan algoritma K-Nearest Neighbor dalam menguji akurasi dari model sistem rekomendasi mobil listrik yang terbentuk. Hasil dari penelitian ini menunjukkan bahwa sistem rekomendasi dapat digunakan untuk merekomendasikan mobil listrik terhadap konsumen. Dari sisi akurasi, model Content-Based Filtering yang dibentuk menggunakan TF-IDF menunjukkan akurasi yang lebih kecil yaitu sebesar 64% dibanding model yang memanfaatkan Count Vectorization yaitu sebesar 75%..