Pengenalan Sistem Rekomendasi

Pada E-Commerce
Oleh :
Mariskha Tri Adithia
 KELOMPOK VI

SUKARNI NASRIA CHARMIL W.S

MAJID
121055520120002 SYAWAL
121055520120024 USULI
121055520120012
 Latar Belakang
Belanja online saat ini sudah menjadi kebiasaan masyarakat dunia, termasuk
Indonesia. Pendapatan perusahaan e-commerce di Indonesia pada tahun 2020
(data sampai bulan Juni 2020) mencapai 28,597,000 dollar [Statista, 2020].
Pendapatan ini terus meningkat sejak tahun 2017. Jumlah masyaakat Indonesia
yang sudah belanja online juga terus meningkat setiap tahunnya; mencapai
134.09 juta orang pada tahun 2020 ini, atau 50.5% seluruh penduduk Indonesia
[Statista, 2020]. Di Indonesia, sudah banyak platform e-commerce lokal dengan
traffic sangat tinggi, misalnya, Tokopedia, Shopee, dan Lazada.
 Sistem
Rekomendasi
Contoh rekomendasi yang diberikan
sebuah platform toko online.
Gambar ini diambil dari screenshot
akun Tokopedia penulis
Bagaimana Cara Kerjanya?
Algoritma Apa Yang Dipakai ?
Collaborative filtering adalah algoritma yang memprediksi
ketertarikan seorang konsumen, berdasarkan kesukaan dan
selera banyak konsumen lain. Salah satu metode
pemfilteran pada algoritma collaborative filtering adalah
metode item-based [Sarwar, 2001].
Ilustrasi collaborative filtering item-based
Step By Step
Data Dari :
Lazada Indonesia
• 203.787 Record

• 19 April 2014 – 2 Oktober 2019

• Hanya Barang Eletronik

Sepuluh produk elektronik yang paling banyak dibeli
Data Cleaning
• Menghilangkan duplikasi record.
• Menghilangkan duplikasi produk.
 Studi kasus
Data yang akan digunakan pada studi
kasus ini adalah data transaksi dari
Lazada Indonesia. Sebelum algoritma
collaborative filtering item-based
diterapkan, proses data cleaning
dilakukan lebih jauh, untuk
menghilangkan record dengan identitas
konsumen yang merupakan identitas
default jika konsumen tidak
memberikan identitasnya. Lihat
Gambar
Gambar Tabel data rating yang dihasilkan Gambar Tabel data matriks rating
Similarity Matriks
 Perhitungan Simple
Weighted Everage
Selanjutnya, dengan menggunakan item-to-item similarity matrix yang
dihasilkan, kita hitung prediksi rating dengan menggunakan rumus simple
weighted average [Saluja, 2018]
Dari hasil perhitungan ini, didapatkan
prediksi rating:
● Arif A. untuk produk p2 = 1.9
● Yuni A. untuk produk p1 = 5
● Budi P. untuk produk p3 = 4.9
 Hasil
Rekomendasi