Tugas Ringkas Jurnal Bonang Waspadadi Ligar (92214019) 46mmsi2
Tugas Ringkas Jurnal Bonang Waspadadi Ligar (92214019) 46mmsi2
46 MMSI-2
lebih setia mereka ke sebuah situs. Pada akhirnya, usaha untuk menciptakan
hubungan dengan pelanggan juga dapat meningkatkan loyalitas.
Dalam Penelitiannya, Lin (2014) ingin mencari jawaban dari pertanyaan berikut ini:
1. Apa dampak relatif dari rekomendasi dari pengguna dan sistem rekomendasi
terhadap penjualan produk di e-commerce?
2. Apakah rekomendasi dari pengguna dan sistem rekomendasi merupakan
pengganti atau pelengkap dalam mempengaruhi penjualan produk di e-commerce?
Hasil penelitiannya menunjukkan bahwa pengguna dan sistem rekomendasi dapat
meningkatkan penjualan produk. Ditemukan juga bahwa rekomendasi dari pengguna kurang
efektif dalam mendorong penjualan produk ketika ada banyak user merekomendasikan
produk melalui sistem rekomendasi.
Xiaohong (2012), dalam penelitiannya menemukan bahwa suatu jenis sistem
rekomendasi tidak cocok untuk semua sistem e-commerce, sistem e-commerce yang berbeda
membutuhkan sistem rekomendasi yang berbeda pula. Wach (2011) memanfaatkan
Automated Product Domain Onthology (PDO) yang mampu mengekstrak pertanyaan tentang
karakteristik produk serta fiturnya untuk menyelidiki preferensi pengguna dan akhirnya
merekomendasikan produk yang sesuai dengan kebutuhan pengguna. Dengan menggunakan
metode conjoint analysis, ANOVA, discriminant analysis, serta Duncan's post-hoc analysis,
Ku et al. (2014) melakukan penelitian mengenai preferensi konsumen terhadap antarmuka
dari sistem rekomendasi produk pada web E-Commerce. Ku et al. menemukan bahwa
Desainer website dapat meningkatkan pengalaman sistem rekomendasi seorang pengguna
dengan menyediakan antarmuka adaptif.
He et al. (2014) dalam penelitiannya menarik kesimpulan bahwa keanekaragaman
merupakan fitur penting dalam membuat daftar produk rekomendasi melalui sebuah survey
psikologis. Hasil percobaan menunjukkan bahwa pendekatan yang mereka ambil yaitu
DivRec, melebihi model dasar lainnya. Dengan DivRec, bahkan item niche yang tidak
memiliki sejarah peringkat yang baik lebih mudah untuk direkomendasikan. Lin (2014)
menggunakan variabel seperti volume rekomendasi pengguna, valensi rekomendasi
pengguna, serta kekuatan dari sistem rekomendasi untuk melakukan sebuah penelitian
empiris mengenai sistem rekomendasi dan menemukan bahwa semua variabel terebut
memiliki dampak yang positif terhadap tingkat penjualan produk. Lin juga menemukan
bahwa rekomendasi dari pengguna lebih efektif dibandingkan dengan rekomendasi dari
sistem rekomendasi.
Guo et al. (2014) melakukan multiple linear regressions analysis dengan variabel
antara lain Penampilan, material, fungsi, harga, dan jenis produk untuk meneliti pemanfaatan
history rating produk untuk sistem rekomendasi pada e-commerce dan menyimpulkan bahwa
peringkat sebelumnya dapat melengkapi penilaian posterior dan membantu memperbaiki
jarangnya data dan masalah Cold Start karena fakta bahwa pengguna lebih banyak hanya
menelusuri produk dibandingkan dengan benar-benar membeli produk tersebut.
Wang dan Wu (2012) melakukan penelitian menggunakan pendekatan Clique-Effects
Collaborative Filtering (CECF) untuk untuk memprediksi perilaku pembelian konsumen.
Dalam hasil eksperimen, pendekatan yang diusulkan (CECF) berdampak lebih baik daripada
Collaborative Filtering (CF) dan bisa memberikan solusi yang menjanjikan untuk masalah
overload informasi yang sering dialami oleh pelanggan e-commerce. Namun