Tripmind Recommendation Engine

The Challenge

Tantangan utamaku dalam membangun sistem Tripmind adalah bagaimana mencocokkan keinginan pengguna yang bersifat tekstual dengan ratusan data destinasi wisata secara objektif. Di awal project ini, aku sempat berencana mengembangkan fitur ini menggunakan LLM (Gemini), dan sudah memaparkannya pada presentasi pertama di depan dosen karena potensinya dalam memahami konteks teks.
Namun, setelah masuk ke tahap Feasibility Analysis, aku menemukan risiko cukup fatal di mana LLM memiliki probabilitas untuk melakukan halusinasi (AI hallucination) yang bisa berakibat pada pemberian rekomendasi rute atau tempat yang tidak valid kepada pengguna. Untuk memitigasi risiko tersebut dan memastikan hasil rekomendasi tetap konsisten serta akurat secara matematis, aku memutuskan untuk beralih dari pendekatan generatif ke pendekatan berbasis Information Retrieval (IR) menggunakan kombinasi TF-IDF dan Cosine Similarity.

The methodology

Pada tahap awal pengembangan, aku mengeksplorasi penggunaan CountVectorizer untuk mengubah teks deskripsi wisata menjadi angka. Namun, aku menyadari adanya celah kelemahan: metode ini hanya menghitung jumlah kemunculan kata tanpa mempertimbangkan konteks kepentingannya. Kata-kata umum bisa mendominasi matriks, sehingga sistem kehilangan makna unik dari tiap destinasi wisata.

Untuk mengatasi limitasi tersebut, aku meningkatkan arsitektur sistem menggunakan TF-IDF (Term Frequency-Inverse Document Frequency). Pendekatan ini tidak hanya menghitung seberapa sering sebuah kata muncul, tetapi juga memberikan penalti secara matematis pada kata-kata yang terlalu umum di seluruh database. Hasilnya, kata kunci spesifik yang benar-benar merepresentasikan suatu tempat wisata akan mendapatkan bobot yang jauh lebih tinggi.

Setelah profil preferensi pengguna dan deskripsi destinasi berhasil direpresentasikan ke dalam vektor yang akurat, aku menerapkan algoritma Cosine Similarity. Algoritma ini mengukur derajat kemiripan (berdasarkan sudut antar vektor) untuk memberikan skor rekomendasi yang paling relevan.

The Impact

Transisi dari model generatif (LLM) ke model Information Retrieval matematis ini menghasilkan sistem rekomendasi yang jauh lebih tangguh dan deterministik. Risiko halusinasi AI berhasil dihilangkan sepenuhnya, memastikan setiap destinasi yang disarankan 100% valid dan relevan dengan input pengguna.

Secara arsitektur, pendekatan ini juga membuat backend Tripmind berjalan lebih cepat, independen, dan sangat hemat biaya (cost-effective) karena tidak perlu bergantung pada pemanggilan API model AI pihak ketiga secara berulang-ulang untuk core logic-nya. Hasil akhirnya adalah generator itinerary wisata yang cerdas, sangat personal, dan sepenuhnya dapat diandalkan.