<![CDATA[Sistem rekomendasi merupakan salah satu komponen utama dalam platform e-commerce yang bertujuan untuk meningkatkan pengalaman pengguna, mempercepat proses pencarian produk, serta mendorong terjadinya transaksi penjualan. Semakin berkembangnya volume data interaksi pengguna dan variasi produk, kebutuhan akan sistem rekomendasi yang cerdas dan adaptif menjadi sangat penting. Pendekatan tradisional yang hanya mengandalkan satu jenis metode rekomendasi seringkali menghadapi tantangan seperti masalah cold start (pengguna atau produk baru) dan data sparsity (ketimpangan data interaksi). Penelitian ini mengembangkan sebuah sistem rekomendasi hibrida yang menggabungkan dua pendekatan populer: Collaborative Filtering dan Content-Based Filtering untuk mengatasi keterbatasan tersebut. Metode yang digunakan dalam penelitian ini adalah kombinasi dari dua pendekatan rekomendasi. Collaborative Filtering berfungsi dengan menganalisis pola interaksi pengguna, seperti pemberian rating terhadap produk, guna mengidentifikasi kesamaan preferensi antar pengguna. Teknik ini mengandalkan matriks interaksi pengguna–produk dan menghitung kesamaan menggunakan metode seperti cosine similarity. Content-Based Filtering merekomendasikan produk berdasarkan kemiripan deskripsi atau fitur konten produk dengan riwayat interaksi pengguna sebelumnya, dengan memanfaatkan teknik text vectorization seperti TF-IDF. Evaluasi kinerja sistem digunakan metrik evaluasi umum dalam sistem rekomendasi, yaitu precision, recall, dan F1-score, terhadap dataset transaksi pengguna e-commerce yang telah dikurasi. Hasil evaluasi menunjukkan bahwa pendekatan hibrida ini lebih unggul dalam memberikan rekomendasi yang relevan dibandingkan jika hanya menggunakan salah satu metode secara tunggal. Aplikasi sistem rekomendasi ini dikembangkan menggunakan bahasa pemrograman Python dan dijalankan di lingkungan Jupyter Notebook. Pengembangan meliputi pengolahan dataset produk dan interaksi pengguna, implementasi algoritma Collaborative Filtering manual berbasis matriks kemiripan antar item, serta Content-Based Filtering berbasis kemiripan deskripsi produk. Sistem juga menyediakan fitur rekomendasi hibrida, yang menggabungkan skor rekomendasi dari kedua pendekatan dengan parameter weighting yang dapat disesuaikan. Visualisasi data juga diintegrasikan untuk mendukung pemahaman pengguna terhadap hasil rekomendasi dan distribusi data. Pendekatan sistem rekomendasi mampu menyajikan hasil yang bersifat personal dan kontekstual terhadap setiap pengguna, serta dapat diadaptasi untuk platform e-commerce skala kecil hingga menengah]]>
