🎯 Materi 6: Sistem Rekomendasi - Dasar dan Algoritma Sederhana
🎯 Pendahuluan
Sistem Rekomendasi adalah sistem yang secara otomatis menyarankan item (produk, konten, teman, dll) yang kemungkinan besar akan disukai atau dibutuhkan oleh pengguna, berdasarkan data dan pola perilaku.
💭 Analogi Sederhana: Teman yang Tahu Selera Kamu
- Teman A: "Kamu pasti suka film ini, soalnya mirip sama film yang kemarin kamu bilang bagus!" (Content-Based)
- Teman B: "Orang-orang yang hobi sama kayak kamu suka film ini, coba deh nonton!" (Collaborative Filtering)
- Teman C: "Film ini mirip yang kamu suka, DAN orang-orang sehobi kamu juga rekomendasiin!" (Hybrid)
📊 Mengapa Sistem Rekomendasi Penting?
Manfaat untuk Pengguna:
- Hemat Waktu: Tidak perlu scroll terus-menerus
- Penemuan Baru: Menemukan produk/konten yang tidak pernah terpikirkan
- Personalisasi: Pengalaman disesuaikan dengan preferensi personal
Manfaat untuk Bisnis:
- Meningkatkan Penjualan: Rekomendasi tepat = lebih banyak pembelian
- User Engagement: Pengguna lebih lama stay di platform
- Customer Retention: Pengguna puas → loyal
📈 Contoh Sukses Nyata:
- Netflix: 80% konten yang ditonton berasal dari rekomendasi sistem
- Amazon: 35% revenue berasal dari recommendation engine
- YouTube: 70% watch time berasal dari recommended videos
1️⃣ Content-Based Filtering
Prinsip: Rekomendasikan item yang mirip dengan item yang disukai user sebelumnya.
Logika: "Jika kamu suka Item A yang punya karakteristik X, Y, Z → maka kamu akan suka Item B yang juga punya karakteristik X, Y, Z"
Cara Kerja:
- Analisis Atribut Item: Ekstrak fitur/karakteristik setiap item
- Buat User Profile: Kumpulkan preferensi user dari riwayat
- Hitung Similarity: Bandingkan item baru dengan profil user
- Rekomendasikan: Tampilkan item dengan similarity tertinggi
🎬 Contoh: Netflix Content-Based
Data User: Budi suka "Avengers" (Action, Superhero), "Iron Man" (Action, Superhero)
User Profile: Genre favorit: Action (100%), Superhero (100%)
Rekomendasi: "Captain America" → Action + Superhero (match!)
✅ Kelebihan:
- Tidak perlu data pengguna lain
- Bisa rekomendasikan item baru
- Transparan & mudah dijelaskan
❌ Kekurangan:
- Over-specialization (tidak ada variasi)
- Limited discovery
- Cold start untuk user baru
2️⃣ Collaborative Filtering
Prinsip: Rekomendasikan item berdasarkan perilaku pengguna lain yang mirip.
A. User-Based Collaborative Filtering
Cari pengguna lain yang punya selera mirip, lalu rekomendasikan item yang mereka suka.
🛒 Contoh: Tokopedia
Andi beli: Sepatu, Tas, Jam (belum beli Kacamata)
Budi & Cici punya pola pembelian mirip Andi, DAN mereka beli Kacamata
→ Rekomendasikan Kacamata ke Andi!
B. Item-Based Collaborative Filtering
Cari item yang sering dibeli/disukai bersamaan.
📱 Contoh: Amazon
90% orang yang beli iPhone juga beli AirPods
→ "Frequently Bought Together: AirPods"
✅ Kelebihan:
- Serendipity & discovery
- Tidak perlu analisis konten
- Belajar dari komunitas
❌ Kekurangan:
- Cold start problem (user & item baru)
- Data sparsity
- Popularity bias
3️⃣ Hybrid Recommender System
Prinsip: Kombinasikan Content-Based dan Collaborative Filtering untuk hasil terbaik.
Strategi Hybrid:
- Weighted: Gabungkan skor dari kedua metode
- Switching: Pilih metode terbaik per situasi
- Cascade: Filter dengan satu metode, rank dengan metode lain
🎵 Contoh: Spotify Hybrid
User Baru: Content-Based (minta genre favorit)
User Aktif: Collaborative + Content-Based
Hasil: Rekomendasi akurat DAN diverse!
💻 Implementasi Sederhana
// Item-Based Collaborative Filtering Sederhana
const purchases = {
User1: { ItemA: 1, ItemB: 1, ItemD: 1 },
User2: { ItemA: 1, ItemB: 1, ItemC: 1 },
User3: { ItemB: 1, ItemC: 1, ItemD: 1 }
};
function recommendItems(targetUser) {
// Cari item yang dibeli user serupa
// Return item dengan score tertinggi
}
📊 Metrik Evaluasi
| Metrik |
Deskripsi |
| Precision |
% rekomendasi yang relevan |
| Recall |
% item relevan yang terdeteksi |
| RMSE |
Error prediksi rating |
🎓 Kesimpulan
📝 Poin Penting:
- Content-Based: Rekomendasikan item mirip (berdasarkan atribut)
- Collaborative: Rekomendasikan berdasarkan user serupa
- Hybrid: Kombinasi terbaik dari keduanya
- Platform besar (Netflix, Amazon, Spotify) pakai Hybrid