Capstone Project – Sistem Rekomendasi Resep Makanan Ingredify

Proyek ini merupakan implementasi sistem rekomendasi resep makanan berbasis machine learning yang dibangun menggunakan TensorFlow Recommenders dan di-deploy menggunakan FastAPI. Proyek dikemas dalam container Docker untuk memudahkan proses deployment dan distribusi.

Melatih dan Membangun Model

1. Unduh Dataset Kaggle

https://www.kaggle.com/datasets/pes12017000148/food-ingredients-and-recipe-dataset-with-images

2. Install Requirement

pip install -r "requirements.txt"

3. Jalankan dengan Run All

Jalankan file main.ipynb

Note

Pastikan menggunakan GPU atau komponen serupa untuk mempercepat waktu pelatihan dan pembangunan model

Menjalankan dengan Docker

1. Clone Repositori

git clone https://github.com/username/nama-repo.git

2. Build Docker Image

docker build -t food-recommender-app .

3. Jalankan Container

docker run -p 7860:7860 food-recommender-app

Layanan FastAPI akan tersedia di http://localhost:7860

Penjelasan Model

1. Data Preprocessing

   Kolom user_id, food_id, title, dan ingredient_str dikonversi menjadi tipe data string.

   Dataset dibagi menjadi data pelatihan (80%) dan data pengujian (20%) menggunakan train_test_split.

   Dataset dikonversi menjadi tf.data.Dataset, kemudian dibatch dan dicache untuk efisiensi pelatihan.

2. Lookup dan Text Vectorization

   StringLookup digunakan untuk mengubah nilai string seperti user_id dan title menjadi indeks numerik.

   TextVectorization digunakan untuk mengubah ingredient_str menjadi token urutan integer, yang kemudian diolah oleh embedding layer dan LSTM.

3. Arsitektur Model

   a. UserModel

   Model pengguna terdiri dari:

    StringLookup untuk ID pengguna.
   
    Embedding layer untuk representasi vektor.
   
    Dense layer sebagai pemetaan non-linear.
   

   b. ItemModel

   Model item menggabungkan dua sumber informasi:

    Judul resep melalui embedding.
   
    Bahan resep melalui TextVectorization, embedding, dan Bi-LSTM.
   
    Output dari keduanya digabung dan diproses oleh Dense layer untuk menghasilkan embedding akhir.
   

   c. RecipeModel

   Model utama yang:

    Menghitung dot product dari embedding pengguna dan item.
   
    Menggunakan MeanSquaredError sebagai fungsi loss.
   
    Menggunakan RootMeanSquaredError sebagai metrik evaluasi.
   

4. Pelatihan Model

   Optimizer: Adam dengan learning rate 0.0005

   Digunakan callback EarlyStopping untuk menghentikan pelatihan jika validasi RMSE tidak membaik setelah beberapa epoch.

5. Penyimpanan Model

Model disimpan dalam tiga bagian:

  user_embedding_model menyimpan representasi pengguna.

  item_embedding_model menyimpan representasi item.

  recommender_model adalah model lengkap untuk pelatihan ulang atau evaluasi.