Home / Berita Terkini / Studi Kasus Data Science Melalui Rekomendasi E-Commerce

Studi Kasus Data Science Melalui Rekomendasi E-Commerce

Jurusan Informatika Universitas Katolik Parahyangan (UNPAR) kembali menggelar Seri Webinar bertajuk “Case Study in Data Science : E-Commerce Recommendation System” pada Jumat (7/8/2020). Pada webinar ini dibahas mengenai salah satu studi kasus di Data Science yaitu bagaimana sistem rekomendasi yang digunakan dalam sistem E-Commerce. Kegiatan ini mengundang Mariskha Tri Adithia, S.Si, M.Sc, PDEng yang merupakan Dosen Informatika UNPAR sebagai pembicara. 

Data Science dan E-Commerce

Dalam pekerjaannya, Mariskha memanfaatkan Data Science untuk berbagai keperluan. Pada tahun 2007, beliau bersama tim mencoba untuk menyembuhkan anak-anak dengan ADHD dengan cara menganalisis gelombang otak anak tersebut dengan data science. Di tahun 2008, terjadi serangan Correlation Power Attack pada kartu kredit. Disinilah digunakan data science untuk mengukur keamanan dari suatu kartu kredit. 

10 Tahun kemudian, ternyata data science dapat digunakan untuk mengumpulkan data privasi, dan setahun setelahnya Mariskha memulai riset Privacy Preserving Data Mining (PPDM). Di tahun 2020 ini bersama dengan tim dari Informatika UNPAR, Mariskha membuat berbagai artikel mengenai Data Science.

Di jaman teknologi yang serba modern, segalanya menjadi begitu mudah terutama berbelanja. Banyak platform e-commerce yang digunakan oleh masyarakat Indonesia untuk berbelanja karena akses yang begitu mudah, banyak potongan harga, dan juga tidak perlu bermacet ria di jalan raya. Di Indonesia sendiri, barang yang paling sering dibeli di platform e-commerce adalah pakaian diikuti dengan posisi kedua yakni produk elektronik.

Sistem Rekomendasi

Platform e-commerce memberikan rekomendasi barang untuk konsumennya sebagai bagian dari strategi bisnis. Sistem rekomendasi adalah suatu sistem yang menyajikan tampilan yang sesuai dengan kebutuhan konsumen. Perusahaan e-commerce menyimpan berbagai data mengenai konsumen seperti halaman yang kita akses berulang kali dan barang yang telah kita beli. Data-data ini masuk ke suatu algoritma yang telah dibuat oleh perusahaan tersebut dan akhirnya muncul rekomendasi barang bagi para konsumen.

Algoritma diatas terdiri dari dua jenis yaitu collaborative filtering dan content-based filtering. Collaborative filtering dilakukan dengan sekelompok user yang memiliki ketertarikan yang mirip sedangkan content-based filtering merupakan sistem rekomendasi dengan mengaitkan konten yang mendekati kesukaan seorang user.

Data yang diperlukan untuk suatu algoritma perlu dilakukan beberapa langkah untuk mencapai rekomendasi yang akurat. Pertama, dilakukan data cleaning dengan menghilangkan duplikasi dan mengambil data yang diperlukan saja. Selanjutnya data yang sudah bersih dimasukkan ke rating matrix. Setelah masuk ke rating matrix, hasil perhitungan dimasukkan ke dalam similarity matrix. Kemudian angka-angka yang dihasilkan dihitung weighted average-nya untuk mendapatkan predicted ratings dari konsumen yang belum pernah membeli barang yang akan direkomendasikan. 

Mariskha dalam penutup dari presentasinya mengutip pernyataan dari Nadiem Makarim (Pendiri Gojek dan Menteri Pendidikan dan Kebudayaan), “Semakin baik perusahaan teknologi memanfaatkan data, semakin baik pula reputasinya.” Maka data science tentu akan semakin banyak dibutuhkan untuk menentukan strategi bisnis dan memajukan suatu perusahaan kedepannya. (JNS/DAN – Divisi Publikasi)