Sistem Rekomendasi Menu Restoran Berbasis Web Dengan Metode Clustering Data Mining (Studi Kasus: AF Brew)
Downloads
Meningkatnya jumlah menu pada restoran modern menuntut adanya sistem yang dapat membantu pelanggan memilih hidangan secara cepat dan sesuai preferensi. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi menu restoran berbasis web menggunakan metode clustering pada teknik data mining dengan algoritma K-Means. Proses pengelompokan dilakukan terhadap data menu di restoran AF Brew berdasarkan atribut harga, kategori makanan, dan tingkat popularitas. Hasil evaluasi menggunakan Silhouette Score menunjukkan nilai terbaik sebesar 0.0907 pada k=2, yang menandakan bahwa data menu secara optimal terbagi dalam dua kelompok utama. Sistem kemudian menghasilkan rekomendasi menu berdasarkan hasil pengelompokan tersebut dan menampilkan informasi secara interaktif kepada pengguna melalui antarmuka web. Hasil pengujian menunjukkan sistem berfungsi dengan baik dan memberikan rekomendasi yang relevan sesuai preferensi pelanggan. Dengan demikian, sistem ini dapat menjadi solusi digital untuk mendukung strategi pemasaran dan peningkatan layanan restoran.
Copyright (c) 2025 Jihan Aufa Rowiana, Sutarman Sutarman
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International (CC-BY-SA). that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
