PENERAPAN METODE CONTENT-BASED FILTERING PADA SISTEM REKOMENDASI OBAT DI APOTIK BERBASIS GEJALA PENYAKIT

Pencarian kecocokan indikasi obat berdasarkan keluhan penyakit memerlukan representasi fitur teks dan kalkulasi tingkat kesamaan dokumen yang presisi. Penelitian ini berfokus pada analisis performa algoritma Content-Based Filtering (CBF) yang diintegrasikan dengan teknik pembobotan Term Frequency–Inverse Document Frequency (TF-IDF) serta pengukuran sudut vektor Cosine Similarity untuk pencocokan gejala penyakit terhadap deskripsi obat. Data tekstual melalui serangkaian prapemrosesan (case folding, cleaning, tokenizing, stopword removal, dan stemming) sebelum ditransformasikan ke dalam ruang vektor berbobot numerik. Pengujian komputasi dilakukan menggunakan Confusion Matrix terhadap 20 skenario kombinasi gejala penyakit ringan dengan ambang batas (similarity threshold) sebesar 0,50. Hasil pengujian menunjukkan algoritma memperoleh rata-rata Precision 65%, Recall 100%, dan F1-Score 77%. Nilai Recall 100% mengindikasikan algoritma berhasil memetakan seluruh item relevan dalam korpus data uji ke dalam ruang vektor target, sedangkan nilai Precision 65% dipengaruhi oleh bobot kata bersama (shared terms) pada dokumen obat sejenis. Pendekatan algoritma ini terbukti efektif dalam memproses pencocokan teks gejala berbasis kesamaan fitur tanpa ketergantungan pada riwayat interaksi pengguna.https://ojs.udb.ac.id/Senatib/article/view/6692/4420