SISTEM REKOMENDASI MAKANAN DIET DENGAN PENDEKATAN HYBRID CONTENT-BASED DAN COLLABORATIVE FILTERING

Personalisasi pola makan yang selaras dengan restriksi medis spesifik sering kali menjadi tantangan kompleks dalam perencanaan diet sehat. Penelitian ini bertujuan mengembangkan sistem rekomendasi makanan diet menggunakan pendekatan Hybrid yang mengintegrasikan Content-Based Filtering dan Collaborative Filtering. Sistem dirancang untuk memberikan rekomendasi yang tidak hanya sesuai preferensi personal, tetapi juga aman terhadap batasan medis pengguna seperti diabetes, hipertensi, obesitas, serta alergi. Arsitektur sistem menerapkan strategi weighted average dengan skema pembobotan prioritas 0,6 untuk Content-Based (sebagai fondasi medis) dan 0,4 untuk Collaborative. Evaluasi kinerja dilakukan menggunakan metode Leave-One-Out Cross Validation pada dataset yang terdiri dari 51 pengguna, 507 data makanan, dan 265 interaksi rating. Hasil pengujian menunjukkan bahwa metode Hybrid menghasilkan kinerja yang lebih robust dibandingkan metode tunggal, dengan capaian Precision sebesar 0,7418 dan Recall 0,7500. Secara signifikan, pendekatan ini mampu meningkatkan Recall sebesar 8,0% dibandingkan Collaborative Filtering murni, membuktikan efektivitasnya dalam memitigasi permasalahan data sparsity dan cold-start. Dapat disimpulkan bahwa sistem ini berhasil menyediakan rekomendasi makanan yang relevan, menjanjikan, adaptif, serta aman secara klinis sebagai alat pendukung keputusan diet, meskipun masih memerlukan pengembangan volume dan variasi data untuk hasil yang lebih optimal.