Pengembangan Model Machine Learning untuk Rekomendasi Produk Berdasarkan Analisis Pola Pembelian

Abstract

Dalam era digital saat ini, sistem rekomendasi menjadi komponen penting dalam platform e-commerce untuk meningkatkan pengalaman pengguna dan penjualan. Penelitian ini bertujuan untuk mengembangkan model machine learning yang mampu merekomendasikan produk secara personalisasi berdasarkan analisis pola pembelian pengguna. Algoritma Collaborative Filtering dan Content-Based Filtering diterapkan dalam penelitian ini untuk mengidentifikasi preferensi pelanggan dan memberikan rekomendasi yang relevan. Dataset yang digunakan terdiri dari riwayat transaksi pengguna, informasi produk, serta atribut demografis pengguna. Model Collaborative Filtering menggunakan pendekatan berbasis pengguna dan produk untuk mengidentifikasi kemiripan antara pola pembelian, sedangkan model Content-Based Filtering menganalisis fitur produk untuk memberikan rekomendasi produk yang mirip dengan yang telah dibeli pengguna. Hasil dari kedua model ini dikombinasikan menggunakan teknik Hybrid Filtering untuk meningkatkan akurasi dan relevansi rekomendasi. Evaluasi model dilakukan dengan menggunakan metrik seperti precision, recall, Mean Average Precision (MAP), dan Mean Squared Error (MSE). Hasil eksperimen menunjukkan bahwa model hybrid mampu memberikan rekomendasi produk dengan tingkat akurasi yang lebih tinggi dibandingkan model individu. Model ini juga menunjukkan peningkatan dalam keterlibatan pengguna dan potensi peningkatan penjualan melalui rekomendasi yang lebih tepat sasaran. Penelitian ini menyimpulkan bahwa pengembangan sistem rekomendasi berbasis machine learning yang efektif dapat memberikan keuntungan kompetitif bagi platform e-commerce dengan meningkatkan kepuasan pengguna serta memperluas cakupan produk yang dipromosikan. Model ini juga dapat disesuaikan dengan kebutuhan pasar yang berbeda melalui penyesuaian parameter dan pengoptimalan berkelanjutan.