Bonang Waspadadi Ligar 92214019

46 MMSI-2

SISTEM REKOMENDASI E-COMMERCE

Akibat terjadinya ledakan pertumbuhan informasi yang muncul di Web saat ini,
sistem rekomendasi telah banyak dikembangkan dalam beberapa tahun terakhir untuk
menghilangkan informasi yang berlebihan dan memberikan rekomendasi produk yang telah
dipersonalisasi kepada pengguna (Chen, 2013). Tersedianya informasi yang berlebihan telah
membuat pengambilan keputusan sebagai sebuah tantangan nyata bagi pengguna internet
terutama untuk pembeli online. Recommender System (RS) adalah sebuah solusi yang
menjanjikan untuk masalah ini dan telah menunjukkan potensi besar untuk membantu
pengguna menemukan item yang menarik dari sumber informasi yang sangat besar (He,
2014).
Dalam bukunya Recommender Systems Handbook (Ricci et al, 2011). F.
Ricci et al. mendefinisikan sistem rekomendasi sebagai sebuah perangkat lunak dan teknik
memberikan saran untuk sebuah produk yang akan berguna bagi pengguna. Saran-saran yang
diberikan berhubungan dengan berbagai proses pengambilan keputusan, seperti barangbarang apa yang harus dibeli, musik apa yang perlu didengar, atau apa berita online apa yang
perlu dibaca. "Item" adalah istilah umum yang digunakan untuk menunjukkan apa yang
sistem rekomendasikan kepada pengguna. Sebuah RS biasanya berfokus pada item jenis
tertentu (misalnya, CD, atau berita) dan sesuai desain, antarmuka pengguna grafis, dan teknik
rekomendasi inti yang digunakan untuk menghasilkan rekomendasi telah disesuaikan untuk
memberikan saran yang bermanfaat dan efektif untuk item jenis tertentu.
Sistem rekomendasi diarahkan terutama kepada individu yang tidak memiliki pengalaman
pribadi yang cukup atau kompetensi untuk mengevaluasi sekian banyak item alternatif yang
mungkin ditawarkan oleh sebuah website.
Menurut Schafer (1999), sistem rekomendasi dapat meningkatkan penjualan web Ecommerce dalam tiga cara, yaitu:
1. Pengunjung Menjadi Pembeli
Pengunjung sebuah website lebih sering hanya melihat-lihat tanpa pernah
membeli sesuatu. Sistem rekomendasi bisa membantu pelanggan menemukan sebuah
produk yang mereka ingin beli.
2. Cross-sell (Penjualan Silang)
Sistem rekomendasi dapat meningkatkan cross-sell dengan menyarankan
sebuah produk tambahan untuk pelanggan beli. Jika rekomendasi yang diberikan baik,
jumlah pesanan rata-rata akan meningkat. Misalnya, situs mungkin
merekomendasikan sebuah produk tambahan dalam proses checkout, berdasarkan
produk-produk yang sudah berada di dalam keranjang belanja.
3. Kesetiaan
Sistem rekomendasi meningkatkan loyalitas dengan menciptakan nilai tambah
dalam hubungan antara situs dan pelanggan. Situs berinvestasi untuk belajar
mengenai pelanggan mereka, menggunakan sistem rekomendasi untuk
mengoperasionalkan proses belajar terrsebut, dan menampilkan sebuah antarmuka
yang telah dikustomisasi sesuai dengan kebutuhan pelanggan. Pelanggan akan
membalas usaha situs-situs tersebut dengan kembali ke situs terbaik sesuai dengan
kebutuhan mereka. Semakin banyak pelanggan menggunakan sistem rekomendasi,

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

memperkenalkan pertimbangan berdasarkan dalam sebuah sistem rekomendasi akan

menyebabkan penurunan kinerja rekomendasi. Modul yang diusulkan dengan memiliki
strategi pemasaran juga menunjukkan prestasi tidak kalah dengan apa yang hanya
berdasarkan rekomendasi.