PENINGKATAN SISTEM REKOMENDASI LAYANAN KESEHATAN MENGGUNAKAN FILTER KOLABORATIF BERBASIS PENGGUNA DENGAN IMPUTASI K-NEAREST NEIGHBORS UNTUK MENGATASI KEKURANGAN DATA

Abstract

Di era digital, aplikasi pemesanan layanan kesehatan telah menyederhanakan akses ke layanan medis secara signifikan, namun mereka menghadapi tantangan dalam memberikan rekomendasi yang dipersonalisasi karena masalah kelangkaan data. Penelitian ini bertujuan meningkatkan akurasi rekomendasi layanan kesehatan dengan mengatasi kelangkaan data melalui integrasi User-Based Collaborative Filtering (UBCF) dikombinasikan dengan metode imputasi K-Nearest Neighbors (KNN). Metodologi yang digunakan meliputi pembuatan dataset simulasi dengan berbagai tingkat kelangkaan data, melakukan Preprocessing data melibatkan normalisasi dan imputasi berbasis KNN, menetapkan bobot atribut melalui Analytic Hierarchy Process (AHP), dan mengimplementasikan UBCF menggunakan Weighted Pearson Correlation. Kinerja sistem rekomendasi dievaluasi secara kuantitatif menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE), divalidasi melalui prosedur validasi silang yang ekstensif. Hasil menunjukkan peningkatan signifikan dalam stabilitas prediksi akibat imputasi KNN, ditunjukkan oleh penurunan RMSE sebesar 7,89% (dari 0,633 menjadi 0,583). Meskipun MAE sedikit meningkat dari 0,502 menjadi 0,511, trade-off  kecil ini diimbangi oleh peningkatan keandalan rekomendasi secara keseluruhan. Penelitian ini menyimpulkan bahwa integrasi imputasi data KNN dengan UBCF secara substansial meningkatkan kinerja dan konsistensi sistem rekomendasi dalam kondisi kelangkaan data. Pendekatan ini memberikan implikasi praktis bagi platform layanan kesehatan, memungkinkan rekomendasi yang lebih akurat dan berpusat pada pengguna, sehingga meningkatkan kepuasan dan pengalaman pengguna secara signifikan.