Menu merupakan sebuah daftar makanan yang telah dilengkapi dengan harga masing-masing, yang disediakan dan ditampilkan untuk menarik pelanggan serta memberikan nilai terhadap makanan yang ditawarkan. Pemesanan menu makanan terkadang mengalami kendala dengan kurangnya pelayanan dalam proses pemesanan karena kondisi restoran yang ramai. Selain itu ada lagi permasalahan yang dihadapi pelanggan ketika terkadang malas untuk melihat daftar menu yang telalu banyak sehingga pelanggan hanya memesan menu yang sudah biasa pelanggan dipesan dan sulitnya karyawan dalam mencatat menu pesanan dari pelanggan apabila pesanan pelanggan banyak karena kondisi restoran yang ramai. Maka dari itu dibutuhkan sistem restoran yang dapat menangani permasalahan berkaitan dengan proses pemesanan dan juga rekomendasi pemilihan menu makanan. Hasil dari implementasi metode Singular Value Decomposition untuk rekomendasi menu makanan, menghasilkan nilai akurasi dengan hasil perhitungan F1-Score sebesar 16,66% berdasarkan pengujian data dengan reduksi yang dilakukan sebanyak ¼ dari masing-masing matrik.

The menu is a list of foods that have been completed with their respective prices, which are provided and displayed to attract customers and provide value to the food offered. Food menu bookings sometimes experience problems with the lack of service in the ordering process due to the crowded conditions of the restaurant. In addition, there are more problems faced by customers when sometimes they are lazy to see too many menu lists so customers only order menus that are commonly ordered by customers and it is difficult for employees to record orders from customers if there are many customers because of the crowded restaurant conditions. Therefore a restaurant system is needed that can handle problems related to the ordering process and also recommendations for food menu selection. The results of the implementation of the Singular Value Decomposition method for food menu recommendations, resulted in the value of accuracy with the results of the calculation of F1-Score of 16.66% based on testing the data with the reduction made as much as ¼ from each matrix.