IMPLEMENTASI CRISP-DM PADA SISTEM REKOMENDASI BERBASIS KONTEN UNTUK PENENTUAN JENIS IKAN HIAS DALAM AKUARIUM

Abstract

Ikan hias air tawar terdiri dari banyak jenis yang biasa dipelihara oleh para penghobi. Penghobi pemula seringkali melakukan kesalahan dalam memilih jenis-jenis ikan yang dapat dicampur dalam sebuah aquarium sehingga jenis-jenis ikan yang dipelihara dalam aquarium yang sama tidak kompatibel antara satu jenis dengan lainnya. Hal ini dapat menyebabkan kematian dini pada ikan yang dipelihara. Sehingga diusulkan sebuah pendekatan berbasis data mining dan machine learning dalam menentukan jenis-jenis ikan hias yang dapat dipelihara secara bersamaan dalam sebuah akuarium. Penelitian ini mengikuti kerangka kerja CRISP- DM yang bertujuan untuk mengembangkan sistem rekomendasi ikan hias air tawar guna membantu para penghobi akuarium, terutama para pemula dalam memilih spesies-spesies ikan yang sesuai untuk akuarium mereka. Sistem ini menggunakan teknik web scraping untuk mengumpulkan data dari fishkeepingworld.com, sebuah platform daring yang berisi artikel tentang ikan hias air tawar. Data yang terkumpul diproses, di- tokenisasi, dan diubah menjadi vektor kata menggunakan Word2Vec. Algoritma k-NN digunakan untuk menemukan spesies ikan serupa atau kompatibel. Akurasi sistem dievaluasi menggunakan Root Mean Square Error (RMSE) dengan menghitung rata-rata RMSE pada seluruh dataset. Pengujian dilakukan dengan memberikan beberapa nilai pada dimensi vektor untuk metode Word2Vec, jumlah K pada metode k-NN, dan metode perhitungan jarak pada k-NN. Sistem menghasilkan nilai RMSE terbaik dengan nilai 0.1329 pada K=3, jumlah vektor 400, dan perhitungan jarak dengan manhattan distance. Sistem rekomendasi yang dihasilkan diharapkan memberikan panduan yang bermanfaat bagi pengguna dalam meningkatkan pengalaman dalam hobi akuarium.
Kata Kunci: CRISP-DM, ikan hias, sistem rekomendasi, k-NN.

Freshwater ornamental fish consist of various species commonly kept by enthusiasts. Beginner hobbyists often make mistakes in selecting fish species that can coexist in the same aquarium, leading to compatibility issues and potential early mortality of the fish. Therefore, a data mining and machine learning-based approach is proposed to determine compatible ornamental fish species for simultaneous cohabitation in an aquarium. This research follows the CRISP-DM framework, which aims to develop a freshwater fish recommendation system to assist aquarium enthusiasts, especially beginners, in choosing suitable and compatible fish species for their aquariums. The system utilizes web scraping techniques to gather data from fishkeepingworld.com, an online platform featuring articles about exotic freshwater fish. The collected data is processed, tokenized, and transformed into word vectors using Word2Vec. A k-NN algorithm is  employed to find similar or compatible fish species. The system's accuracy is evaluated using Root Mean Square Error (RMSE) by calculating the average RMSE across the entire dataset. Testing is conducted by providing various values for the Word2Vec vector dimensions, the number of neighbors (K) in the k-NN method, and the distance calculation method in k-NN. The system achieves the best RMSE value of 0.1329 at K=3, 400 vector dimensions, and using the Manhattan distance calculation method. The resulting recommendation system hopefully provides valuable guidance for users, enhancing their aquarium hobby experience.
Keywords: CRISP-DM, ornamental fish, recommendation system, k-NN.