AI Learning #recommendation-system #machine-learning #collaborative-filtering #ai #pemula #algoritma

Cara Kerja Recommendation System: Dari Netflix sampai Tokopedia

Pernah heran kenapa Netflix selalu tahu film yang kamu suka? Pelajari cara kerja recommendation system, algoritma di baliknya, dan contoh penerapannya dalam kehidupan sehari-hari.

AI Content Hub · 30 Maret 2026

Cara Kerja Recommendation System: Dari Netflix sampai Tokopedia

Pernah nonton satu series di Netflix, tiba-tiba muncul rekomendasi series serupa yang ternyata memang kamu suka? Atau belanja di Tokopedia, lalu muncul “Orang lain juga membeli” barang yang kebetulan kamu butuhkan? Itulah keajaiban Recommendation System! 🎯

Apa Itu Recommendation System?

Recommendation System (atau recommender system) adalah algoritma AI yang memprediksi preferensi atau rating yang mungkin diberikan user terhadap suatu item — lalu merekomendasikan item yang paling relevan.

Contoh nyata:

Kenapa Recommendation System Penting?

📈 Dampak Bisnis

PlatformDampak Recommendation System
Netflix80% konten yang ditonton dari rekomendasi
Amazon35% penjualan dari “Customers also bought”
SpotifyDiscover Weekly dibuat oleh 40 juta user
YouTube70% watch time dari recommended videos

🎯 Manfaat untuk User

Tipe-Tipe Recommendation System

1. Content-Based Filtering

Merekomendasikan item yang mirip dengan item yang user sukai sebelumnya.

Cara kerja:

Contoh: User suka film “The Dark Knight” (genre: action, superhero, crime).
→ Rekomendasi: “Iron Man” (action, superhero), “Joker” (crime, DC).

Kelebihan:

Kekurangan:

2. Collaborative Filtering (CF)

Merekomendasikan berdasarkan kesamaan perilaku antar user.

Prinsip: “Kalau user A dan B punya selera mirip di masa lalu, mereka akan punya selera mirip di masa depan.”

User-Based Collaborative Filtering

Cari user yang mirip dengan kamu, lalu rekomendasikan apa yang mereka suka.

User A: [⭐⭐⭐⭐⭐] The Matrix
        [⭐⭐⭐⭐⭐] Inception
        [⭐⭐⭐⭐⭐] Interstellar
        [?]       Tenet ← Belum nonton

User B: [⭐⭐⭐⭐⭐] The Matrix
        [⭐⭐⭐⭐⭐] Inception
        [⭐⭐⭐⭐⭐] Interstellar
        [⭐⭐⭐⭐⭐] Tenet ← Sudah nonton, suka!

→ Rekomendasi untuk User A: Tenet (karena User B mirip dan suka)

Item-Based Collaborative Filtering

Cari item yang mirip (berdasarkan rating dari banyak user), lalu rekomendasikan.

User yang suka "The Matrix" juga suka:
- Inception (90%)
- Blade Runner (85%)
- Ghost in the Shell (80%)

→ Kalau user suka The Matrix, rekomendasikan Inception

Kelebihan CF:

Kekurangan CF:

3. Hybrid Recommendation

Kombinasi Content-Based + Collaborative Filtering untuk mengatasi kekurangan masing-masing.

Contoh: Netflix menggunakan hybrid approach:

Keunggulan:

Algoritma Populer dalam Recommendation System

1. Matrix Factorization (SVD, ALS)

Mengubah user-item matrix menjadi representasi low-dimensional (latent factors).

Contoh: Netflix Prize competition (2009) dimenangkan dengan algoritma matrix factorization.

Tools:

2. Deep Learning untuk Recommendation

Neural networks untuk capture non-linear relationships.

Arsitektur populer:

Platform yang pakai deep learning:

3. Graph-Based Recommendation

Menggunakan graph structure untuk menemukan hubungan.

Contoh:

Tools: Graph Neural Networks (GNN), Node2Vec

Contoh Kasus: Cara Kerja Netflix

Netflix menggunakan hybrid approach yang kompleks:

1. Data yang Dikumpulkan

2. Algoritma Layer

LayerFungsi
Candidate GenerationPilih ~1000 video dari katalog jutaan
RankingUrutkan berdasarkan relevance score
Re-rankingAdjust berdasarkan diversity, freshness, etc.

3. Personalization

Setiap user melihat homepage yang berbeda:

4. A/B Testing

Netflix terkenal dengan rigorous A/B testing:

Membangun Recommendation System Sederhana

Tools untuk Pemula

No-Code:

Open Source Libraries (Python):

# Surprise library untuk collaborative filtering
from surprise import SVD, Dataset, Reader
from surprise.model_selection import cross_validate

# Load data
data = Dataset.load_builtin('ml-100k')

# Train SVD model
algo = SVD()
cross_validate(algo, data, measures=['RMSE', 'MAE'], cv=5)

Deep Learning:

# TensorFlow Recommenders (TFRS)
import tensorflow_recommenders as tfrs

# Two-tower model
model = tfrs.models.Retrieval(
    user_model=user_embeddings,
    item_model=movie_embeddings,
    task=tfrs.tasks.Retrieval(metrics=metrics)
)

Evaluasi Recommendation System

Metrics Offline

Metrics Online (A/B Testing)

Tantangan dalam Recommendation System

⚠️ Cold Start Problem

⚠️ Filter Bubble

User hanya direkomendasikan item serupa, kehilangan diversity.

Solusi:

⚠️ Scalability

Makin banyak user dan item, makin berat komputasi.

Solusi:

⚠️ Bias dan Fairness

Popularity bias: item populer makin direkomendasikan, makin populer.

Solusi:

Masa Depan Recommendation System

🔮 Context-Aware Recommendations

Menggunakan konteks real-time:

🔮 Conversational Recommendations

Chatbot yang bisa dialog untuk mengerti preferensi:

🔮 Multi-Modal Recommendations

Menggunakan berbagai tipe data:

🔮 Explainable AI

User bisa tahu kenapa direkomendasikan:

Kesimpulan

Recommendation system adalah salah satu aplikasi AI yang paling sukses dan sering kita gunakan tanpa sadar. Dari Netflix yang tahu film favoritmu sampai Shopee yang tahu barang yang kamu butuhkan — semua ini hasil dari algoritma canggih yang menganalisis perilaku jutaan user.

Key takeaways:

  1. Content-Based: Mirip dengan yang sudah kamu suka
  2. Collaborative Filtering: Orang serupa suka apa
  3. Hybrid: Kombinasi terbaik dari keduanya
  4. Evaluasi: Perhatikan accuracy, diversity, dan business metrics

Next step: Kalau tertarik belajar lebih dalam, coba implementasi simple recommendation system dengan Python dan library Surprise. Dataset MovieLens 100k adalah starting point yang perfect!

Pernah dapat rekomendasi yang super akurat atau super ngawur? Share pengalamanmu!