Recommendation System

Apa Itu Recommendation System?

Pernah buka Netflix dan tiba-tiba disodorin film yang kayaknya cocok banget sama selera kamu? Atau buka Tokopedia dan produk yang muncul di halaman utama kayak tau apa yang lagi kamu butuhin? Itulah Recommendation System bekerja.

Recommendation System adalah sistem ML yang tugasnya ngurangin "beban memilih" pengguna. Di era di mana pilihan berlimpah, sistem ini bantu pengguna nemuin item yang relevan tanpa harus scroll tak berujung atau cari manual.

Dua Pendekatan Utama

Collaborative Filtering

Ide dasarnya: "Orang yang suka hal yang sama kayak kamu, biasanya juga suka hal-hal ini."

• User-based: Cari user lain yang punya preferensi mirip kamu, rekomendasiin apa yang mereka suka
• Item-based: Cari item yang sering dikonsumsi bareng dengan item yang kamu udah suka
• Nggak butuh informasi tentang konten item itu sendiri, cukup dari pola perilaku user

Content-Based Filtering

Ide dasarnya: "Kalau kamu suka item X, mungkin kamu juga suka item lain yang mirip dengan X."

• Rekomendasiin berdasarkan fitur atau atribut item yang kamu udah interact
• Butuh pemahaman konten item (genre film, kata kunci produk, dll)
• Lebih independen per user, nggak terpengaruh perilaku user lain

Pendekatan	Kelebihan	Kekurangan
Collaborative Filtering	Nggak butuh analisis konten, bisa hasilkan "surprise"	Cold start problem untuk user atau item baru
Content-Based	Bekerja baik untuk user baru kalau ada profil	Cenderung rekomendasi yang terlalu mirip
Hybrid	Ambil kelebihan keduanya	Lebih kompleks untuk dibangun

Masalah yang Perlu Diatasi

Cold start problem: Sistem nggak punya data cukup untuk user baru atau item baru. Solusinya bisa dengan onboarding survey, popularitas item sebagai fallback, atau content-based untuk awalnya.

Filter bubble: Sistem cenderung rekomendasiin hal yang makin mirip dengan yang sudah kamu konsumsi, bikin kamu "terjebak" di bubble preferensi yang sempit. Platform yang bagus perlu tambahkan unsur serendipity.

Sparsity problem: Di dataset besar, sebagian besar user-item interaction matrix kosong. Mayoritas user cuma interact dengan sebagian kecil dari total item yang tersedia.

Evaluasi Recommendation System

Recommendation System biasanya dievaluasi dengan kombinasi metrik offline seperti Precision@K, Recall@K, dan NDCG, ditambah metrik bisnis online seperti click-through rate, conversion rate, dan waktu yang dihabiskan di platform. Keduanya perlu, karena metrik offline yang bagus nggak selalu berarti impact bisnis yang bagus.