Biarkan Mesin yang Memilih: Machine Learning dan Recommender System

Membuat keputusan adalah salah satu keniscayaan harian bagi manusia, termasuk dalam aktivitas digital. Di dunia digital, pembuatan keputusan bisa meliputi hal-hal seperti produk apa yang akan dibeli di tokopedia, lagu apa saja di Spotify yang akan diputar selama perjalanan ke kantor, maupun video Youtube apa yang akan dimainkan untuk mengisi waktu luang.

Ketiga aplikasi digital tersebut menawarkan begitu banyak pilihan sehingga terjadi kelebihan informasi dan berujung kepada decision fatigue bagi penggunanya. Decision Fatigue adalah suatu kondisi ketika keputusan yang dibuat manusia semakin tidak optimal dan ceroboh seiring dengan semakin banyaknya pilihan yang sudah dilakukan.[1] Kondisi ini sepertinya disadari oleh para penyedia aplikasi sehingga sekarang mereka menambahkan fitur rekomendasi di dalam produknya.

Ketika pengguna selesai memutar sebuah video, youtube kemudian menampilkan video-video lain yang masih berkaitan dengan video yang baru dia putar. Spotify juga melakukan hal yang sama dan bahkan membuatkan playlist untuk penggunanya. Tokopedia menyarankan produk-produk yang dibutuhkan penggunanya yang bahkan penggunanya tidak menyadari hal tersebut sebelumnya. Pada titik ini, ribuan keputusan mengenai video, lagu, dan belanjaan, berkurang menjadi cukup satu keputusan saja: apakah pengguna akan mengikuti rekomendasi dari aplikasi atau tidak.

Machine Learning dan Recommender System : Teknologi Pemberi Rekomendasi Produk Yang Memudahkan Memilih Diantara Banyaknya Pilihan

Fitur-fitur rekomendasi tersebut merupakan hasil kerja dari Recommender System (RS) yang ada di aplikasi-aplikasi penyedianya. Dengan dibantu teknologi seperti machine learning, RS  berfungsi untuk menyaring jutaan data yang diterima aplikasi menjadi sebuah sebuah daftar rekomendasi yang sesuai dengan selera pengguna.[2] Berdasarkan cara kerjanya, RS dapat dibagi dua: content-based recommender dan collaborative recommender.

Melalui content-based recommender, RS akan merekomendasikan produk yang deskripsinya sama dengan, misalnya, produk yang pernah disukai atau digunakan oleh pengguna bersangkutan. Sementara itu, collaborative recommender akan menawarkan produk yang disukai dan pernah digunakan oleh pengguna lain yang seleranya sama dengan pengguna bersangkutan.[3]

Di instagram, penggunanya sering mendapati ada sebuah post yang memiliki keterangan ‘orang–orang yang mengikuti akun A (akun yang diikuti pengguna bersangkutan) juga menyukai post ini’. Selain dua contoh tersebut, RS juga bekerja dengan melihat konteks pengguna (e.g. lokasi, cuaca, dan waktu), jejaring pengguna, kebutuhan pengguna, dan demografi pengguna.[4]

Dalam praktiknya, Rekomendasi RS hampir sama dengan apa yang diinginkan pengguna.  Studi yang dilakukan Nilashi dkk. menemukan bahwa pengguna memberikan penilaian yang baik terhadap rekomendasi penginapan Tripadvisor. Penilaian tersebut ditinjau dari aspek kebersihan, resepsionis, lokasi, kamar, dan pelayanan.[5] Kim dkk. memaparkan bahwa sebagian besar film dan barang yang ditawarkan oleh Netflix dan Amazon berakhir dengan ditonton dan dibeli oleh penggunanya.[6] 

Selain meningkatkan kepuasan pengguna aplikasi suatu perusahaan, RS dapat dimanfaatkan pemerintah untuk meningkatkan kepuasan warganya. Contohnya ada di aplikasi BeCity, aplikasi pelacak kegiatan bersepeda milik Pemerintah Santiago, Chile. Aplikasi tersebut tidak hanya mampu menunjukkan berapa jarak yang sudah ditempuh, waktu yang sudah berjalan, dan kalori yang sudah dibakar.

Lebih dari itu, aplikasi tersebut juga mampu merekomendasikan rute-rute mana yang bisa diambil oleh pesepeda. Ada dua variabel yang dilihat untuk merekomendasikan rute bagi pesepeda yaitu keleluasaan dan keamanan jalan. Untuk Variabel keleluasaan, datanya berasal dari rute mana saja yang paling sering diambil oleh pengguna. Asumsi dari dipilihnya data tersebut adalah kecenderungan pesepeda untuk memilih jalan yang tidak macet.

Kemudian, untuk variabel keamanan, datanya diambil dari jumlah pesepeda dan pejalan kaki di suatu rute dalam satu waktu. Jumlah pesepeda dan pejalan kaki dapat menjadi bahan dasar asumsi bahwa pengendara mobil dan motor akan lebih berhati-hati apabila di suatu jalan terdapat lebih banyak pesepeda dan pejalan kaki.[7] 

Dari pemaparan mengenai cara kerja RS di atas, dapat disimpulkan bahwa RS mampu berkontribusi dalam mempermudah kehidupan manusia. RS mampu meringankan beban kognitif manusia dengan menyaring informasi dan memperkecil keputusan yang perlu diambil.  Manusia pun dapat memanfaatkan sisa-sisa energi kognitifnya untuk melakukan hal lain.