@mastersthesis{universitasamikomyogyakarta31799,
          author = {Gustian Herlambang},
           title = {SISTEM REKOMENDASI PARFUM BERBASIS TEKS
MENGGUNAKAN SIAMESE-BERT},
            year = {2025},
           month = {December},
          school = {Universitas AMIKOM Yogyakarta},
        keywords = {Sistem Rekomendasi, Parfum, Siamese-BERT, Natural Language
Processing, Recommendation System.},
             url = {https://eprints.amikom.ac.id/id/eprint/31799/},
        abstract = {Pemilihan parfum secara daring memiliki tantangan karena konsumen tidak
dapat mencium aroma secara langsung dan hanya mengandalkan deskripsi yang
bersifat subjektif serta metaforis. Pendekatan rekomendasi tradisional belum
optimal dalam memahami makna kontekstual deskripsi parfum. Penelitian ini
bertujuan untuk mengevaluasi kinerja arsitektur Siamese-BERT dibandingkan
dengan metode leksikal (TF-IDF dan Word2Vec) dalam sistem rekomendasi
parfum berbasis teks, serta menentukan model Siamese-BERT terbaik. Penelitian
eksperimental ini menggunakan dataset publik sejumlah 2.191 data parfum dengan
memanfaatkan kolom deskripsi dan notes (aroma). Evaluasi dilakukan secara
kuantitatif melalui metrik Cosine Similarity, Precision, Recall, dan F1-Score, serta
secara kualitatif menggunakan Fleiss' Kappa oleh tiga evaluator yang terdiri dari
enthusiast dan kolektor parfum.
Hasil penelitian menunjukkan bahwa Siamese-BERT memberikan
rekomendasi yang paling relevan berdasarkan persepsi pengguna. Evaluasi
kualitatif Fleiss' Kappa membuktikan bahwa Siamese-BERT mencapai tingkat
kesepakatan Substantial Agreement (0,69), mengungguli TF-IDF (0,47) dan
Word2Vec (0,31). Selain itu, pengujian berbagai varian Siamese-BERT
menunjukkan bahwa model all-mpnet-base-v2 memiliki performa terbaik dengan
nilai rata-rata F1-Score sebesar 0,95, Precision 0,94, dan Recall 0,93 karena
mampu menangkap nuansa kompleks catatan aroma.
model Siamese-BERT terbukti lebih unggul dan efektif dalam menangkap
makna semantik kalimat serta keseluruhan konteks pada kueri yang kompleks
dibandingkan metode baseline. Model all-mpnet-base-v2 dengan kapasitas
parameter yang lebih besar sangat direkomendasikan untuk sistem pencarian
berbasis teks pada domain yang bersifat deskriptif dan emosional seperti parfum.}
}