Melola Discovery

← Melola Discovery

Jurnal SINTA 2

K-Modes Clustering untuk Mengetahui Jenis Masakan Daerah yang Populer pada Website Resep Online (Studi Kasus: Masakan Banjar di cookpad.com)

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 4 No. 4 (2017) · pp. 290–296

DOI
10.25126/jtiik.201744548
ISSN
2528-6579, 2355-7699
Published
2017-12-31
Publisher
Fakultas Ilmu Komputer, Universitas Brawijaya
Language
en

Abstract

AbstrakPada makalah ini dipaparkan clustering pada data resep masakan daerah Banjar untuk mengetahui jenis makanan yang paling banyak di-post secara online oleh pengguna website recipe sharing. Pertama-tama data resep sebanyak 355 dikumpulkan dari suatu website resep, untuk selanjutnya dilakukan ekstraksi data bahan dan pembersihan. Metode clustering yang dipilih adalah k-modes karena cocok digunakan pada data kategorikal. Berdasar metode Elbow, jumlah cluster yang ideal adalah k=4 dan k=8. Jumlah cluster k=4 menghasilkan kelompok yang lebih umum, sedangkan k=8 menghasilkan kelompok yang lebih spesifik. Adapun kelompok yang berhasil diidentifikasi untuk k=4 adalah sayur asam, soto banjar, masakan gurih lain-lain, kue dan bubur manis. Sedangkan kelompok dengan jumlah cluster k=8 adalah sayur asam, soto banjar, kue basah, masakan gurih lain-lain, masak habang, bubur manis, kuah ketupat, dan masakan gurih asam. Evaluasi nilai purity menunjukkan nilai masing-masing 0,825 untuk k=4 dan 0,831 untuk k=8.Kata kunci: data mining, clustering, k-modes, resep masakan, bahanAbstractIn this paper, we cluster user-submitted recipes of Banjar regional cuisine to find out which type of cuisine are popular according to its ingredients. 355 recipes are collected from a recipe sharing website, then the ingredients extracted and cleaned. The clustering method chosen is k-modes because it is suitable for categorical data. Based on the Elbow method, the ideal number of clusters is k = 4 and k = 8. The number of clusters k = 4 produces more general cuisines group, whereas k = 8 produces more specific groups. The groups identified for k = 4 are (1) “sayur asam” (sour soup), (2)“soto banjar” (Banjar chicken soup), (3) savory dishes, and (4) sweet dishes. While the group with the number of clusters k = 8 consists of (1)“sayur asam” (sour soup) (2) “soto banjar”, (3) Banjar sweet puddings, (4) various savory dishes, (5) “masak habang” (Banjar sweet chili dishes), (6) sweet porridge, (7) “kuah ketupat” (spicy coconut soup) and (8) various savory sour dishes. The purity of clusters are shown to be 0.825 for k=4 and 0.831 for k=8.Keywords: clustering, k-modes, data mining, recipe, ingredient

Keywords

Collaboration network of the authors

13 authors · 33 co-authorship links

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Lambung Mangkurat University
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Dwi KartiniLambung Mangkurat University3
Andi FarmadiLambung Mangkurat University2
Muhammad Hevny RizkyLambung Mangkurat University1
Mohammad Reza FaisalLambung Mangkurat University1
Friska AbadiLambung Mangkurat University1
Muhammad Itqan MazdadiLambung Mangkurat University1
Annisa Salsabila AhdyaniLambung Mangkurat University1
Rudy HertenoLambung Mangkurat University1
Siti Roziana AzizahLambung Mangkurat University1
Zida Ziyan AzkiyaLambung Mangkurat University1
Heru Kartika ChandraAffiliation unknown1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, first harvested 27 Okt 2026, last seen 27 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">K-Modes Clustering untuk Mengetahui Jenis Masakan Daerah yang Populer pada Website Resep Online (Studi Kasus: Masakan Banjar di cookpad.com)</dc:title>
	<dc:creator xml:lang="en">Indriani, Fatma</dc:creator>
	<dc:creator xml:lang="en">Budiman, Irwan</dc:creator>
	<dc:subject xml:lang="en">data mining</dc:subject>
	<dc:subject xml:lang="en">clustering</dc:subject>
	<dc:subject xml:lang="en">k-modes</dc:subject>
	<dc:subject xml:lang="en">resep masakan</dc:subject>
	<dc:subject xml:lang="en">bahan</dc:subject>
	<dc:subject xml:lang="id">data mining</dc:subject>
	<dc:subject xml:lang="id">clustering</dc:subject>
	<dc:subject xml:lang="id">k-modes</dc:subject>
	<dc:subject xml:lang="id">resep masakan</dc:subject>
	<dc:subject xml:lang="id">bahan</dc:subject>
	<dc:description xml:lang="id">AbstrakPada makalah ini dipaparkan clustering pada data resep masakan daerah Banjar untuk mengetahui jenis makanan yang paling banyak di-post secara online oleh pengguna website recipe sharing. Pertama-tama data resep sebanyak 355 dikumpulkan dari suatu website resep, untuk selanjutnya dilakukan ekstraksi data bahan dan pembersihan. Metode clustering yang dipilih adalah k-modes karena cocok digunakan pada data kategorikal. Berdasar metode Elbow, jumlah cluster yang ideal adalah k=4 dan k=8. Jumlah cluster k=4 menghasilkan kelompok yang lebih umum, sedangkan k=8 menghasilkan kelompok yang lebih spesifik. Adapun kelompok yang berhasil diidentifikasi untuk k=4 adalah sayur asam, soto banjar, masakan gurih lain-lain, kue dan bubur manis. Sedangkan kelompok dengan jumlah cluster k=8 adalah sayur asam, soto banjar, kue basah, masakan gurih lain-lain, masak habang, bubur manis, kuah ketupat, dan masakan gurih asam. Evaluasi nilai purity menunjukkan nilai masing-masing 0,825 untuk k=4 dan 0,831 untuk k=8.Kata kunci: data mining, clustering, k-modes, resep masakan, bahanAbstractIn this paper, we cluster user-submitted recipes of Banjar regional cuisine to find out which type of cuisine are popular according to its ingredients. 355 recipes are collected from a recipe sharing website, then the ingredients extracted and cleaned. The clustering method chosen is k-modes because it is suitable for categorical data. Based on the Elbow method, the ideal number of clusters is k = 4 and k = 8. The number of clusters k = 4 produces more general cuisines group, whereas k = 8 produces more specific groups. The groups identified for k = 4 are (1) “sayur asam” (sour soup), (2)“soto banjar” (Banjar chicken soup), (3) savory dishes, and (4) sweet dishes. While the group with the number of clusters k = 8 consists of (1)“sayur asam” (sour soup)  (2) “soto banjar”, (3) Banjar sweet puddings, (4) various savory dishes, (5) “masak habang” (Banjar sweet chili dishes), (6) sweet porridge, (7) “kuah ketupat” (spicy coconut soup) and (8) various savory sour dishes. The purity of clusters are shown to be 0.825 for k=4 and 0.831 for k=8.Keywords: clustering, k-modes, data mining, recipe, ingredient</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2017-12-31</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/548</dc:identifier>
	<dc:identifier>10.25126/jtiik.201744548</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 4 No 4: Desember 2017; 290-296</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 4 No. 4: Desember 2017; 290-296</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.201744</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/548/pdf</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2017 Jurnal Teknologi Informasi dan Ilmu Komputer</dc:rights>
</oai_dc:dc>