Implementasi Algoritma K-Means Clustering pada Sistem Rekomendasi Produk Berbasis Python

Abstract

Pertumbuhan pesat platform perdagangan elektronik menyebabkan meningkatnya jumlah produk yang tersedia, sehingga menimbulkan permasalahan information overload bagi konsumen dalam menentukan produk yang sesuai dengan kebutuhan dan preferensi mereka. Kondisi ini mendorong perlunya sistem rekomendasi yang mampu membantu pengguna dalam proses pengambilan keputusan pembelian secara efektif. Namun, sebagian besar sistem rekomendasi masih menghadapi kendala cold-start, yaitu keterbatasan data histori interaksi pengguna. Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Means Clustering pada sistem rekomendasi produk berbasis Python sebagai solusi rekomendasi tanpa bergantung pada data pengguna. Metode yang digunakan dalam penelitian ini adalah pendekatan kuantitatif dengan memanfaatkan data produk yang terdiri dari atribut harga, penilaian, dan persediaan. Data terlebih dahulu melalui tahap pre-processing menggunakan metode Min-Max Scaling untuk menyamakan skala nilai setiap atribut. Selanjutnya, algoritma K-Means Clustering diterapkan dengan jumlah cluster sebanyak tiga kelompok untuk mengelompokkan produk berdasarkan kemiripan karakteristik menggunakan jarak Euclidean. Hasil clustering kemudian dimanfaatkan sebagai dasar sistem rekomendasi berbasis item-based similarity, di mana produk yang berada dalam cluster yang sama direkomendasikan kepada pengguna. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu menghasilkan pengelompokan produk yang jelas dan mudah diinterpretasikan, yaitu cluster produk premium, standar, dan ekonomis. Sistem rekomendasi yang dikembangkan mampu menampilkan rekomendasi produk yang relevan berdasarkan hasil clustering tanpa memerlukan data histori pengguna. Dengan demikian, sistem rekomendasi berbasis clustering ini dapat menjadi solusi yang sederhana, efisien, dan praktis untuk diterapkan pada sistem perdagangan elektronik berskala kecil hingga menengah.