SISTEM REKOMENDASI PRODUK PADA E-COMMERCE MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) DAN CLUSTERING K-MEANS
DOI:
https://doi.org/10.70248/jdaics.v3i1.3524Abstract
Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi produk smartphone pada e-commerce dengan mempertimbangkan evaluasi multi-kriteria dan segmentasi produk agar keputusan pembelian lebih efektif dan relevan. Metode penelitian yang digunakan adalah kombinasi Simple Additive Weighting (SAW) untuk perankingan produk berdasarkan kriteria harga, RAM, memori internal, kapasitas baterai, dan rating pengguna, serta clustering K-Means untuk membentuk segmen produk (entry-level, mid-range, dan high-end). Hasil penelitian menunjukkan bahwa integrasi SAW dan K-Means menghasilkan rekomendasi yang kontekstual dan terarah, di mana tiap segmen memiliki alternatif terbaik sesuai preferensi pengguna; misalnya S5 direkomendasikan untuk segmen mid-range, sedangkan S3 dan S10 menempati peringkat tertinggi pada segmen high-end. Simpulan, bahwa pendekatan SAW + K-Means mampu meningkatkan keterarahan rekomendasi produk, memudahkan pengguna dalam memilih smartphone sesuai kebutuhan, serta memberikan dasar pengambilan keputusan yang transparan dan dapat dijelaskan.
References
Laudon, K. C., & Traver, C. G. (2021). E-commerce: Business, Technology, Society. Pearson.
Kumar, V., & Reinartz, W. (2016). Creating Enduring Customer Value. Journal of Marketing, 80(6), 36–68. https://doi.org/10.1509/jm.15.0414
Eppler, M. J., & Mengis, J. (2004). The Concept of Information Overload: A Review of Literature from Organization Science, Accounting, Marketing, MIS, and Related Disciplines. The Information Society, 20(5), 325–344. https://doi.org/10.1080/01972240490507974
Triantaphyllou, E. (2000). Multi-Criteria Decision Making Methods: A Comparative Study. Kluwer Academic Publishers.
Ricci, F., Rokach, L., & Shapira, B. (2015). Recommender Systems Handbook. Springer. https://doi.org/10.1007/978-1-4899-7637-6
Schafer, J. B., Frankowski, D., Herlocker, J., & Sen, S. (2007). Collaborative Filtering Recommender Systems. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender Systems Handbook (pp. 291–324). Springer. https://doi.org/10.1007/978-0-387-85820-3_9
Aggarwal, C. C. (2016). Recommender Systems: The Textbook. Springer. https://doi.org/10.1007/978-3-319-29659-3
Hwang, C. L., & Yoon, K. (1981). Multiple Attribute Decision Making: Methods and Applications. Springer.
Saaty, T. L. (2008). Decision Making with the Analytic Hierarchy Process. International Journal of Services Sciences, 1(1), 83–98. https://doi.org/10.1504/IJSSCI.2008.017590
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann.
Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender Systems: An Introduction. Cambridge University Press.
