Skip to content

About

Resources

Stars

0 stars

Watchers

0 watching

Forks

Latest commit

 

History

16 Commits

Folders and files

Repository files navigation

🧴 Fragrance Matchmaker

Sistem Rekomendasi Parfum Berbasis Content-Based Filtering

Final Project — Data Science Study Club Beginner 2026


👥 Tim

Nama
Torikh Abdullah Naser
Alif Ilham Rhamadan
Hasan Shofiyyurrahman

📌 Deskripsi Proyek

Fragrance Matchmaker adalah sistem rekomendasi parfum yang membantu pengguna menemukan parfum dengan karakteristik serupa berdasarkan parfum favorit yang mereka pilih.

Sistem ini menggunakan metode Content-Based Filtering — sebuah pendekatan machine learning yang merekomendasikan item berdasarkan kemiripan atribut/fitur antar produk, bukan berdasarkan data interaksi pengguna lain (collaborative filtering).

Alur Kerja Sistem

User pilih 1 parfum favorit
        ↓
Filter by: Audience / Category / Longevity (opsional)
        ↓
Sistem hitung Cosine Similarity
terhadap seluruh parfum di dataset
        ↓
Tampilkan Top-N rekomendasi
beserta Similarity Score (0.0 – 1.0)

📊 Dataset

Atribut Detail
Nama Perfume Dataset
Sumber Kaggle — Ayush Ghawana
Lisensi CC BY 4.0 (Attribution 4.0 International)
Jumlah Data 1.004 baris
Jumlah Kolom 6 kolom
Missing Values 0 (tidak ada)

Deskripsi Kolom

Kolom Deskripsi Contoh
brand Merk/perusahaan pembuat parfum Armaf, Dior
perfume Nama spesifik parfum Club de Nuit Intense
type Konsentrasi parfum EDP, EDT, Parfum
category Keluarga/kategori aroma Woody Spicy, Fresh Scent, Floral Fruity
target_audience Target pengguna Male, Female, Unisex
longevity Ketahanan wangi di kulit Strong, Medium

🛠️ Tech Stack

Library Versi Kegunaan
Python 3.x Bahasa Pemrograman Utama
Pandas ≥2.0 Manipulasi & Analisis Data
Scikit-learn ≥1.3 CountVectorizer, Cosine Similarity
Matplotlib ≥3.7 Visualisasi Data (EDA)
Seaborn ≥0.12 Visualisasi Data (EDA)
Streamlit ≥1.30 Deployment Aplikasi Interaktif

📁 Struktur Proyek

final_project/
├── data/
│   ├── Perfumes_dataset.csv       # Dataset asli dari Kaggle
│   └── perfumes_clean.csv         # Dataset setelah preprocessing
├── notebooks/
│   └── eda_preprocessing.ipynb    # Eksplorasi data & preprocessing
├── src/
│   ├── recommender.py             # Logika model rekomendasi
│   └── app.py                     # Aplikasi Streamlit
├── requirements.txt               # Daftar dependencies
└── README.md                      # File ini

⚙️ Cara Menjalankan

1. Clone / Unduh Proyek

git clone <repo-url>
cd final_project

Atau unduh folder ini secara manual.

2. Install Dependencies

pip install -r requirements.txt

3. Jalankan Aplikasi Streamlit

streamlit run src/app.py

Aplikasi akan terbuka otomatis di browser pada http://localhost:8501.


🤖 Cara Kerja Model

1. Feature Engineering

Keempat kolom fitur digabungkan menjadi satu string combined_features:

combined_features = type + category + target_audience + longevity
# Contoh: "edp woody spicy male strong"

2. Vektorisasi (CountVectorizer)

String combined_features diubah menjadi representasi numerik (matriks fitur) menggunakan CountVectorizer dari Scikit-learn:

from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer()
feature_matrix = vectorizer.fit_transform(df['combined_features'])

Mengapa CountVectorizer, bukan TF-IDF? Data kita berupa kata-kata kategori pendek dan bersih (misal: "edp woody spicy male strong"). TF-IDF lebih optimal untuk teks panjang seperti review atau deskripsi produk.

3. Cosine Similarity

Matriks kemiripan dihitung menggunakan Cosine Similarity. Nilainya antara 0.0 – 1.0, dimana 1.0 berarti identik sempurna:

from sklearn.metrics.pairwise import cosine_similarity

cosine_sim = cosine_similarity(feature_matrix)

4. Rekomendasi

Sistem mengambil baris yang sesuai dengan parfum pilihan user di matriks similarity, mengurutkan skor secara descending, dan mengembalikan Top-N parfum teratas.


🎯 Fitur Aplikasi

  • 🔍 Filter Sidebar — Filter daftar parfum berdasarkan Target Audience, Kategori Aroma, dan Longevity sebelum memilih
  • 📋 Pilih Parfum — Dropdown berisi parfum yang sesuai dengan filter
  • 📊 Info Parfum — Menampilkan atribut parfum yang dipilih (Brand, Type, Category, Longevity)
  • 🎚️ Slider Top-N — Pilih jumlah rekomendasi yang ditampilkan (3 hingga 10)
  • 🏆 Tabel Rekomendasi — Menampilkan parfum rekomendasi dengan Similarity Score, diurutkan dari yang paling mirip

🔗 Link Aplikasi

🚀 https://fragrance-matchmaker.streamlit.app/


📚 Referensi


Study Club Data Science Beginner — 2026

About

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages