SISTEM REKOMENDASI RESEP MAKANAN BERBASIS WEB MENGGUNAKAN METODE COLLABORATIVE FILTERING DENGAN MODEL EASE-R

Melimpahnya informasi resep makanan digital saat ini sering kali memicu fenomena choice overload yang menyulitkan individu dalam mengambil keputusan kuliner yang optimal. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem rekomendasi resep makanan internasional berbasis web yang personal namun tetap efisien secara komputasi. Metodologi yang digunakan adalah Collaborative Filtering dengan model Embarrassingly Shallow Autoencoder for Sparse Data (EASE-R) yang diterapkan pada dataset foodRecSys-V1. Pengembangan perangkat lunak dilakukan menggunakan model Waterfall, sementara evaluasi dilakukan melalui pengujian fungsional, kualitatif, serta kuantitatif menggunakan metrik Recall@K dan NDCG@K. Hasil penelitian menunjukkan bahwa sistem berhasil memenuhi seluruh kebutuhan fungsional dengan tingkat keberhasilan 100% melalui Black Box Testing. Secara kuantitatif, model EASE-R secara konsisten mengungguli Popularity Baseline dengan peningkatan Recall@10 sebesar 22,21% (0,0306) dan NDCG@10 sebesar 28,08% (0,0209). Kesimpulannya, model linear sederhana EASE-R terbukti dalam menangkap sinyal preferensi unik pengguna meskipun bekerja pada dataset dengan tingkat sparsity ekstrem (99,91%), menjadikannya solusi praktis untuk implementasi sistem rekomendasi web yang responsif secara real-time.