OPTIMASI REKOMENDASI PRODUK MENGGUNAKAN ALGORITMA COLLABORATIVE FILTERING PADA PLATFORM MARKETPLACE

Abstrak

Penelitian ini membahas implementasi dan evaluasi sistem rekomendasi produk pada platform marketplace menggunakan pendekatan Collaborative Filtering (CF), khususnya User-Based dan Item-Based Collaborative Filtering. Dataset yang digunakan terdiri dari 500 data interaksi, namun hanya 20 data yang digunakan sebagai sampel pengujian. Tujuan utama penelitian ini adalah untuk membandingkan kinerja kedua pendekatan dalam menghasilkan rekomendasi produk yang relevan. Evaluasi dilakukan menggunakan tiga metrik: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Precision@10. Hasil evaluasi menunjukkan bahwa nilai MAE dan RMSE pada kedua pendekatan identik, masing-masing sebesar 3.8610 dan 4.0134, yang menunjukkan bahwa tingkat kesalahan prediksi keduanya serupa. Namun, pada metrik Precision@10, pendekatan Item-Based memiliki performa lebih baik dengan skor 0.80 dibandingkan User-Based yang hanya mencapai 0.60. Hal ini menunjukkan bahwa rekomendasi berdasarkan kemiripan produk lebih relevan di posisi 10 teratas, yang krusial dalam konteks marketplace. Visualisasi rekomendasi juga disajikan untuk memberikan gambaran lebih jelas tentang produk-produk yang dihasilkan sistem. Penelitian ini memberikan kontribusi dalam memahami efektivitas pendekatan CF dalam sistem rekomendasi skala kecil serta membuka peluang untuk pengembangan lebih lanjut dengan data yang lebih besar dan parameter yang dioptimalkan.

This study discusses the implementation and evaluation of a product recommendation system on a marketplace platform using Collaborative Filtering (CF) methods, specifically User-Based Collaborative Filtering (UBCF) and Item-Based Collaborative Filtering (IBCF). The original dataset contained 500 user-product interaction records, but only 20 randomly selected data points were used for testing purposes. The main goal of the research is to compare the performance of both approaches in generating relevant product recommendations. The system's performance was evaluated using three key metrics: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Precision@10. Results showed that both UBCF and IBCF achieved identical values for MAE and RMSE 3.8610 and 4.0134, respectively indicating a similar level of prediction error. However, IBCF outperformed presenting relevant products among the top 10 suggestions, which is critical in a marketplace context where users are more likely to engage with top-listed items. A visualization of the recommended products was also provided to offer better insight into the system’s output. This study contributes to understanding the effectiveness of CF techniques in small-scale systems and highlights the potential for further development using larger datasets and optimized model parameters.