NURUL FIKRINURUL FIKRI

DBESTI: Journal of Digital Business and Technology InnovationDBESTI: Journal of Digital Business and Technology Innovation

Sistem rekomendasi telah menjadi komponen penting dalam meningkatkan pengalaman pengguna di platform e-commerce, termasuk di PT. Renos Marketplace Indonesia. Namun, sistem rekomendasi sebelumnya masih bersifat acak dan belum mampu menyesuaikan dengan preferensi pengguna. Penelitian ini bertujuan mengembangkan sistem backend rekomendasi produk berbasis Collaborative Filtering menggunakan algoritma Singular Value Decomposition (SVD). Metodologi yang digunakan adalah Research and Development (R&D) dengan pendekatan Agile Scrum serta evaluasi performa menggunakan metrik RMSE, MSE, dan MAE. Sistem dibangun menggunakan FastAPI, PostgreSQL, dan Python, serta diuji secara fungsional melalui metode blackbox testing. Hasil implementasi menunjukkan nilai RMSE sebesar 0,1886; MSE sebesar 0,0366; dan MAE sebesar 0,1242 yang menandakan akurasi prediksi sangat baik. Selain itu, hasil survei terhadap 11 responden internal menunjukkan rata-rata kepuasan di atas 80%, dengan skor tertinggi sebesar 90,91% pada pernyataan bahwa sistem meningkatkan peluang pembelian. Temuan ini menunjukkan bahwa algoritma SVD efektif dalam menghasilkan rekomendasi yang relevan dan personal. Penelitian ini menyimpulkan bahwa sistem backend rekomendasi yang dikembangkan berhasil meningkatkan efisiensi dan relevansi rekomendasi, serta membuka peluang pengembangan lebih lanjut dengan integrasi perilaku pengguna yang lebih kompleks.

Penelitian ini berhasil mengembangkan sistem backend rekomendasi produk berbasis Collaborative Filtering menggunakan algoritma SVD di PT.Sistem ini mampu menghasilkan rekomendasi yang lebih personal dan relevan dengan preferensi pengguna melalui integrasi berbagai parameter interaksi seperti pembelian, penilaian, favorit, dan produk dilihat.Evaluasi performa menunjukkan akurasi tinggi dengan nilai RMSE, MSE, dan MAE yang rendah, serta mendapat respons positif dari pengguna internal.

Pertama, perlu dikembangkan sistem rekomendasi berbasis deep learning yang memanfaatkan data perilaku pengguna secara real-time, seperti clickstream dan riwayat pencarian, untuk meningkatkan personalisasi rekomendasi di luar data transaksional. Kedua, penelitian lanjutan dapat mengeksplorasi penerapan model hybrid yang menggabungkan pendekatan Collaborative Filtering dan Content-Based Filtering agar sistem tetap efektif meskipun menghadapi masalah cold start pada pengguna atau produk baru. Ketiga, sebaiknya dilakukan penelitian untuk mengintegrasikan sistem dengan platform analitik real-time seperti Twilio Segment guna memantau perubahan preferensi pengguna secara dinamis dan menyesuaikan bobot parameter rekomendasi secara otomatis berdasarkan tren perilaku jangka pendek maupun panjang, sehingga sistem mampu beradaptasi lebih cepat terhadap perubahan pola konsumsi di platform e-commerce.

  1. Collaborative singular value decomposition with user-item interaction expansion for first-time user and... doi.org/10.11591/ijict.v14i1.pp111-121Collaborative singular value decomposition with user item interaction expansion for first time user and doi 10 11591 ijict v14i1 pp111 121
  2. Analisis Pengukuran Kepuasan Konsumen dengan Pendekatan Customer Satisfaction Indeks Pada E-Commerce... ifrelresearch.org/index.php/jmki-widyakarya/article/view/3843Analisis Pengukuran Kepuasan Konsumen dengan Pendekatan Customer Satisfaction Indeks Pada E Commerce ifrelresearch index php jmki widyakarya article view 3843
  3. Sistem Rekomendasi Anime Menggunakan Metode Singular Value Decomposition (SVD) dan Cosine Similarity... doi.org/10.35308/jti.v2i2.7787Sistem Rekomendasi Anime Menggunakan Metode Singular Value Decomposition SVD dan Cosine Similarity doi 10 35308 jti v2i2 7787
  1. #customer satisfaction#customer satisfaction
  2. #company profile#company profile
Read online
File size549.19 KB
Pages9
Short Linkhttps://juris.id/p-2Du
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test