Sistem Rekomendasi Produk Elektronik Berbasis Semantic Content-Based Filtering dan Collaborative Filtering Menggunakan Pendekatan Hybrid Weighted

Abstract

Perkembangan platform e-commerce menyebabkan jumlah dan variasi produk elektronik semakin meningkat, sehingga pengguna sering mengalami kesulitan dalam menemukan produk yang sesuai dengan kebutuhan mereka (information overload). Sistem rekomendasi menjadi salah satu solusi untuk membantu pengguna memperoleh produk yang sesuai. Namun, metode tunggal seperti content-Based filtering maupun collaborative filtering masih memiliki keterbatasan, seperti ketidakmampuan memahami hubungan semantik antarproduk, cold start, dan data sparsity. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi produk elektronik dengan menggabungkan Semantic content-based filtering dan collaborative filtering menggunakan algoritma Singular Value Decomposition  (SVD) melalui pendekatan hybrid weighted. Dataset yang digunakan berasal dari Amazon Reviews 2023 dengan total 90.640 data ulasan produk elektronik. Tahapan penelitian meliputi preprocessing data, pembentukan representasi semantik menggunakan Word2Vec, perhitungan kemiripan produk menggunakan cosine similarity, pemodelan preferensi pengguna menggunakan SVD, serta penggabungan kedua metode menggunakan hybrid weighted. Evaluasi dilakukan menggunakan metrik Precision, Recall, dan Normalized Discounted Cumulative Gain  (NDCG). Hasil penelitian menunjukkan bahwa pada konfigurasi utama dengan Alpha = 0,5, Data Split 80:20, dan Top-10, sistem memperoleh Precision@10 sebesar 0,8692, Recall@10 sebesar 0,0371, dan NDCG@10 sebesar 0,8828. Sementara itu, performa terbaik diperoleh pada alpha = 0,8 dengan Precision@10 sebesar 0,9230, Recall@10 sebesar 0,0441, dan NDCG@10 sebesar 0,9313. Hasil tersebut menunjukkan bahwa pendekatan hybrid weighted mampu menghasilkan rekomendasi produk elektronik yang lebih relevan dan memiliki kualitas pemeringkatan yang lebih baik dibandingkan dengan penggunaan metode tunggal.