Jakarta — Perkembangan machine learning membuat sistem rekomendasi di platform e-commerce semakin mampu memahami perilaku dan kebutuhan konsumen. Temuan tersebut berasal dari penelitian Stephen Gregorius Kurnia dari Bina Nusantara University, Muhammad Rizki Perdana dari Sekolah Tinggi Manajemen Informatika dan Komputer IKMI Cirebon, serta Aldian Yusup dari Institut Prima Bangsa Cirebon. Penelitian yang diterbitkan pada 2026 ini meninjau perkembangan strategi optimasi sistem rekomendasi berbasis machine learning pada platform e-commerce dengan menganalisis 10 artikel ilmiah terpilih dari publikasi periode 2020–2025. Hasil kajian menunjukkan bahwa deep learning, sistem rekomendasi hibrida, pendekatan sekuensial, dan teknologi berbasis large language model (LLM) mampu meningkatkan akurasi serta personalisasi rekomendasi.
Pertumbuhan e-commerce membuat konsumen berhadapan dengan katalog produk yang semakin besar. Banyaknya pilihan memang memberikan keuntungan, tetapi sekaligus dapat menimbulkan information overload. Konsumen dapat kesulitan menentukan produk yang paling sesuai dengan kebutuhan dan preferensinya ketika harus memilih dari ribuan bahkan jutaan produk yang tersedia secara online. Sistem rekomendasi kemudian hadir sebagai salah satu teknologi untuk menyaring informasi tersebut dan menampilkan produk yang dianggap paling relevan bagi setiap pengguna.
Sistem rekomendasi modern tidak hanya mengandalkan informasi mengenai produk. Teknologi machine learning dapat mempelajari riwayat pencarian, produk yang diklik, transaksi pembelian, ulasan, penilaian, hingga pola interaksi pengguna. Data tersebut memungkinkan sistem menghasilkan rekomendasi yang lebih personal dan menyesuaikannya dengan perubahan minat konsumen. Bagi perusahaan e-commerce, kemampuan tersebut juga berkaitan dengan peningkatan keterlibatan pelanggan, retensi, dan peluang pertumbuhan pendapatan.
Meski demikian, membuat sistem rekomendasi yang benar-benar efektif bukan perkara sederhana. Masalah seperti keterbatasan data, data sparsity, cold-start, kemampuan sistem menangani data dalam jumlah besar, serta perubahan perilaku konsumen dapat menurunkan kualitas rekomendasi. Sistem juga harus mampu memberikan hasil secara cepat tanpa mengorbankan akurasi. Pada saat yang sama, perusahaan perlu mempertimbangkan privasi pengguna, transparansi algoritma, keadilan, dan penggunaan data secara etis.
Untuk memahami perkembangan teknologi tersebut, Kurnia, Perdana, dan Yusup menggunakan metode Systematic Literature Review (SLR) dengan kerangka PRISMA 2020. Literatur dikumpulkan dari enam basis data akademik, yaitu Scopus, ScienceDirect, SpringerLink, IEEE Xplore, ACM Digital Library, dan Google Scholar. Pencarian difokuskan pada publikasi tahun 2020 hingga 2025 menggunakan kata kunci yang berkaitan dengan machine learning, sistem rekomendasi, e-commerce, optimasi rekomendasi, deep learning, dan personalisasi.
Dari pencarian awal diperoleh 286 artikel. Setelah 45 artikel duplikat dihapus, tersisa 241 artikel untuk proses penyaringan. Sebanyak 189 artikel kemudian dikeluarkan karena tidak secara langsung membahas sistem rekomendasi berbasis machine learning dalam konteks e-commerce. Dari 52 artikel yang masuk ke tahap penilaian penuh, sebanyak 42 artikel kembali dikeluarkan karena tidak memenuhi kriteria penelitian. Pada akhirnya, 10 artikel memenuhi seluruh persyaratan dan digunakan dalam analisis akhir. Alur seleksi tersebut ditampilkan melalui diagram PRISMA 2020 pada halaman 6 artikel.
Hasil kajian menunjukkan bahwa machine learning telah menjadi fondasi utama sistem rekomendasi e-commerce modern. Sistem tradisional seperti collaborative filtering dan content-based filtering masih digunakan, tetapi penelitian terbaru semakin banyak mengembangkan deep learning, model hibrida, graph-based learning, reinforcement learning, dan sistem rekomendasi berbasis LLM. Perkembangan tersebut memungkinkan sistem memahami hubungan yang lebih kompleks antara pengguna, produk, dan konteks penggunaan.
Salah satu temuan paling menonjol adalah efektivitas sistem rekomendasi hibrida. Pendekatan ini menggabungkan beberapa metode sekaligus sehingga kelemahan satu metode dapat ditutupi oleh metode lainnya. Sistem hibrida dinilai efektif untuk menghadapi masalah cold-start, keterbatasan data, serta kebutuhan terhadap rekomendasi yang lebih beragam. Beberapa kajian juga menunjukkan bahwa teknik optimasi berbasis deep learning dapat meningkatkan precision, recall, dan kemampuan sistem dalam menentukan peringkat produk yang relevan.
Perilaku pengguna menjadi faktor penting lainnya. Sistem rekomendasi dapat memanfaatkan riwayat penelusuran, klik produk, transaksi pembelian, ulasan pelanggan, serta pola navigasi untuk memahami perubahan preferensi konsumen. Pendekatan rekomendasi sekuensial dan model prediksi perilaku memungkinkan sistem mengenali pola aktivitas pengguna dari waktu ke waktu. Dengan demikian, rekomendasi tidak hanya didasarkan pada data pembelian masa lalu, tetapi juga dapat menyesuaikan diri dengan minat pengguna yang sedang berkembang.
Kajian tersebut juga menunjukkan bahwa perkembangan berikutnya akan semakin berkaitan dengan LLM, conversational AI, dan sistem rekomendasi multimodal. LLM memungkinkan sistem memahami permintaan pengguna melalui bahasa alami dan mempertimbangkan konteks percakapan. Pengguna dapat berinteraksi dengan sistem rekomendasi layaknya berbicara dengan asisten virtual, kemudian memperjelas kebutuhan atau preferensinya secara langsung.
Sistem multimodal bahkan memungkinkan berbagai jenis informasi digunakan secara bersamaan, seperti teks, gambar, audio, dan sinyal perilaku. Dengan informasi yang lebih beragam, sistem memiliki peluang untuk membangun pemahaman yang lebih lengkap mengenai preferensi konsumen. Teknologi tersebut dinilai berpotensi meningkatkan relevansi, interaktivitas, dan personalisasi rekomendasi.
Bagi konsumen, perkembangan tersebut dapat membuat pengalaman berbelanja online menjadi lebih sederhana. Alih-alih mencari sendiri melalui katalog yang sangat besar, pengguna dapat memperoleh pilihan produk yang lebih sesuai dengan kebutuhan mereka. Bagi perusahaan, rekomendasi yang relevan dapat membantu meningkatkan kepuasan pelanggan, keterlibatan, retensi, serta peluang terjadinya pembelian. Literatur yang dikaji juga menunjukkan bahwa model prediksi perilaku dapat meningkatkan relevansi rekomendasi dan tingkat konversi pembelian.
Namun, semakin canggih sistem rekomendasi, semakin besar pula tantangan yang harus dihadapi. Data sparsity masih menjadi masalah terutama bagi pengguna baru dan produk baru. Masalah cold-start muncul ketika sistem belum memiliki cukup riwayat interaksi untuk menghasilkan rekomendasi yang akurat. Selain itu, sistem harus mampu memproses data pengguna dan produk dalam jumlah besar secara real time.
Persoalan privasi, keadilan, dan transparansi juga menjadi perhatian. Konsumen dan regulator semakin membutuhkan penjelasan mengenai cara algoritma menghasilkan rekomendasi serta bagaimana data pribadi dikumpulkan dan digunakan. Karena itu, pengembangan sistem rekomendasi tidak cukup hanya mengejar akurasi. Sistem juga perlu dapat dipercaya, transparan, adil, dan bertanggung jawab dalam menggunakan data pengguna.
Para peneliti menilai penelitian berikutnya perlu mengembangkan sistem rekomendasi yang lebih mudah dijelaskan kepada pengguna. Integrasi reinforcement learning dan pembelajaran adaptif secara real time juga dapat meningkatkan kemampuan sistem dalam merespons perubahan perilaku konsumen. Selain itu, LLM dan teknologi multimodal dinilai memiliki peluang besar untuk menghasilkan sistem rekomendasi yang mampu memahami maksud pengguna secara lebih kompleks.
Secara keseluruhan, penelitian Stephen Gregorius Kurnia, Muhammad Rizki Perdana, dan Aldian Yusup menunjukkan bahwa optimasi sistem rekomendasi berbasis machine learning telah berkembang jauh melampaui sekadar meningkatkan akurasi prediksi. Perkembangannya kini mencakup personalisasi, analisis perilaku pengguna, kemampuan beradaptasi secara real time, interaksi melalui bahasa alami, serta pemanfaatan berbagai jenis data. Bagi industri e-commerce, pengembangan tersebut dapat menjadi bagian penting dalam meningkatkan pengalaman pelanggan sekaligus mempertahankan daya saing bisnis.
Profil Penulis
Stephen Gregorius Kurnia — Bina Nusantara University.
Muhammad Rizki Perdana — Sekolah Tinggi Manajemen Informatika dan Komputer IKMI Cirebon.
Aldian Yusup — Institut Prima Bangsa Cirebon.
Sumber Penelitian
Judul Artikel: Optimization of Machine Learning–Based Recommendation Systems on E-Commerce Platforms
Jurnal: East Asian Journal of Multidisciplinary Research (EAJMR), Vol. 5 No. 8, 2026, halaman 3519–3534.
DOI: https://doi.org/10.55927/eajmr.v5i8.284
Link Jurnal: https://journaleajmr.my.id/index.php/eajmr
0 Komentar