ALGORITMA KLASIFIKASI DECISION TREE UNTUK REKOMENDASI BUKU BERDASARKAN KATEGORI BUKU

Semakin meningkatnya perkembangan teknologi semakin banyak ragam buku yang beredar di internet. Seperti adanya sistem rekomendasi pada situs buku online yang menyediakan buku secara relevan dan sesuai kebutuhan dengan preferensi seseorang. Salah satu alternatifnya GoodReads yaitu situs jaringan sosial yang khusus pada katalogisasi buku dan pengguna dapat saling berbagi rekomendasi buku bacaan dengan memberikan rating, review maupun komentar. Sebagai situs rekomendasi buku yang besar, maka memiliki banyak data yang dapat diolah dengan menerapkan metode machine learning, namun masih belum diketahui model yang paling akurat. Dengan menggunakan model yang tepat, kita dapat memberikan rekomendasi yang lebih akurat. Untuk itu pada penelitian ini akan menganalisis data yang didapatkan dari www.kaggle.com yaitu dataset goodreads-books. Dalam penelitian ini, mengusulkan model klasifikasi data mining untuk mendapatkan model terbaik dalam merekomendasikan buku pada GoodReads. Algoritma yang digunakan yaitu Decision Tree, K-Nearest Neighbor, Naïve Bayes, Random Forest dan Support Vector Classifier, kemudian untuk evaluasi model menggunakan pengujian nilai accuracy, precision, recall, f1-score, confusion matrix, AUC dan Mean Error Absolute. Hasil pengujian beberapa algoritma klasifikasi diketahui bahwa Decision Tree memiliki akurasi tertinggi diantara metode yang dikomparasikan sebesar 99,95%, precision sebesar 100%, recall sebesar 96%, f1-score sebesar 98% dengan MAE sebesar 0.05 dan AUC sebesar 99,96%. Hal ini menjadi bukti bahwa algoritma Decision Tree dapat digunakan sebagai rekomendasi buku berdasarkan kategori buku pada GoodReads.