Apa Itu Sistem Rekomendasi?

Sistem rekomendasi menggunakan bagian dari AI yang dikenal sebagai machine learning dan teknik pemfilteran data untuk membuat saran. Ketika mereka bekerja dengan baik, sistem rekomendasi AI membuat prediksi yang akurat tentang jenis konten apa yang diinginkan pengguna berdasarkan pilihan, umpan balik, dan keterlibatan di masa lalu.

Netflix, Amazon, eBay, dan sebagian besar platform media sosial memiliki sistem rekomendasi guna membantu pengunjung menyortir konten dalam jumlah besar untuk menemukan item tertentu yang mungkin menarik. Solusi artificial intelligence seperti pemberi rekomendasi adalah hal umum dalam kehidupan modern sehari-hari, yang hampir berada di titik yang diharapkan. Namun, agar efektif secara optimal, solusi ini memerlukan sejumlah besar data, pelatihan model AI, dan daya komputasi.

Audiens terkadang bergantung pada sistem rekomendasi tanpa menyadari bahwa mereka melakukannya. Memilih satu film untuk ditonton dari ratusan ribu film bisa menjadi tantangan yang tidak dapat diatasi, tetapi memilih satu film dari 100 mengurangi kesulitan untuk membuat keputusan. Ketika rekomendasinya akurat dan sistemnya responsif, proses memutuskan apa yang harus dikonsumsi menjadi lancar.

Manfaat Sistem Rekomendasi

Bagi perusahaan yang ingin pengguna tetap terlibat, seperti platform media sosial, atau untuk terus berlangganan atau melakukan pembelian, menerapkan sistem rekomendasi AI dapat membantu mereka mencapai tujuan tersebut. Dalam beberapa kasus, sistem rekomendasi bertindak seperti rak pembelian impulsif di toko kelontong. Di sisi lain, sistem ini lebih seperti menawarkan tambahan penjualan, seperti perlindungan ban di dealer mobil.

Pengguna juga mendapat manfaat, karena pengambilan keputusan itu sulit. Bahkan ketika pengguna memiliki gagasan yang baik tentang apa yang mereka inginkan, memilah semua item yang tidak mereka inginkan dapat menjadi tantangan. Mencari katalog film untuk “komedi” menghadirkan berbagai pilihan dengan pertimbangan yang sangat berbeda. Sistem rekomendasi membantu pengguna mempersempit pilihan mereka untuk menemukan apa yang paling menarik bagi mereka.

Selain itu, rekomendasi dapat membantu pengguna menemukan konten baru yang mungkin tidak mereka temukan. Layanan streaming musik seperti Pandora dan Spotify adalah contoh platform yang sering digunakan pelanggan untuk menemukan konten baru berdasarkan preferensi mereka.

Bagaimana Cara Kerja Sistem Rekomendasi?

Sistem Rekomendasi AI merupakan sistem kompleks serta menggunakan beberapa model AI, proses machine learning, dan alur kerja analitik data. Sebagian besar alur kerja mencakup tiga tahap umum:

• Klasifikasi: Pada tahap ini, visi komputer dan pemrosesan bahasa alami (NLP) digunakan untuk mengidentifikasi serta mengklasifikasikan berbagai elemen konten.
• Recall dan pencarian kemiripan: Berikutnya, item atau objek dikategorikan berdasarkan fitur yang serupa.
• Penyusunan peringkat: Terakhir, model pembelajaran yang luas dan mendalam menyortir item atau objek berdasarkan relevansi.

Tiga tahap ini diperlukan untuk menghadirkan hasil yang akurat dan relevan serta mengurangi risiko pengguna merasa frustrasi, tidak hanya frustrasi terhadap rekomendasinya tetapi juga dengan perusahaan yang menyediakan sistemnya.

Jenis Sistem Rekomendasi

Sistem rekomendasi dapat disesuaikan tanpa henti dan harus disesuaikan secara cermat dengan kasus penggunaan tertentu. Umumnya, sistem rekomendasi masuk ke dalam tiga kategori yang luas:

• Pemfilteran kolaboratif: Sistem rekomendasi pemfilteran data kolaboratif memerlukan informasi preferensi dari banyak pengguna. Sistem mengenali pola: Orang yang menyukai film ini juga sering menyukai film lainnya. Kemudian sistem akan merekomendasikan film lainnya kepada orang-orang yang menyukai film pertama.
  Demikian pula, jika dua pengguna memiliki dua item atau lebih yang sama, sistem rekomendasi dapat merekomendasikan item yang telah dinilai sangat baik oleh satu orang atau dibeli oleh yang lain dengan minat yang sama.
• Pemfilteran berbasis konten: Pemfilteran data berbasis konten sangat membantu dalam situasi di mana lebih sedikit informasi tersedia, seperti ketika pengguna meneliti barang dengan harga tinggi yang jarang dibeli, seperti perabotan atau peralatan baru. Sistem rekomendasi mungkin menyarankan item dengan ukuran yang sama, dengan fitur yang serupa, atau dalam kisaran harga yang sebanding.
  Dengan menggunakan contoh film sebelumnya, jika pengguna telah menonton dua film aksi, sistem rekomendasi mungkin menyarankan judul lain dalam kategori tersebut.
• Pemfilteran hibrida: Pemberi rekomendasi yang menggunakan pemfilteran data kolaboratif maupun berbasis konten memberikan elemen dari kedua jenis dan terkadang juga mencakup informasi kontekstual, seperti lokasi, waktu dalam sehari, serta data lainnya, untuk membuat rekomendasi yang lebih akurat dan berguna.

Apa yang Membuat Sistem Rekomendasi yang Baik?

Tujuan bisnis untuk sistem rekomendasi adalah penggunaan berulang. Semakin sering pengguna menganggap rekomendasi yang mereka terima sebagai “baik”, yang berarti sangat cocok dengan preferensi mereka, maka semakin besar kemungkinan mereka kembali dan menggunakan kembali sistem tersebut. Atribut sistem rekomendasi yang baik meliputi:

• Akurat: Saran harus dipersonalisasi bagi pengguna. Hal ini dapat dicapai dengan memasukkan sistem umpan balik seperti jempol ke atas atau ke bawah. Umpan balik memperkuat dan memperluas pembelajaran AI.
• Responsif: Pengguna terkenal tidak sabar dan tidak akan menunggu rekomendasi. Waktu muat harus cepat dan bebas hambatan, atau pengguna akan pergi begitu saja.
• Hemat biaya: Dari sudut pandang bisnis, investasi dalam sistem rekomendasi dan pengeluaran operasional terkait yang sedang berjalan harus diimbangi dengan peningkatan keterlibatan pengguna, penjualan, atau hasil bisnis lainnya.

Kasus Penggunaan Sistem Rekomendasi

Sistem rekomendasi sangat umum di dunia digital. Hampir semua peritel e-commerce memiliki beberapa jenis sistem rekomendasi, dan kebanyakan orang menggunakannya dengan lancar tanpa menyadari apa itu. Amazon adalah pengadopsi awal, dan tanpa rekomendasi, menemukan produk baru bisa sangat sulit.

Netflix juga memiliki sistem rekomendasi yang sangat luas dan terus berkembang. Bahkan, dari tahun 2007 hingga 2009, Netflix menawarkan hadiah kepada tim yang dapat membangun sistem rekomendasi yang 10 persen lebih akurat. Pemenangnya membuat alur dari 107 model berbeda yang bekerja bersama untuk menawarkan prediksi.¹

Dua penggunaan utama sistem rekomendasi AI adalah merchandising yang dipersonalisasi, seperti di eBay atau Amazon, dan konten yang dipersonalisasi, seperti pada platform media sosial seperti Facebook atau LinkedIn.

Merchandising yang Dipersonalisasi

Sebagian besar merek ritel besar memiliki sistem rekomendasi merchandising yang dipersonalisasi. Ini dapat bekerja dengan beberapa cara berbeda.

Misalnya, ketika pengguna menelusuri daftar di eBay, sistem rekomendasi “jelajahi barang terkait” menawarkan daftar yang serupa, dengan opsi untuk memberikan umpan balik tentang saran. Peritel pakaian Old Navy menawarkan rekomendasi “pelanggan juga menyukai” dan rekomendasi “padukan dengan”.

Karena sistem rekomendasi AI yang didukung algoritma menjadi lebih umum, sistem ini juga digunakan dengan cara baru. Dalam dunia perbankan, sistem rekomendasi dapat digunakan untuk menyarankan jenis akun, layanan, atau penawaran secara aman berdasarkan perilaku tabungan dan pengeluaran pelanggan, atau dalam dunia pendidikan, rekomendasi dapat membantu siswa memutuskan perguruan tinggi mana yang akan mereka pilih untuk mendaftar.

Konten yang Dipersonalisasi

Pengguna berinteraksi dengan sistem rekomendasi secara lancar sepanjang hari biasa, terutama saat mereka mengonsumsi media dan hiburan. Google menggunakan sistem rekomendasi untuk menyajikan iklan kepada pengguna; Meta menggunakan sistem rekomendasi di seluruh produknya, termasuk halaman Instagram Explore, Facebook Reels, dan umpan utama yang dilihat pengguna pada platform tersebut.

Baik Amazon maupun Netflix menggunakan machine learning serta data dalam jumlah besar untuk merekomendasikan konten yang dipersonalisasi. Informasi tampilan pengguna, data riwayat pencarian, peringkat, tanggal, waktu dalam sehari, dan jenis perangkat yang digunakan semuanya dimasukkan ke dalam mesin rekomendasi hibrida multilapis.

Rekomendasi yang dipersonalisasi, bukan hanya apa yang populer saat ini, dapat menyebabkan keterlibatan dan eksplorasi yang lebih dalam—serta memberikan data tambahan untuk hasil yang lebih relevan.

Tantangan Sistem Rekomendasi

Pemberi rekomendasi berguna untuk organisasi dan pengguna, tetapi tantangan potensial juga ada. Menyadari tantangan sejak awal dalam membangun sistem rekomendasi dapat menawarkan kesempatan untuk menghindari masalah di kemudian hari. Berikut adalah beberapa tantangan yang diketahui terkait dengan sistem rekomendasi AI:

• Kelangkaan data: Pada awal proses, ada kemungkinan bahwa banyak item atau produk belum diberi penilaian atau bahwa penggunanya adalah pengguna baru, sehingga sistem rekomendasi tidak memiliki banyak informasi untuk dikerjakan. Netflix, misalnya, meminta pengguna baru untuk menilai film yang telah mereka lihat. Mekanisme umpan balik dasar, seperti jempol ke atas atau ke bawah atau penilaian dengan bintang, dapat membantu memberikan titik awal.
• Masalah cold start: Pengguna dan item baru menghadirkan tantangan yang sama. Dengan data yang tidak cukup tentang preferensi pengguna atau tentang suatu item, sistem rekomendasi tidak dapat membuat rekomendasi yang akurat dan berguna. Misalnya, bayangkan pengguna berbelanja lemari es baru dan mengunjungi situs ritel yang belum pernah mereka lihat sebelumnya. Sistem rekomendasi situs tidak memiliki informasi apa pun tentang apa yang dicari pengguna selain pencarian saat ini.
• Skalabilitas: Menskalakan dari jumlah data yang relatif kecil hingga jutaan pengguna dan item memerlukan infrastruktur teknologi yang terencana dengan hati-hati untuk menyeimbangkan penggunaan serta mempercepat waktu untuk menghasilkan.
• Penyesuaian berlebihan (overfitting) dan keragaman: Kedua tantangan ini saling terkait, dan keduanya mengakibatkan item paling populer terlalu sering direkomendasikan. Ketika sistem rekomendasi mengalami penyesuaian berlebihan (overfitted), data pelatihan terlalu cocok dengan model, dan informasi baru tidak mudah diintegrasikan. Ketika produk yang sama direkomendasikan lagi dan lagi, maka berkuranglah keragaman saran, yang mungkin menyebabkan pengguna kehilangan minat. Menggunakan metrik seperti entropi dan kebaruan untuk mengukur keragaman rekomendasi mungkin dapat membantu.
• Ketergantungan berlebihan pada algoritma: Karena pemberi rekomendasi menjadi lebih umum serta menjadi bagian dari kehidupan sehari-hari, orang dapat menggunakannya terlalu sering untuk membuat keputusan dan berakhir dengan gelembung filter atau ruang gema. Ini khususnya bermasalah untuk orang yang lebih rentan, seperti anak di bawah umur, yang menggunakan platform media sosial.
• Privasi: Sistem rekomendasi harus memiliki akses ke data pengguna, seperti riwayat browser dan pembelian mereka, yang dapat menimbulkan masalah privasi. Perusahaan yang menerapkan solusi AI harus menyadari risiko keamanan dan privasi data serta menerapkan solusi keamanan untuk melindungi data pengguna dan bisnis. Selain itu, perusahaan harus menyadari praktik AI yang bertanggung jawab untuk memastikan AI digunakan dengan cara yang aman, dapat dipercaya, dan etis.

Masa Depan Sistem Rekomendasi

AI generatif, pemfilteran data yang lebih tepat, peningkatan jumlah data yang harus difilter, serta machine learning dan model bahasa besar (LLM) yang disempurnakan, semuanya menunjukkan peningkatan yang stabil dalam seberapa baik sistem rekomendasi bekerja untuk pengguna maupun perusahaan. Bagi perusahaan yang belum menerapkan sistem rekomendasi, alat untuk melakukan kustomisasi dan melatih pemberi rekomendasi yang efektif menjadi lebih mudah diakses.