Mengungkap Sistem Rekomendasi | Bagaimana KNN SederhanMembantu Memahami Selera Konsumen di Era Digital

Di tengah banyaknya pilihan makanan dan minuman saat ini, seringkali kita merasa bingung menentukan apa yang paling cocok dengan selera. Sebagai seseorang yang berkecimpung di dunia bisnis digital, saya tertarik dengan pertanyaan sederhana:

“Bagaimana jika kita bisa membantu konsumen memilih menu makanan yang tepat hanya dari preferensi rasa mereka?”

Proyek ini lahir dari serangkaian pengamatan langsung yang saya lakukan selama masa magang di Kalla Hospitality, khususnya ketika terlibat dalam proses kreatif dan analisis perilaku konsumen di Gastros Cafe (Wisma Kalla). Dalam keseharian saya menyusun konten dan menyaksikan interaksi pelanggan dengan menu yang tersedia, saya menyadari adanya pola yang menarik: "pilihan makanan seringkali dipengaruhi oleh faktor psikologis dan emosional yang sangat personal", seperti suasana hati, kebutuhan fisik sesaat (ingin yang menyegarkan, hangat, ringan, atau berat), hingga konteks sosial (makan sendiri atau bersama teman).

Kesadaran ini memunculkan pertanyaan mendasar: Dapatkah sistem digital memahami dan memprediksi keinginan konsumen berdasarkan preferensi yang bersifat kontekstual dan dinamis? Dari sinilah gagasan untuk membangun sistem rekomendasi menu berbasis algoritma K-Nearest Neighbor (KNN) terbentuk, sebagai bentuk integrasi antara pengalaman empiris, kecerdasan buatan, dan personalisasi dalam layanan makanan dan minuman. Proyek ini bukan hanya representasi dari eksplorasi akademik saya, melainkan juga bentuk kontribusi kecil dalam upaya transformasi digital yang lebih manusiawi di sektor hospitality. khususnya di dunia FnB.

Apa Itu KNN dan Mengapa Penting?

K-Nearest Neighbor (KNN) adalah algoritma machine learning yang sangat cocok untuk klasifikasi. Ia bekerja dengan cara mencari data yang paling "dekat" dari data baru, lalu memprediksi kelas (kategori) berdasarkan tetangga terdekat tersebut.

Dalam konteks saya, “tetangga” di sini adalah selera konsumen sebelumnya, dan “kelas” adalah menu rekomendasi makanannya.

Saya menggunakan pendekatan berbasis preferensi rasa makanan, seperti tingkat kepedasan hingga ketertarikan pada dessert, untuk memprediksi paket makanan mana yang paling cocok dengan selera konsumen. Dengan menggunakan dataset kecil sebagai representasi awal, model ini mampu memberikan hasil yang cukup presisi.

Studi Kasus | Mengenali Selera Konsumen

Salah satu contoh yang saya jadikan acuan dalam membuat sistem ini adalah seperti :

Saya membuat dataset sederhana berdasarkan lima parameter rasa yang sering dijadikan acuan konsumen:

• Apakah konsumen suka pedas?

• Butuhkan konsumen sesuatu yang menyegarkan atau menghangatkan?

• Apakah konsumen lebih memilih makanan berat?

• Apakah konsumen makan sendiri atau bersama teman?

• Apakah konsumen ingin direkomendasikan sebuah dessert favorit?

  

  Kemudian, sistem akan memprediksi berdasarkan input pengguna baru:

  

  
  
  
  Hasilnya adalah :
  
  
  
  Proyek ini tidak hanya memperkuat pemahaman saya tentang algoritma KNN, tetapi juga mengajarkan betapa pentingnya memahami perilaku konsumen secara lebih mendalam dan empatik. Di masa depan, saya ingin mengembangkan model ini menjadi sistem yang lebih adaptif dan real-time, serta lebih kompleks.
  
  
  Dunia terus berubah dan berkembang seiring berjalannya waktu, begitu pula cara kita memahami dan melayani pola konsumen. Dengan teknologi seperti machine learning, saya percaya kita bisa menciptakan pengalaman digital yang lebih personal, efektif, dan efisien. Ini bukan akhir dari proyek saya, karena ini adalah langkah awal sederhana saya dalam mengimplementasikan sebuah sistem machine learning dalam dunia digital.
  
  
  Dive into the development journey via this link 👇
  Github : Proyek-KNN-Machine-Learning-Safna
  Website : https://kalla-hospitality-berbasis-knn.vercel.app/