Penerapan Collaborative Filtering pada Sistem Rekomendasi Produk E-Commerce

Posted on by Anisa Rahma Nasution
0

Definisi Collaborative Filtering

Collaborative Filtering adalah metode sistem rekomendasi yang menghasilkan saran item (produk, film, lagu) berdasarkan pola kesamaan perilaku antar pengguna atau item, bukan berdasarkan atribut konten item.

Prinsip utama:

Preferensi pengguna dapat diprediksi dari preferensi pengguna lain yang serupa.

Komponen Utama Collaborative Filtering

User (Pengguna)

Entitas yang berinteraksi dengan sistem:

  • Memberi rating

  • Melakukan pembelian

  • Klik / view produk

Item

Objek yang direkomendasikan:

  • Produk e-commerce

  • Film, lagu, buku

Interaksi

Data hubungan user–item:

  • Explicit feedback → rating (1–5)

  • Implicit feedback → klik, waktu kunjungan, pembelian

User–Item Interaction Matrix

CF direpresentasikan dalam bentuk matriks pengguna–item:

R=[r11r12…r1nr21r22…r2n⋮⋮⋱⋮rm1rm2…rmn]R = \begin{bmatrix} r_{11} & r_{12} & \dots & r_{1n} \\ r_{21} & r_{22} & \dots & r_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ r_{m1} & r_{m2} & \dots & r_{mn} \end{bmatrix}

Dimana:

  • ruir_{ui} = rating/interaksi user uu terhadap item ii

  • Nilai kosong → user belum berinteraksi

Masalah utama: sparse matrix (banyak nilai kosong)

Jenis Collaborative Filtering

Memory-Based Collaborative Filtering

Menggunakan data mentah tanpa pelatihan model.

A. User-Based Collaborative Filtering

Konsep

Rekomendasi untuk user uu berdasarkan user lain yang paling mirip dengan uu.

Tahapan

  1. Hitung similarity antar user

  2. Pilih Top-K user paling mirip

  3. Prediksi rating item berdasarkan neighbor

Rumus Prediksi Rating

r^u,i=∑v∈N(u)sim(u,v)⋅rv,i∑v∈N(u)∣sim(u,v)∣\hat{r}_{u,i} = \frac{\sum_{v \in N(u)} sim(u,v) \cdot r_{v,i}} {\sum_{v \in N(u)} |sim(u,v)|}

Metode Similarity

  • Cosine Similarity

  • Pearson Correlation

  • Jaccard Index (implicit feedback)

B. Item-Based Collaborative Filtering

Konsep

Rekomendasi berdasarkan kemiripan antar item, bukan user.

Tahapan

  1. Hitung similarity antar item

  2. Ambil item yang mirip dengan item yang pernah disukai user

  3. Hitung skor rekomendasi

Rumus Prediksi

r^u,i=∑j∈I(u)sim(i,j)⋅ru,j∑j∈I(u)∣sim(i,j)∣\hat{r}_{u,i} = \frac{\sum_{j \in I(u)} sim(i,j) \cdot r_{u,j}} {\sum_{j \in I(u)} |sim(i,j)|}

Keunggulan:

  • Lebih stabil

  • Cocok untuk e-commerce skala besar

Model-Based Collaborative Filtering

Menggunakan machine learning untuk mempelajari pola laten.

A. Matrix Factorization

Memecah matriks user–item menjadi dua matriks laten:

R≈P×QTR \approx P \times Q^T

  • PP = matriks fitur laten user

  • QQ = matriks fitur laten item

Metode Populer

  • SVD (Singular Value Decomposition)

  • ALS (Alternating Least Squares)

  • PMF (Probabilistic Matrix Factorization)

Fungsi Objektif

min⁡∑(rui−pu⋅qi)2+λ(∣∣pu∣∣2+∣∣qi∣∣2)\min \sum (r_{ui} – p_u \cdot q_i)^2 + \lambda(||p_u||^2 + ||q_i||^2)

B. Neural Collaborative Filtering (NCF)

Menggunakan Deep Learning:

  • Embedding user & item

  • Multi-layer perceptron (MLP)

Keunggulan:

  • Menangkap hubungan non-linear

  • Cocok untuk data implicit besar

Similarity Measure (Detail)

Cosine Similarity

sim(A,B)=A⋅B∣∣A∣∣⋅∣∣B∣∣sim(A,B) = \frac{A \cdot B}{||A|| \cdot ||B||}

Pearson Correlation

sim(A,B)=∑(Ai−Aˉ)(Bi−Bˉ)∑(Ai−Aˉ)2∑(Bi−Bˉ)2sim(A,B) = \frac{\sum (A_i – \bar{A})(B_i – \bar{B})} {\sqrt{\sum (A_i – \bar{A})^2} \sqrt{\sum (B_i – \bar{B})^2}}

Masalah Utama Collaborative Filtering

Masalah Penjelasan
Cold Start User User baru tanpa riwayat
Cold Start Item Produk baru
Sparsity Data jarang
Scalability Data sangat besar

Solusi & Pengembangan

  • Hybrid CF + Content-Based

  • Implicit CF (confidence weighting)

  • Dimensionality Reduction

  • Online Learning

  • Context-Aware CF

Evaluasi Sistem Rekomendasi

Offline Metrics

  • RMSE

  • MAE

  • Precision@K

  • Recall@K

  • NDCG

Online Metrics

  • CTR (Click Through Rate)

  • Conversion Rate

Contoh Alur Penerapan di E-Commerce

  1. Kumpulkan data transaksi

  2. Bangun user–item matrix

  3. Terapkan item-based CF

  4. Hitung similarity

  5. Generate rekomendasi real-time

Data yang Digunakan di E-Commerce

Collaborative Filtering dapat menggunakan:

Jenis Data Contoh
Explicit Feedback Rating bintang (1–5)
Implicit Feedback Klik, pembelian, waktu melihat produk
Transaction Data Riwayat belanja

Biasanya dibuat User–Item Matrix:

User / Item Produk A Produk B Produk C
User 1 5 0 3
User 2 4 2 0
User 3 0 5 4

(0 = belum berinteraksi)

Langkah Penerapan Collaborative Filtering

1️⃣ Preprocessing Data

  • Hilangkan user/item dengan interaksi terlalu sedikit

  • Normalisasi rating (jika perlu)

2️⃣ Hitung Similarity

Contoh Cosine Similarity:

similarity(A,B)=A⋅B∣∣A∣∣×∣∣B∣∣\text{similarity}(A,B) = \frac{A \cdot B}{||A|| \times ||B||}

3️⃣ Tentukan Neighbor

  • Ambil Top-K user/item paling mirip

4️⃣ Generate Rekomendasi

  • Prediksi rating atau skor ketertarikan

  • Urutkan produk dengan skor tertinggi

Contoh Implementasi Sederhana (Python)

from sklearn.metrics.pairwise import cosine_similarity
import pandas as pd

# User-Item Matrix
data = pd.DataFrame({
‘Produk_A’: [5, 4, 0],
‘Produk_B’: [0, 2, 5],
‘Produk_C’: [3, 0, 4]
}, index=[‘User1’, ‘User2’, ‘User3’])

# Similarity antar user
user_similarity = cosine_similarity(data)

Kelebihan Collaborative Filtering

✅ Tidak memerlukan deskripsi produk
✅ Rekomendasi terasa personal
✅ Cocok untuk katalog besar

Kekurangan & Tantangan

Masalah Penjelasan
Cold Start User atau produk baru
Sparsity Data interaksi jarang
Scalability Perhitungan berat di data besar

Solusi Umum:

  • Hybrid dengan Content-Based Filtering

  • Matrix Factorization (SVD, ALS)

  • Deep Learning (Neural Collaborative Filtering)

Penerapan Nyata di E-Commerce

  • Tokopedia / Shopee → “Produk serupa” & “Sering dibeli bersama”

  • Amazon → Item-based CF

  • Netflix → User & item-based hybrid

Collaborative Filtering merupakan salah satu metode yang efektif dalam sistem rekomendasi, khususnya pada platform e-commerce, karena mampu memanfaatkan pola perilaku pengguna untuk menghasilkan rekomendasi yang bersifat personal. Dengan menganalisis kesamaan antar pengguna atau antar item, sistem dapat menyarankan produk yang relevan tanpa memerlukan informasi detail mengenai atribut produk tersebut.

Meskipun Collaborative Filtering memiliki keunggulan dalam hal personalisasi dan fleksibilitas, metode ini juga menghadapi beberapa tantangan, seperti masalah cold start, sparsity data, dan skalabilitas pada sistem berskala besar. Oleh karena itu, diperlukan pengembangan lebih lanjut, seperti penerapan metode model-based, pendekatan hybrid, serta pemanfaatan teknik machine learning dan deep learning untuk meningkatkan akurasi dan kinerja sistem rekomendasi.

Dengan penerapan dan pengembangan yang tepat, Collaborative Filtering diharapkan dapat meningkatkan pengalaman pengguna, mendorong peningkatan penjualan, serta memberikan nilai tambah yang signifikan bagi sistem e-commerce di masa mendatang.

Post Views: 184