Sistem rekomendasi merupakan suatu model matematis yang dapat memperkirakan keinginan pengguna sehingga dapat memberikan prediksi produk yang relevan terhadap perilaku dan karakteristik. Pada kalimat sebelumnya saya meng-highlight kata model matematis, karena memang sebenarnya sistem rekomendasi akan menghitung dan memprediksi keinginan pengguna berdasarkan data. Artinya datanya akan berbentuk numeric atau angka, namun bagaimana jika data berbentuk tulisan? Gampangnya, akan di representasikan menjadi sebuah angka.
Sudah banyak metode yang dapat digunakan untuk membangun sistem rekomendasi, banyak pula pengaplikasian dari sistem rekomendasi yang mungkin ada di sekitar kita. Salah satu contohnya, Netflix dan Spotify yang menggunakan sistem rekomendasi untuk memprediksi film atau musik apa yang disukai pengguna, sehingga kedepannya dapat menyuguhkan beberapa film atau musik yang mungkin disukai. Sehingga pengguna merasa nyaman untuk menggunakan produk mereka. Bidang lain yang menggunakan sistem rekomendasi adalah toko retail, dimana orang yang membeli gula biasanya membeli kopi atau teh. Sehingga management toko akan menempatkan produk gula, kopi, dan teh secara bersampingan.
Pada umumnya sistem rekomendasi membutuhkan feedback untuk dapat mengetahui apakah produk tersebut disukai atau tidak oleh pengguna dalam bentuk peringkat atau rating. Contohnya, metode Likert atau 5-point scale. Namun, bagaimana jika sistem tidak memiliki data rating didalamnya? Apakah bisa menggunakan sistem rekomendasi?
Ada dua jenis feedback yang saat ini telah ditemukan, yaitu Explicit Feedback dan Implicit Feedback. Dengan kemajuan ilmu pengetahuan saat ini, keduanya sama-sama bisa di gunakan untuk kebutuhan sistem rekomendasi.
Explicit Feedback
Merupakan feedback atau rating yang di dapatkan dari luar sistem, biasanya diberikan langsung oleh user ke dalam sistem. Beberapa contohnya adalah tombol LIKE dan DISLIKE pada Facebook atau X, 5-Point Scale aplikasi Gojek terhadap kang ojek atau makanan yang dibeli dari Go Food. Jadi, sistem tidak berperan penuh dalam menentukan peringkat, melainkan dari pengguna itu sendiri. Sistem biasanya akan mencatat siapa memberikan rating apa terhadap produk apa. Sehingga, kita memiliki 3 informasi dalam satu baris data antara lain user, item, dan rating.
Setelah mengetahui apa itu explicit feedback, metode apa yang sering di gunakan untuk mengembangkan sistem rekomendasi menggunakan jenis data ini?
1. Collaborative Filtering Merupakan metode rekomendasi berdasarkan hasil analisa kesamaan antara satu pengguna dengan pengguna lain berdasarkan tingkat kesukaan terhadap suatu produk. Metode ini di pecah lagi menjadi User-based, menganalisa berdasarkan kesamaan antar pengguna berdasarkan peringkat produk di nilai dan merekomendasikan item yang di sukai oleh pengguna yang serupa. Dan Item-based, menganalisa berdasarkan kesamaan produk serupa terhadap produk yang di nilai tinggi oleh seorang pengguna.
2. Content-Based Filtering Merupakan metode rekomendasi berdasarkan kesamaan fitur yang di miliki oleh satu produk dengan produk lain. Fitur merupakan ciri-ciri atribut yang di miliki sebuah produk. Misalnya fitur buku antara lain tahun terbit, bahasa, penerbit, penulis, genre buku, dan lain-lain. Nah content-based filtering akan menganalisa kesamaan buku berdasarkan kesamaan fitur tersebut.
3. Matrix Factorization Metode ini lebih matematis dibanding dua diatasnya, yaitu membuat matrix antara pengguna dan produk dan mengolahnya menjadi matrix yang lebih kecil, yang mewakili matrix original. Biasanya teknik ini digunakan pada data yang sangat jarang (sparse) atau banyak bolongnya, sehingga dengan memadatkan matrix akan lebih mudah di kelola atau di kalkukasi.
Metode yang sering digunakan antara lain Singular Value Decomposition (SVD) yang dapat memecah matrix pengguna-produk menjadi lebih kecil untuk menemukan pola tersembunyi dan Alternating Least Square (ALS) yang mampu mengelola data sparse menjadi lebih baik.
4. Hybrid Method Metode ini merupakan gabungan antara metode-metode diatas. Metode gabungan ini seringnya digunakan untuk menutupi kekurangan dari masing-masing metode. Namun biasanya mengorbankan performa sistem karena harus menghitung dua kali atau lebih tergantung metode yang digunakan. Misalnya pada collaborative filtering memiliki keterbatasan pada Cold Start yaitu situasi dimana data masih sedikit atau belum ada data yang bisa di cocokkan. Maka dapat di tutupi dengan Content-based Filtering yang hanya menghitung berdasarkan informasi produk yang telah ada.
Implicit Feedback
Merupakan kebalikan dari explicit, yaitu feedback atau rating tidak diberikan oleh user melainkan sistem sendiri yang mendapatkannya. Metode ini biasanya melihat dari tingkah laku pengguna terhadap produk. Misalnya menghitung berapa lama pengguna di halaman website sebuah produk barang, kemudian mengkalkulasi dengan produk lain berdasarkan kesamaannya. Contoh lain, menghitung interaksi pengguna masuk ke halaman sebuah produk. Angka-angka yang di peroleh dapat di gunakan untuk menentukan rekomendasi pengguna terhadap produk tertentu. Beberapa metode yang dapat digunakan antara lain:
1. Implicit Collaborative Filtering Menggunakan Alternating Least Square (ALS) di percaya dapat memprediksi kesamaan berdasarkan interaksi implicit seperti klik dan waktu interaksi.
2. Association Rule Learning Yaitu metode untuk menemukan pola asosiasi antara satu produk dengan produk lain. Misalnya pada Market Basket Analysis dimana manager toko ingin menemukan pola antara pembelian gula dengan pembelian kopi. Metode ini di bagi lagi menjadi Apriori, Eclat, dan FP-Growth. Untuk ketiga metode ini silakan googling saja, sejujurnya saya belum memahami dan hanya menemukan di beberapa jurnal dan ChatGPT. Heheheeeeee~
3. Deep Learning Seperti pada umumnya Deep Learning, metode ini dapat memodelkan interaksi linear dan non-linear dengan baik. Beberapa diantaranya adalah Recurrent Neural Network (RNN) dan Graph Neural Network (GNN) yang terbukti dapat menjadi solusi sistem rekomendasi.
4. Hybrid Method Kombinasi antara explicit dan implicit juga dapat digunakan untuk meningkatkan performa dan menutupi kekurangan masing-masing.
Penutup
Sebagai penutup, sistem rekomendasi merupakan metode yang sudah lama dan sampai saat ini masih berkembang. Hal ini di karenakan pemanfaatannya masih sangat bagus untuk berbagai industri. Berkaitan dengan perkembangan Big Data dan salah satu karakteristiknya yaitu Variety yaitu bentuk data yang semakin bermacam-macam dan bervariasi, memungkinkan keilmuan ini masih dapat berkembang lagi.
Apakah bisnis / perusahaanmu sudah memanfaatkan ilmu ini?