Large Language Model (LLM) untuk Rekomendasi Parfum

Abstract

Penelitian ini bertujuan mengembangkan sistem rekomendasi parfum berbasis deskripsi teks menggunakan pendekatan Large Language Model (LLM). Sistem ini memanfaatkan model Sentence Transformer (all-MiniLM-L6-v2) untuk menghasilkan representasi semantik dari deskripsi parfum, dan menghitung kemiripan antarparfum menggunakan cosine similarity. Untuk mengevaluasi keefektifan pendekatan ini, dilakukan perbandingan dengan dua metode representasi teks lainnya, yaitu TF-IDF dan Word2Vec. Evaluasi dilakukan melalui pendekatan kuantitatif menggunakan skor cosine similarity, serta pendekatan kualitatif berdasarkan persepsi pengguna terhadap hasil rekomendasi. Hasil menunjukkan TF-IDF memiliki nilai cosine similarity rata-rata sebesar 0.3%, skor cosine similarity rata-rata Word2Vec sebesar 95% dan LLM sebesar 0,60%. Meskipun Word2Vec rata-rata  memperoleh nilai kemiripan tertinggi secara numerik, rekomendasi dari model LLM dinilai paling relevan secara semantik oleh pengguna. Pendekatan LLM memberikan keunggulan dalam memahami konteks deskriptif aroma dan memberikan rekomendasi yang lebih personal dan cocok. Penelitian ini menunjukkan bahwa LLM berpotensi tinggi dalam mengatasi tantangan rekomendasi berbasis teks deskriptif seperti pada domain parfum.