SISTEM REKOMENDASI TEMPAT WISATA DI SULAWESI

UTARA MENGGUNAKAN METODE CONTENT BASED

RECOMMENDATION
Timmy Sumajouw, Tjia Kairupan, William Dahar, Patrikson Hiariej, Renaldy
Terok, Meyer Kabuhung
JurusanTeknik, ProdiInformatika, Universitas Katolik De La Salle Manado
Email: nim@unikadelasalle.ac.id

ABSTRAK
Sistem rekomendasi adalah sebuah aplikasi yang menyediakan dan merekomendasikan suatu informasi
yang dibutuhkan untuk membuat suatu keputusan yang diinginkan pengguna. Pada saat ini kami
membuat Sistem Rekomendasi Tempat Wisata Di Sulawesi Utara, karena seperti yang kita tau bersama
bahwa provinsi Sulawesi Utara memiliki banyak destinasi tempat wisata. Untuk itu kami membuat sistem
rekomendasi tempat wisata dengan menggunakan metode Content Based Recommendation dimana sistem
yang kami buat ini akan merekomendasikan tempat wisata berdasarkan deskripsi suatu tempat wisata
yang sering di kunjungi oleh pengguna. Seperti pengguna sering bepergian ke tempat wisata gunung
tumpa maka sistem akan merekomendasikan tempat wisata seperti gunung klabat, gunung lokon, dan
gunung – gunung lainnya yang ada di Sulawesi Utara.

Kata kunci:Sistem Rekomendasi, Metode Content Based Recommendation ,Tempat Wisata.

1. PENDAHULUAN ini menggunakan metode content based filtering,

Sistem rekomendasi sekarang sudah
banyak digunakan oleh hampir sebagian besar
sistem aplikasi ataupun website salah satunya
pencarian lokasi wisata. Dalam dunia pariwisata
adalah salah satu contoh dari area yang
menerapkan sistem rekomendasi untuk
membantu para pengguna untuk membuat
keputusan bagi perjalanan berwisata mereka.
Dimana pengguna perlu membuat suatu
keputusan pilihan dari suatu informasi yang
disediakan. Kebanyakan pengguna sulit
mengambil keputusan untuk memilih tempat
wisata yang serupa dengan tempat wisata yang
sering mereka kunjungi. Pencarian pada sistem
2. TINJAUAN PUSTAKA
2.1 Sistem Rekomendasi
Konsep sistem rekomendasi telah
digunakan secara luas oleh hampir semua area
bisnis dimana seorang konsumen memerlukan
informasi untuk membuat suatu keputusan.
Sistem rekomendasi paket wisata atau perjalanan
menggunakan konsep ini dapat menolong para
wisatawan untuk memutuskan tujuan perjalanan
mereka, akomodasi dan aktivitas di tempat
tujuan.
Sistem rekomendasi merupakan model
dimana pencarian yang dilakukan berdasarkan
data yang mirip. yang ada pada dalam sebuah
database. Metode ini berisikan algoritma apriori
yang dapat menganalisis pola – pola kombinasi
item. Metode ini juga sangat banyak digunakan
oleh para pembuat aplikasi karena memiliki
pencarian yang sangat akurat. Sehingga perpaduan
dari sistem rekomendasi dan metode content
based filtering akan sangat membantu para
pengguna . Sistem rekomendasi tempat wisata ini
harus dapat mengetahui data tentang pengguna
dan tempat wisata yang sering dikunjungi ,
sehingga dapat memberikan rekomendasi yang
tepat bagi para pengguna.
aplikasi dari hasil observasi terhadap keadaan dan
keinginan pelanggan. Oleh karena itu sistem
rekomendasi memerlukan model rekomendasi
yang tepat agar yang direkomendasikan sesuai
dengan keinginan pelanggan, serta
mempermudah pelanggan mengambil keputusan
yang tepat dalam menentukan produk yang akan
digunakannnya.
Menurut Sebastia, L et al (2009) sistem
rekomendasi merupakan sebuah (web) alat
personalisasi yang menyediakan pengguna sebuah
informasi daftar item-item yang sesuai dengan
keinginan masing-masing pengguna. Sistem
rekomendasi menyimpulkan preferensi pengguna
dengan menganalisa ketersediaan data pengguna,
informasi tentang pengguna dan lingkungannya.
Oleh karena itu Sebastia, L et al (2009) pengguna yang akan ditampilkan di sistem
menyatakan sistem rekomendasi akan dengan menggunakan sebuah teknik atau model
menawarkan kemungkinan dari penyaringan rekomendasi.
informasi personal sehingga hanya informasi Berdasarkan metode rekomendasi yang
yang sesuai dengan kebutuhan dan preferensi sering digunakan, sistem rekomendasi dibagi
dalam beberapa klasifikasi yaitu: content-based
recommendation, collaborative-based
recommendation dan hybrid-based
recommendation dan beberapa peneliti
menambahkan metode knowledge based
recommendation.

Gambar 1Klasifikasi Sistem Rekomendasi

1. Hybrid Recommender System

Secara umum pendekatan hybrid
recommender system adalah menggabungkan
lebih dari satu pendekatan sistem rekomendasi
dengan tujuan untuk mengatasi kekurangan
masing-masing pendekatan, sehingga
menghasilkan sebuah rekomendasi yang baik.
Terdapat beberapa cara panggabungan yang
dapat dilakukan yaitu :
a. Penggabungan secara linier (Hybrid Linear
Combination)
Penggabungan ini menggabungkan
hasil prediksi (rating) dari metode content-
based dan collaborative. Penggabungan ini
dilakukan dengan cara pemberian ranking
atau rating. Penggabungan ini digambarkan
pada gambar 2.3 berikut :

Gambar 1Hybrid Linear Combination

b. Penggabungan secara sekuensial (Sequential
Combination)
Penggabungan ini adalah melakukan
perhitungan pada salah satu metode
(misalkan content-based) kemudian hasilnya
digabungkan dengan metode lainnya
(misalkan collaborative). Penggabungan ini
digambarkan pada gambar 2.4 berikut :

Gambar 2HybridSequentional Combination

Penggabungan Item-based Clustering Hybrid Method (ICHM) Penggabungan ini
 mengintegrasikan informasi item dan rating 2. Algoritma Nearest Neighbor
pengguna untuk menghitung kemiripan item-
item. Item-based clustering Hybrid Method
(ICHM) marupakan sebuah metode yang
menerapkan penggabungan hybrid
recommendersystem dengan tujuan untuk
meningkatkan akurasi prediksi pendekatan
collaborative filtering dan menangani masalah
item baru yang belum dirating (cold-star
problem).

Gambar 3Item-based Clustering Hybrid Method

Burk, R. (2002) memperkenalkan

taxonomi untuk sistem rekomendasi hybrid.
Taxonomi ini diklasifikasikan ke dalam tujuh
kategori, yaitu:

a) Weighted hybrid : Nilai komponen dari

sistem rekomendasi yang berbeda
digabungkan secara numerik atau
menggunakan algoritma linier.
b) Switching hybrid : Sistem memilih
komponen-komponen dari setiap
rekomendasi dan menerapkan
komponen yang dipilih.
c) Mixed hybrid : Rekomendasi dari
berbagai sistem rekomendasi disajikan
bersama.
d) Feature Combination : Fitur-fitur yang
berasal dari berbagai sumber
pengetahuan digabungkan dan
diberikan algoritma rekomendasi.
e) Feature Augmentation : Merupakan
salah satu teknik rekomendasi yang
digunakan untuk menghitung sebuah
fitur atau sekumpulan fitur yang
kemudian menjadi bagian yang
dimasukkan ke teknik berikutnya.
f) Cascade : Merupakan rekomendasi
yang memiliki prioritas tinggi sebagai
solusi pemecahan masalah dalam
melakukan perbaikan
g) Meta-level : merupakan salah satu
teknik rekomendasi yang diterapkan
dan menghasilkan beberapa jenis
model, yang kemudian digunakan
sebagai input oleh teknik berikutnya
 Algoritma nearest neighbor adalah
sebuah metode untuk melakukan klasifikasi
terhadap objek berdasarkan data pembelajaran
yang jaraknya paling dekat dengan objek
tersebut (Widiarsana, et al., 2011).
Algoritma nearest neighbor juga disebut
dengan lazy learner yang mudah menyimpan
data di dalam memori dan dapat
mengklasifikasikan item baru dengan
membandingkan item tersebut dengan item
yang telah tersimpan dengan menggunakan
fungsi kesamaan (similarity function)
Menurut Kusrini dan Emha (2009)
algoritma nearest neighbor adalah pendekatan
untuk mencari kasus dengan menghitung
kedekatan antara kasus baru dengan kasus
lama dengan berdasarkan pada pencocokan
bobot dari sejumlah fitur yang ada yang
PEMBAHASAN
1. Blog Diagram Sistem yang Akan Dibangun
Gambar 4Blog Diagram Sistem yang akan
dibangun
Berdasarkan sistem yang akan dibangun
ini user dapat menggunakan bantuan sistem agar
dapat memberi keputusan mengenai paket
wisata yang akan dipilih yang sesuai dengan
keinginannya dan akan lebih mudah dalam
melakukan pencarian.
2. Analisa Masalah
Banyaknya permasalahan yang telah
dialami dalam menentukan suatu keputusan
memilih paket wisata, membuat wisatawan
sering mengalami kesulitan dalam mencari
maupun memilih paket wisata yang sesuai
dengan apa yang di inginkan. Sehingga
wisatawan terkadang membutuhkan waktu yang
lama dalam penyeleksian paket wisata yang
sesuai dengan keinginannya dan memilih salah
satu tempat wisata yang akan dikunjungi. Dengan
memiliki kesamaan (similiarity). Tujuan dari
algoritma ini untuk mengklasifikasikan objek
baru berdasarkan atribut dan training sample.
Classifier tidak menggunakan model apapun
untuk dicocokan dan hanya berdasarkan pada
memori. Adapun rumus untuk menghitung
algoritma ini yaitu :
Keterangan :
T = kasus baru
S = kasus yang ada dalam memori
(penyimpanan)
n = jumlah atribut dalam setiap kasus
i = atribut individu anatara 1 s/d n
f = fungsi similiarity atribut i antara kasus
T dan kasus S
w = bobot yang diberikan pada atribut ke-i
adanya permasalah-permasalahan tersebut
mengakibatkan menurunnya daya tarik wisatawan
terhadap tempat wisata yang ada di Kota Malang
Raya.
Melihat permasalahan diatas maka
dibutuhkan sebuah solusi baru untuk dapat
menyelesaikannya, dan sebuah sistem
rekomendasi merupakan salah satu solusi untuk
permasalahan yang sering dihadapi oleh
wisatawan. Dimana sistem akan membantu
wisatawan dalam mencari paket wisata dan dapat
membantu merekomendasikan paket wisata yang
sesuai dengan keinginan dan kebutuhan.
Dengan adanya sistem ini
diharapkan dapat membantu wisatawan dalam
memutuskan tempat wisata yang akan dikunjungi,
sehingga segala permasalahan wisatawan dapat
teratasi dengan efektif dan
efisien. Tidak menutup kemungkinan dengan
sebuah solusi baru ini akan dapat meningkatkan
daya tarik wisatawan logistik maupun asing
untuk mengunjungi tempat wisata yang ada di
Kota Malang Raya.
Dalam penyaringan informasi pada
sistem rekomendasi ini dengan menggunakan
metode Hybrid (Content Based - Collaborative
filtering) dan menggunakan algoritma Nearest
Neighbor. Dengan menggabungkan beberapa
metode ini maka akan dapat memberikan hasil
rekomendasi yang sesuai dengan keinginan
wisatawan. Karena dalam penyaringan
informasi untuk metode Hybrid (Content Based-
Collaborative filtering) menggunakan profil user
dan aktifitas rating terhadap tempat wisata.
Sehingga wisatawan tidak akan kesulitan dalam
menentukan, dan memutuskan paket wisata
yang akan dipilih berdasarkan keinginannya.

3. Studi Kasus
Untuk melakukan perhitungan nearest
neighbor pada sistem ini, misalkan pada
database sistem telah terdapat 10 kasus user
yang memilih rekomendasi paket wisata
berdasarkan preferensi sebagai berikut:
Tabel 1Atribut Pengguna Baru

No Variabel Bobot
1 Aktivitas Refreshing
2 Harga Sedang
3 Jenis wisata Wisata Alam
4 Lama perjalanan 2 Hari

Untuk melakukan perhitungan nearest

neighbor data user baru akan dibandingkan
dengan data user lama yang terdapat pada tabel.
Kemudian dilakukan langkah-langkah sebagai
berikut untuk menentukan similarity user baru
dengan user sebelumnya:
Tabel 2 ContohAtribut Rekomendasi
Pengguna Lama
No Aktivitas Harga
1 refreshing MURAH
2 refreshing MURAH
3 honeymoon SEDANG
4 adventure MAHAL
5 refreshing SEDANG
6 honeymoon MAHAL
7 refreshing SEDANG
8 refreshing MAHAL
9 adventure MAHAL
 10 honeymoon MURAH
=

Berdasarkan data atribut rekomendasi =

pengguna lama tersebut, maka akan dilihat
bagaimana kedekatan atau kesamaan antara Di atas adalah nilai hasil kedekatan dari
pengguna baru antara pengguna
dengan pengguna baru dengan
lama berdasarkan pengguna dengan
kedekatan atribut Id-user 1, untuk
atau karakter dari melihat hasil
paket wisata yang kedekatan
di sukai oleh pengguna yang
pengguna. lain dapat dilihat
Langkah tabel berikut.
berikutnya adalah
menghitung nilai Tabel 4Hasil Nilai
similarity Noantara kedekatan
Hasil
user baru dengan
1 0,9
user lama. Maka
2
akan ditentukan 0,825
terlebih dahulu
3 0,6
nilai 4 dari 0,7
kedekatan setiap
atribut 5 dan 1
bobotnya. 6 0,5
Menghitung 7 0,925
kedekatan user
8 0,875
baru dengan user
no. 1 : 9 0,6
a) Kedekatan 10 0,6 wisata: 0.5
atribut g) Kedekata
: refreshing - n nilai
refreshing = 1 atribut
b) Bobot lama
atribut perjalana
aktivitas : n: 2 hari –
1 1 hari =
c) Kedekata 0.75
n nilai h) Bobot
atribut atribut
Harga: lama
sedang - perjalanan
murah = : 0.25
0.75
d) Bobot
atribut
Harga:
0.75
Tabel 3Contoh
e) Kedekata
Kedekatan
n nilai
Antar
atribut
Pengguna
jenis
wisata: No Aktivitas
wisata
1 1
alam –
wisata 2 1
alam = 1 3 0,25
f) Bobot 4 0,5
atribut
jenis 5 1
 6 m ketllaborative dilihat pada tabel
7 b Wifiltering dengan 3.15.
e sattotal yang didapat
8 Tab
l a dari data
el
9 i Usetransaksi yang
7Ha
10 a r berjumlah 500.
sil
n Re
Tab Rek
ko
Setelah el ome
P me
diketahui hasil 6Pa nda
a nd
kedekatan antar ket si
asi
pengguna lama Wis
Dari langkah B e Paket Wisata N
dengan pengguna ata
baru, kemudian 1-10 diketahui e n Rek Paket Gunung 1
dihitung nilai bahwa nilai tertinggi r d om Bromo Tour
kedekatannya terdapat pada user 5 i a end Paket Bromo 8
seperti berikut. dengan nilai jarak k s asi Sempu 2 Hari
1.Berarti user 5 u i Paket Malang 8
memiliki kemiripan t k Paket Wisata Batu-Blitar 3
Similarity (t,s)
dengan user baru, i a Paket Bromo Hari
()()()() sehingga hasil n n Sempu 2 Hari Paket Kawah Ijen 6
= rekomendasi user 5 i Paket Malang Bromo Malang
dapat a m Batu-Blitar 3 Batu 4D3N
()()()() direkomendasikan d e Hari Paket Surabaya 6
= Paket Gunung Tour 2 Hari
kepada user a n
baru.Dari tabel l g Bromo Tour
diatas akan di ambil a g Paket Kawah Ijen Berdasarka
dari 5 nilai h u Bromo Malang n hasil
kedekatan tertinggi, n Batu 4D3N rekomendasi
kedekatan tertinggi d a Paket Surabaya dengan nilai 3
antara user baru a k Tour 2 Hari tertinggi akan
dengan user lama di t a Proses dijadikan
hitung
antaranya adalah a n paket rekomendasi
wisata
user 5, user 7, user p kepada user baru
rekomendasi
1, user 8, dan user 2. a p dan ditampilkan
berdasarkan
Berdasarkan hasil k r pada halaman
rating untuk
kedekatan antar e o rekomendasi. Dari
setiap item yang
user tersebut akan t s tabel 3.15 paket
akan
di ambil data w e wisata yang akan
direkomendasika
history paket wisata i s di
n:
yang telah s p rekomendasikan
Paket Bromo
dilakukan) oleh user a e Sempu 2 Hari = ( adalah Paket
dan akan dijadikan t r Gunung Bromo
kandidat paket a h Tour, Paket
wisata yang akan y i Bromo Sempu 2
=
direkomendasikan, a t Hari, dan Paket
kemudian di cari n u Malang Batu-
hasil peratingan g n = Blitar 3 Hari.
dengan g
menggunakan a a
metode k n Di atas
collaborative a merupakan
filtering. Berikut n m proses
adalah data history e perhitungan nilai
paket wisata user d t rekomendasi
No Paket Wisata
dari hasil i o Paket Bromo
perhitungan dengan r d Sempu1 2 Hari, Paket Bromo
e e untuk Sempu 2 Hari
metode content paket
k 2 Paket Malang
based filtering. wisata
o c rekomendasi Batu-Blitar 3 Hari
Tabel 5History 3 Paket Gunung
m o lainnya dapat Bromo Tour
Pe
4 Paket Kawah Ijen
Bromo Malang
Batu 4D3N
5 Paket Surabaya
Tour 2 Hari
IMPLEMENTASI dengan atribut d
DAN PENGUJIAN rekomendasi setiap e
user. Proses n
1. Implementasi perhitungan pada g
Halaman Utama menu rekomendasi a
Untuk User ini menggunakan n
(Customer) metode content
Pada based filtering dan j
halaman depan ini collabortive u
terdapat beberapa filtering. Menu m
menu utama yang Count adalah menu l
dapat digunkan untuk melihat a e ngan 100%, maka Hasil kuesioner
oleh user, terdapat proses perhitungan h m akan didapat sistem pada
menu home, about sistem berdasarkan u persentase hasil metode
us, car rental, paket hasil rekomendasi n d pengujian hybrid(content
wisata, tersebut. Berikut ini i i kuesioner. Hasil based-
rekomendasi, dan adalah tampilan l a kuesioner collaborative)
contact. Berikut ini menu rekomendasi. a n terhadap sistem dapat dihitung
merupakan i yang dijalankan dengan cara
tampilan dari Gambar 6 Menu k h oleh pengguna menghitung
halaman utama Rekomendasi o a baru dapat sebagai berikut
untuk user. r s ditunjukkan pada :
e
Gambar 5 3. Pengujian Beta s
Halaman Utama (Kuesioner) p
Pengujian o
2. Implementasi
beta dengan n
Menu
mengggunakan d
Rekomendasi
kuesioner terhadap e
Pada menu
pihak terkait. n
rekomendasi ini
Tujuan dari s
dapat digunakan
pengujian beta i
ketika user tersebut
dengan kuesioner p
sudah mengisi form
kepada pengguna, a i tabel 4.2. Hybrid = (Total
rekomendasi.
apakah aplikasi k l Kecocokan/Total
Tujuan menu ini Tabel
yang dibuat dapat e t Koresponden)*
adalah 8Hasil
diterapkan untuk t e 100%
mempermudah Kuesion
membantu dalam w r = ( 93 / 120 ) *
dalam memilih er
penyelesaian i s 100%
paket wisata dan Dengan
masalah dan s e = 0.77 * 100%
menentukan paket Metode
menentukan atau a b = 77 %
wisata mana yang Hybrid(
memilih paket t u
akan dituju sesuai Content
a t PENUTUP
wisata yang akan pemilihan paket based –
a
direkomendasikan wisata dari total r Collabor 1. Kesimpulan
k
kepada pengguna. semua paket wisata e tive) Berdasark
a
Dalam yang telah diproses k n an implementasi
pengujian kuesioner untuk di jadikan o dan pengujian
sistem ini rekomendasi. m d yang telah
menggunakan 30 Hasil e i dilakukan maka
data pengguna baru kecocokan tiap n k dapat diambil
yang memiliki pengguna baru akan d a kesimpulan
kesamaan atribut dijumlahkan dengan a l sebagai berikut :
rekomendasi, di hasil kecocokan s i a) Telah
mana setiap pengguna lainnya, i k berhasi
pengguna baru total hasil kecocokan k a l dibuat
tersebut akan semua paket wisata a n sistem
menjalankan sistem yang di n rekome
yang telah dibuat, rekomendasikan . d ndasi
Kemudian kepada pengguna K e dengan
melakukan baru akan di bagii
 metode n nilai hms for Dinamis
hybrid hasil news Mengguna
dengan ketepatan recommend kan PHP.
menggun untuk ation. In the Yogyakart
akan metode Proceedings a: Andi
algoritma hybrid(co of the 2007 Offset.
[2] 2002.
nearest ntent ACM
neigbor based- Conference, [11] Karyono,
pada collaborati Minneapolis Hari.
paket ve) 77% , MN, USA. Kepariwis
wisata. mendekati RecSys‟07. ataan.
b) 2. dengan [3] ACM, New Jakarta:
Pada hasil York, pp Gramedia
pengujian perhitung 141- 144. Widia
Betha an sistem 2007. Sarana
(kuesione BKI
Nama BS2 KI2dan KIBnilai [4][6] Burk, R. Indonesia.
r) 2D H D hasil
F2D Hybrid 1997.
didapatka v
Annas v ketepatan.
v Recommend [12] Kusrini &
Patria v v v [5] B er Systems: Emha.
2. Saran Survey and Algoritma
Buchory v v v o
Penelitian ini menggunakan metode hybrid Experiments Data
Nur v v v g
(content-based dan collaborative) dengan . User Mining.
Rudianto v karena
v itu dapat
v e
algoritma nearest neighbor, oleh Modeling Edisi ke-1.
r
dikembangkan
Resa dan diteliti
v lebih
v lanjut
v dengan s and User- Yogyakart
penggabungan metode serta algoritma lainnya
Yevi v v v , Adapted a: Andi
pada ruang lingkup sistem rekomendasi.Sehingga Interaction, Offset.
Ria
dapat menghasilkan v
rekomendasi yangv lebih vbaik. Vol. 12(4), 2009.
T
Rendik v v v 331-370.
[13] Li, Qing
DAFT 2002.
David v v v v d dan Kim,
AR
Aan v v a [7] Burk, R. Byeong
PUST
n Hybrid Man. An
Chris v v v v AKA recommend Approach
Asti v v v er systems. for
[1] B
o In Combinin
Ni Made v v v
s Proceedings g Content-
Yudha v v v of The based and
c
Agung D v v v h Adaptive Collaborat
, Web, pp ive Filters.
JUMLAH 25 23 23 22 377- 408. Departem
TOTAL 93 2007. ent of
A
BKI2D=Paket Wisata Bromo Kawah Computer
. [8] Fathansyah.
IjenTour 2 Hari Science,
Basis Data.
BS2H = Paket Wisata Bromo Sempu 2 Hari Kumoh
V Informatika
KI2D = Paket Wisata Kawah Ijen Tour 2 Hari . Bandung, National
Bandung. Institute of
KIBF2D = Paket Wisata Kawah Ijen Blue Fire Technolog
D 1999.
Tour 2H y. 2002.
BKI2D = Paket Wisata Bromo Kawah Ijen . [9] Jogiyanto.H
Tour 2 Hari M. Analisis [14] Lundberg,
C & Desain Donald D.
o Sistem Ekonomi
m Informasi. Pariwisata
p Yogyakarta: . Jakarta:
a Andi Offset. PT
r 1990. Gramedia
i Pustaka
[10] Kadir, Utama.
n
Abdul. 1997.
g
Dasar
Pemrogram [15] Pendit,
a an Web Nyoman
n S. Ilmu
 Parawisata A.N.I., N
Sebuah Mahajaya, e
Pengantar S.N. Data i
Perdana. Mining: g
Jakarta: PT Metode h
Pradnya Clasification b
Paramita. 1990. K-Nearest o
[16] Ricci, F. Travel r
recommender
system. IEEE (
Intelligent K
Systems 17(6): N
55-57. 2002. N
[17] Ricci, F., )
Rokach, L., .
Shapira, B.,
Kantor, B, P. B
Recommender a
System l
Handbook. i
London: :
Springer New
York Dordrecht P
Heidelberg. r
2010. o
g
[18] Sebastia, L., r
Garcia, I., a
Onaindia, E., m
Guzman,
C. e-Tourism: S
A tourist t
recommendatio u
n and planning d
application. i
International
Journal on T
Artificial e
Intelligence k
Tools 18(5): n
717-738. 2009. o
[19] Smith, Valene l
L. Tourism o
Alternative. g
USA : The i
University of
Ttennsylvania I
Press. 1991. n
f
[20] Suwantoro, o
Gamal. SH, r
Dasar-dasar m
Pariwisata. a
Yogyakarta: s
Andi Offset. i
1997.
[21] Widiarsana, O., U
Putra, N.W., n
Budiyasa, i
P.G.I., v
Bismantara, e