https://github.com/arezyhs/python-indonesia-recipes-recommendation

https://github.com/arezyhs/python-indonesia-recipes-recommendation

random-forest svm tf-idf

Last synced: 18 days ago
JSON representation

• Host: GitHub
• URL: https://github.com/arezyhs/python-indonesia-recipes-recommendation
• Owner: arezyhs
• Created: 2024-12-08T20:39:56.000Z (26 days ago)
• Default Branch: main
• Last Pushed: 2024-12-16T06:06:17.000Z (18 days ago)
• Last Synced: 2024-12-16T07:19:57.295Z (18 days ago)
• Topics: random-forest, svm, tf-idf
• Language: Jupyter Notebook
• Homepage:
• Size: 5.46 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: readme.md

Awesome Lists containing this project

README

        
# Sistem Rekomendasi Resep Masakan Indonesia Berbasis Machine Learning

Proyek ini bertujuan untuk mengembangkan sistem rekomendasi resep masakan Indonesia menggunakan teknik **machine learning**. Sistem ini memanfaatkan **TF-IDF**, **SVM (Support Vector Machine)**, dan **Random Forest** untuk memberikan rekomendasi resep berdasarkan bahan-bahan yang ada.

## Deskripsi

Sistem rekomendasi ini menggunakan beberapa algoritma pembelajaran mesin untuk mengklasifikasikan dan merekomendasikan resep masakan Indonesia. Dataset yang digunakan terdiri dari berbagai resep masakan dengan bahan-bahan dan langkah-langkah pembuatan yang telah disediakan. Sistem akan memberikan rekomendasi resep yang paling relevan berdasarkan input pengguna.

### Tujuan Proyek

- **Rekomendasi Resep**: Menyediakan rekomendasi resep berdasarkan input dari pengguna.

- **Pengklasifikasian Resep**: Menggunakan model klasifikasi untuk mengategorikan resep ke dalam kategori masakan tertentu.

- **Penggunaan TF-IDF dan Cosine Similarity**: Menghitung kemiripan antar resep berdasarkan bahan-bahan menggunakan teknik **TF-IDF** dan **Cosine Similarity**.

## Instalasi

Pastikan Anda memiliki Python 3 dan menginstal pustaka-pustaka berikut yang dibutuhkan untuk menjalankan proyek ini:

```bash

pip install -U scikit-learn

pip install plotly

pip install nltk

pip install ipywidgets

pip install xgboost

```

### Pustaka yang Digunakan:

- **scikit-learn**: Untuk pembuatan model klasifikasi dan evaluasi.

- **plotly**: Untuk visualisasi interaktif (meskipun tidak digunakan langsung dalam contoh ini).

- **nltk**: Untuk pengolahan teks, stopwords, dan pemrosesan bahasa alami.

- **ipywidgets**: Untuk membuat antarmuka pengguna interaktif di Google Colab.

- **xgboost**: Untuk algoritma XGBoost yang digunakan dalam klasifikasi (meskipun tidak digunakan dalam semua model di proyek ini).

## Proses

### 1. **Menggabungkan Dataset**

Dataset resep masakan Indonesia diunggah dalam beberapa file CSV, yang kemudian digabungkan menjadi satu DataFrame untuk analisis lebih lanjut.

### 2. **Preprocessing Data**

Proses preprocessing mencakup:

- Mengganti nilai **NaN** pada kolom **'Ingredients'** dan **'Steps'** dengan string kosong.

- Mengubah teks pada kolom **'Title'** menjadi huruf kecil.

- Membuat kolom baru yang menggabungkan **'Title'**, **'Ingredients'**, dan **'Steps'** menjadi satu kolom teks yang akan digunakan untuk membangun matriks **TF-IDF**.

### 3. **Membangun TF-IDF Matrix**

Menggunakan **TF-IDF Vectorizer** untuk mengonversi teks menjadi representasi numerik yang dapat diproses oleh model klasifikasi. Matrik **TF-IDF** ini digunakan untuk menghitung kemiripan antar resep menggunakan **Cosine Similarity**.

### 4. **Pelatihan Model**

Dua model klasifikasi digunakan dalam proyek ini:

- **SVM (Support Vector Machine)**: Untuk klasifikasi resep berdasarkan kategori.

- **Random Forest**: Sebagai model klasifikasi tambahan untuk membandingkan kinerjanya dengan SVM.

### 5. **Evaluasi Model**

Setelah melatih model, sistem menghitung **accuracy** dan memberikan evaluasi lengkap menggunakan **classification_report** dari **sklearn** yang mencakup metrik seperti **precision**, **recall**, dan **f1-score**.

### 6. **Rekomendasi Resep**

Fungsi **`recommend_recipe()`** menerima input berupa nama resep dan memberikan rekomendasi resep yang paling mirip berdasarkan bahan-bahan yang ada.

### 7. **Antarmuka Pengguna Interaktif**

Dengan menggunakan **ipywidgets**, pengguna dapat memasukkan nama resep yang mereka inginkan, dan sistem akan menampilkan 5 resep teratas yang relevan dengan resep yang diminta.

### 8. **Menyimpan Model**

Model yang telah dilatih, termasuk **TF-IDF Vectorizer**, **SVM model**, dan **Random Forest model**, disimpan menggunakan **pickle** untuk digunakan kembali di masa depan.