Publisher

STMIKJAYAKARTASTMIKJAYAKARTA

Journal Journal of Information System, Informatics and ComputingJournal of Information System, Informatics and Computing Abstract

Sistem rekomendasi merupakan komponen penting dalam platform e-commerce untuk meningkatkan pengalaman pengguna, mempercepat pencarian produk, dan mendorong transaksi penjualan. Dengan meningkatnya volume interaksi pengguna dan ragam produk, dibutuhkan sistem yang cerdas dan adaptif. Pendekatan tunggal seperti Collaborative Filtering atau Content-Based Filtering seringkali menghadapi kendala seperti masalah cold start dan data sparsity. Penelitian ini mengembangkan sistem rekomendasi hibrida dengan menggabungkan kedua pendekatan tersebut untuk mengatasi keterbatasan masing-masing. Collaborative Filtering bekerja dengan menganalisis pola interaksi pengguna terhadap produk, misalnya melalui rating, guna menemukan kesamaan preferensi antar pengguna, menggunakan teknik seperti cosine similarity. Di sisi lain, Content-Based Filtering merekomendasikan produk berdasarkan kemiripan fitur atau deskripsi produk dengan riwayat interaksi pengguna sebelumnya, dengan memanfaatkan teknik vektorisasi teks seperti TF-IDF. Sistem diuji menggunakan dataset e-commerce yang telah dikurasi, dan kinerjanya diukur menggunakan metrik evaluasi precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa pendekatan hibrida menghasilkan rekomendasi yang lebih relevan dibandingkan metode tunggal. Sistem dikembangkan menggunakan Python di lingkungan Jupyter Notebook, dengan proses mencakup pengolahan dataset, implementasi algoritma rekomendasi berbasis kemiripan item dan konten, serta penggabungan skor rekomendasi melalui skema weighting yang dapat disesuaikan. Selain itu, visualisasi data turut disertakan untuk membantu pemahaman pengguna terhadap hasil dan distribusi rekomendasi. Sistem ini mampu menghasilkan rekomendasi yang personal dan kontekstual, serta fleksibel untuk diterapkan pada platform e-commerce berskala kecil hingga menengah.

Conclusion

Penelitian menunjukkan bahwa sistem rekomendasi e‑commerce berbasis hybrid antara Collaborative Filtering dan Content‑Based Filtering dapat menghasilkan rekomendasi produk yang relevan.Pendekatan hybrid mengatasi masalah cold start dan data sparsity, serta meningkatkan akurasi dibanding metode tunggal.Selain meningkatkan akurasi, sistem ini memperbaiki pengalaman belanja personal dan mendukung strategi pemasaran yang lebih tepat sasaran.

Future Research

Penelitian selanjutnya dapat mengeksplorasi penggunaan model deep learning seperti neural collaborative filtering untuk meningkatkan kemampuan menangkap pola non‑linier pada data interaksi pengguna, sehingga dapat memperbaiki akurasi rekomendasi pada skala data yang lebih besar. Selanjutnya, studi dapat menambahkan faktor konteks pengguna seperti lokasi, waktu, atau perangkat yang digunakan dalam algoritma hybrid, guna menghasilkan rekomendasi yang lebih kontekstual dan responsif terhadap perubahan perilaku belanja. Selain itu, penelitian dapat melakukan evaluasi komparatif terhadap kinerja sistem pada platform e‑commerce multinasional dengan variasi budaya dan bahasa, serta mengukur dampak skalabilitas dan efisiensi komputasi saat mengimplementasikan sistem pada infrastruktur cloud yang terdistribusi.

Metadata

File size	1.38 MB
Pages	15
DMCA	Report