Recommendation System dalam Machine Learning

Saat ini, beragam aplikasi sudah hadir mewarnai hidup kita, seiring dengan maraknya penggunaan internet di dunia. Disamping itu, para pengembang aplikasi berbondong-bondong untuk menerapkan machine learning, yang dianggap dapat menguntungkan pengembangnya. Banyak sekali penerapan machine learning pada aplikasi, salah satunya adalah recommendation system.

Mengenal Recommendation System

Recommendation system, atau sistem rekomendasi, merupakan sekumpulan teknik dan algoritma dari machine learning yang digunakan untuk memberikan rekomendasi bagi penggunanya. Recommendation system ini umumnya digunakan pada berbagai jenis industri, seperti e-commerce, serta menawarkan keuntungan bagi pengguna aplikasi, baik pengguna lama maupun pengguna potensial, dengan membantu mereka menemukan penawaran hal baru maupun yang relevan dengan diri mereka. Rekomendasi ini didapat dari banyak hal, seperti perilaku pengguna dan karakteristik pribadi pengguna. Oleh karena itu, recommendation system ini meningkatkan relevansi dan nilai dari pengetahuan mendalam mengenai pengguna, mendorong munculnya hubungan baik dengan pengguna dan penjualan yang meningkat pesat untuk keberjalanan bisnis.

Jenis-jenis Recommendation System

Ada dua jenis recommendation system. Yang pertama adalah collaborative filtering system, dimana sistem ini memberikan rekomendasi hanya berdasarkan interaksi di masa lampau antara pengguna dan hal yang dituju. Penerapan sistem ini didasarkan atas gagasan bahwa data-data pengguna di masa lampau dianggap sudah cukup untuk membuat prediksi. Dan collaborative filtering system sendiri masih memiliki dua cabang, yaitu memory based dan model based. Memory based merupakan metode yang paling mudah, karena metode ini tidak memerlukan model, karena prediksi dianggap dapat muncul berdasarkan “memori” murni dari data masa lampau dan umumnya hanya perlu melakukan pendekatan melalui pengukuran jarak, seperti penerapan algoritma nearest neighbor. Namun, berbeda dengan model based, yang selalu memberikan prediksi berdasarkan model tertentu dan selalu berusaha untuk menjamin bahwa apapun prediksi yang muncul akan selalu cocok dengan model tersebut. Sebagai contoh, dibutuhkan rekomendasi untuk makan siang pada warung, dimana pengunjungnya adalah orang Jawa yang menyukai nasi rames. Apabila menggunakan memory based, sistem hanya melihat data-data mengenai apa saja yang pengguna makan selama satu bulan terakhir, mengabaikan fakta bahwa mereka adalah orang Jawa yang menyukai nasi rames. Di lain sisi, model based akan menjamin bahwa prediksi yang muncul akan mengarah sedikit pada nasi rames, karena diasumsikan bahwa sebagian besar pengunjung yang tersimpan di dataset menyukai nasi rames.

Di lain pihak, ada content-based system, yang berbeda dengan collaborative filtering system. Content-based system umumnya menggunakan informasi tambahan mengenai pengguna dan/atau hal-hal tertentu yang digunakan dalam membuat prediksi. Sebagai contoh, content-based system juga memperhatikan hal-hal kecil, seperti umur, jenis kelamin, pekerjaan, dan berbagai faktor pribadi lainnya ketika membuat prediksi. Oleh karena itu, seringkali pengguna diminta untuk memasukkan informasi-informasi tersebut pada website tertentu, yang bertujuan untuk membuat prediksi yang lebih baik.

Contoh Penerapan Recommendation System

Sebagian besar aplikasi yang kita gunakan sehari-hari umumnya menerapkan recommendation system di dalamnya. Dalam e-commerce, ada Tokopedia, Bukalapak, Blibli, dan lain sebagainya. Aplikasi e-commerce ini memberikan rekomendasi barang-barang yang dapat kita beli, berdasarkan barang yang pernah kita cari, barang yang pernah kita beli sebelumnya, maupun kategori barang yang kita inginkan, sehingga rekomendasinya terasa cocok dengan kita. Aplikasi multimedia streaming, seperti YouTube dan Netflix pun juga memasukkan recommendation system di dalamnya. Untuk YouTube, pengguna akan diberikan rekomendasi mengenai video-video yang dapat ditonton berdasarkan beberapa hal, seperti video yang pernah ditonton, kategori video yang sering ditonton, maupun video yang sedang trending saat itu. Lain halnya dengan Netflix, dimana pengguna Netflix pada awal pendaftarannya diminta untuk memilih beberapa genre yang sesuai dengan kesukaannya, dan kemudian akan muncul beberapa tontonan, baik film maupun series, yang sesuai dengan genre pilihannya. Seiring waktu, pengguna akan diberikan rekomendasi berupa tontonan-tontonan lain, baik yang sesuai dengan genre maupun sesuai dengan tontonan yang pernah ditonton oleh pengguna tersebut.

Dan masih ada banyak lagi penerapan-penerapan pada recommendation system yang muncul dalam berbagai aplikasi yang tersedia di dunia. Dengan hadirnya recommendation system, tentu akan membuat aplikasi menampilkan hal-hal yang lebih personalized dengan penggunanya, yang kemudian akan menguntungkan pengembangnya, baik dengan pengguna maupun dengan keberjalanan bisnisnya.

Sumber Berita:

"An Easy Introduction to Machine Learning Recommender Systems" - kdnuggets.com

"The Evolution of Analytics" - Patrick Hall, Wen Phan, Katie Whitson. O'Reilly Media Inc., 2016

Sumber Gambar:

"Cool uses of recommendation systems" - lynda.com