Pengembangan Sistem Rekomendasi Produk Oleh Oleh Batam Berbasis Machine Learning untuk Mendukung Personalisasi Pengguna

Abstract

Penelitian ini mengembangkan prototipe sistem rekomendasi oleh-oleh khas Batam berbasis machine learning dalam ekosistem Grab untuk meningkatkan relevansi rekomendasi produk dan menganalisis dampaknya pada pengguna. Evaluasi dilakukan melalui eksperimen offline pada dataset tabular berisi 17.343 interaksi dari 1.000 pengguna terhadap 300 produk, dengan atribut utama user_id, item_id, rating, nama_produk, kategori, deskripsi, harga, dan lokasi_beli. Sistem membandingkan tiga algoritma rekomendasi, yaitu user-based collaborative filtering, item-based collaborative filtering, dan content-based filtering berbasis TF–IDF pada skenario top-k recommendation sebanyak 1.000 kasus uji. Hasil menunjukkan precision yang sama pada seluruh algoritma (1,00), dengan perbedaan pada recall dan F1-score; content-based memiliki recall tertinggi (0,020) dan F1-score 0,0392. Selain itu, model klasifikasi segmen harga menggunakan random forest untuk kelas budget, standard, dan premium mencapai accuracy 92,71% pada data uji. Dampak pada pengguna dianalisis melalui survei (n=385) dan regresi linear berganda, yang menunjukkan bahwa ekspektasi, persepsi manfaat, kemudahan penggunaan, niat menggunakan, dan technology acceptance berpengaruh positif dan signifikan terhadap potensial kepuasan, dengan kelayakan model yang kuat (R²=0,970; F=2482,287; Sig.=0,000).