Implementasi TF-IDF, Cosine Similarity, dan Logistic Regression Pada Rekomendasi Buku Berdasarkan Mood Pembaca Dengan Data Oversampling

Abstract

Pembaca seringkali kesulitan dalam memilih buku yang sesuai dengan mood atau suasana hati mereka. Sistem rekomendasi buku yang dapat menyesuaikan dengan mood diharapkan dapat meningkatkan kepuasan pembaca. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi buku berdasarkan mood pembaca menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF), Cosine Similarity, dan Logistic Regression. Penelitian ini menggunakan dataset buku yang diambil dari situs Kaggle yang berjumlah 6.810 data dan dibersihkan melalui tahap pre-processing untuk menghilangkan data yang tidak lengkap. Sistem ini menggunakan TF-IDF untuk mengubah deskripsi buku menjadi representasi numerik, serta Cosine Similarity untuk menghitung kesamaan antar buku berdasarkan deskripsi dan mood pengguna. Hasil penelitian menunjukkan bahwa sistem dapat memberikan rekomendasi buku yang relevan, dengan tingkat akurasi yang mencapai 92%, dengan nilai precision sebesar 93%, recall sebesar 89%, dan F1-score sebesar 91%. Evaluasi dilakukan dengan menggunakan confusion matrix, yang menunjukkan hasil yang cukup memuaskan dengan precision, recall, dan F1-score yang baik. Penelitian ini menunjukan potensi dalam penggunaan teknologi dalam meningkatkan pengalaman membaca dengan menyediakan rekomendasi yang sesuai dengan kondisi emosional pembaca.