SISTEM REKOMENDASI PRODUK BERDASARKAN KESAMAAN PREFERENSI ANTAR PEMBELI DENGAN MENGGUNAKAN COLLABORATIVE FILTERING BERBASIS WEB

  • Derry Frediansa Teknik Informatika, Institut Teknologi Nasional Malang
  • Ali Mahmudi Teknik Informatika, Institut Teknologi Nasional Malang
  • Yosep Agus Pranoto Teknik Informatika, Institut Teknologi Nasional Malang

Abstract

Di tengah kemajuan era digital, penggunaan teknologi informasi menjadi aspek penting dalam mendukung berbagai aktivitas, termasuk di sektor perdagangan, khususnya dalam mendukung pihak internal toko dalam merumuskan strategi penawaran produk yang selaras dengan preferensi konsumen. Salah satu solusi yang bisa diterapkan guna memenuhi kebutuhan tersebut adalah pemanfaatan sistem rekomendasi, yang berfungsi menampilkan produk sesuai dengan rekam jejak interaksi pengguna sebelumnya. Tujuan dari penelitian ini adalah untuk merancang dan mengimplementasikan sistem rekomendasi produk secara online di Toko Surya Elektrik dengan memanfaatkan metode Collaborative Filtering. Metode ini dipilih karena mampu mengidentifikasi kesamaan preferensi antar pengguna untuk menghasilkan rekomendasi yang sesuai. Pendekatan yang digunakan adalah user-based collaborative filtering, dengan teknik perhitungan kemiripan menggunakan cosine similarity, yang mengevaluasi pola penilaian antar pembeli guna mengukur tingkat kedekatan preferensi. Berdasarkan hasil pengujian, sistem mampu memberikan rekomendasi dengan tingkat akurasi hingga 87%, serta menunjukkan kinerja optimal pada seluruh fitur berdasarkan pengujian fungsionalitas dengan tingkat keberhasilan 100%. Selain itu, hasil kuesioner yang diberikan kepada admin sebagai pengguna utama menunjukkan tingkat kepuasan sebesar 92%, terutama pada aspek kemudahan penggunaan, kecepatan, dan ketepatan hasil rekomendasi. Oleh karena itu, sistem ini diharapkan dapat menjadi sarana pendukung yang efektif dalam proses pengambilan keputusan penawaran produk, sekaligus meningkatkan kualitas layanan pada ekosistem e-commerce lokal.

Downloads

Download data is not yet available.
Published
2025-12-17