<![CDATA[Ketersediaan produk yang sangat banyak pada platform e-commerce menimbulkan permasalahan kelebihan informasi bagi pengguna. Collaborative Filtering umum digunakan untuk mengatasi permasalahan tersebut, namun kinerjanya bergantung pada riwayat interaksi eksplisit pengguna yang pada praktiknya tidak selalu tersedia, terutama pada data ulasan publik tanpa identitas pengguna. Penelitian ini mengembangkan sistem rekomendasi produk fashion Tokopedia menggunakan pendekatan Content-Based Filtering ganda yang menggabungkan dua sinyal konten, yaitu kemiripan nama produk dan kemiripan teks ulasan pengguna, melalui skema weighted hybrid. Kedua representasi dibentuk menggunakan Term Frequency-Inverse Document Frequency dan dihitung kemiripannya dengan Cosine Similarity. Bobot kombinasi dioptimalkan menggunakan Grid Search berdasarkan Normalized Discounted Cumulative Gain pada data validasi. Eksperimen dilakukan pada 1.520 produk fashion dari 46 toko yang diperoleh dari data ulasan Tokopedia. Hasil pengujian menunjukkan bahwa hybrid dengan bobot optimal (alpha=0,80) menghasilkan NDCG@10 sebesar 0,919, lebih tinggi dibandingkan hybrid berbobot sama (0,888) dan model tunggal berbasis ulasan (0,267), menunjukkan bahwa kemiripan nama produk memberikan kontribusi lebih dominan dibandingkan teks ulasan pengguna.]]>
Copyrights © 2024
