Perbandingan Metode NLP TF-IDF dan Sentence-Transformer untuk Sistem Rekomendasi Parfum Berbasis Deskripsi Pengguna dengan Visualisasi Streamlit

Industri parfum global telah berkembang pesat dalam beberapa tahun terakhir, namun membantu konsumen menemukan produk yang benar-benar sesuai dengan selera pribadi mereka tetap menjadi tantangan tersendiri, terutama ketika preferensi disampaikan melalui bahasa alami yang tidak terstruktur dan bebas, bukan melalui terminologi aroma yang terstandarisasi. Penelitian ini menjawab kesenjangan tersebut dengan mengevaluasi dan membandingkan dua metode representasi teks berbasis Natural Language Processing (NLP), yaitu Term Frequency-Inverse Document Frequency (TF-IDF) dan Sentence-Transformer, dalam sistem rekomendasi parfum berbasis content-based filtering lintas bahasa. Kebaruan penelitian ini terletak pada skenario lintas bahasa, di mana kueri berbahasa Indonesia yang tidak terstruktur dicocokkan secara langsung dengan dataset parfum berbahasa Inggris yang terdiri dari 42.115 rekaman tanpa menggunakan modul penerjemah eksternal. Antarmuka web berbasis Streamlit digunakan untuk mengumpulkan data dari 30 responden, yang memberikan 180 penilaian relevansi terhadap rekomendasi Top-3 yang dievaluasi menggunakan Precision@3 dan Normalized Discounted Cumulative Gain (nDCG@3). Stabilitas sistem dinilai dengan membagi korpus menjadi data latih sebanyak 33.692 rekaman dan data uji sebanyak 8.423 rekaman. Sentence-Transformer dengan model pre-trained paraphrase-multilingual-MiniLM-L12-v2 mengungguli TF-IDF pada seluruh metrik, dengan rata-rata Precision@3 sebesar 0,867 berbanding 0,833 dan rata-rata nDCG@3 sebesar 0,912 berbanding 0,850, serta degradasi skor yang jauh lebih rendah antar partisi data. Temuan ini mengonfirmasi bahwa metode embedding semantik memberikan kualitas perangkingan dan ketangguhan lintas bahasa yang lebih unggul, sekaligus menawarkan solusi yang skalabel dan bebas penerjemahan yang dapat diterapkan pada sistem rekomendasi produk multibahasa dalam konteks komersial.