Pertumbuhan e-commerce yang pesat menuntut pelaku usaha terus berinovasi untuk meningkatkan pengalaman pelanggan. Salah satu inovasi tersebut adalah sistem rekomendasi hadiah (gift recommendation system). Sistem ini membantu konsumen menemukan produk yang sesuai untuk diberikan kepada orang lain. Memilih hadiah yang tepat kerap menjadi tantangan, terutama untuk merayakan momen khusus, memberikan penghargaan, atau mengapresiasi pencapaian seseorang.

Berangkat dari permasalahan tersebut, dua dosen Departemen Computer Science, School of Computer Science, Bina Nusantara University, Violitta Yesmaya dan Rini Wongso, melakukan penelitian berjudul “Gift Recommendation with Multilabel Clustering”. Penelitian ini dipublikasikan dalam Bulletin of Electrical Engineering and Informatics, Vol. 15, No. 1, Februari 2026, halaman 493–502 (DOI: 10.11591/eei.v15i1.10161).

Latar Belakang Penelitian

Sistem rekomendasi pada e-commerce umumnya bekerja dengan menganalisis riwayat pembelian, produk yang pernah dilihat pengguna, dan tingkat popularitas produk. Survei terhadap 200 responden di Pulau Jawa, Indonesia, menunjukkan bahwa pemberi hadiah lebih mengutamakan rekomendasi yang sesuai dengan minat, kebutuhan, dan keinginan penerima hadiah. Sistem rekomendasi yang ada saat ini belum mengakomodasi preferensi tersebut.

Penelitian ini kemudian mengembangkan sistem rekomendasi yang dipersonalisasi berdasarkan karakteristik penerima hadiah. Karakteristik tersebut meliputi jenis kelamin, kelompok usia, status pernikahan, pekerjaan, serta minat seperti fesyen, gaming, kuliner, dan gadget.

Metodologi

Penelitian ini menggunakan pendekatan klasifikasi multilabel, karena satu tipe pengguna dapat sesuai dengan lebih dari satu kategori produk. Empat algoritma machine learning dibandingkan dalam penelitian ini:

1. K-Nearest Neighbors (K-NN): merekomendasikan produk berdasarkan kemiripan antarpengguna atau antarproduk.
2. Decision Tree: memodelkan data dalam struktur pohon keputusan berdasarkan nilai fitur.
3. Random Forest: menggabungkan banyak decision tree dan menentukan hasil akhir melalui mekanisme majority voting.
4. eXtreme Gradient Boosting (XGBoost): algoritma boosting berbasis pohon keputusan yang dilengkapi regularisasi untuk mencegah overfitting.

Tahapan penelitian terdiri atas:

• Preprocessing data: pengurangan kategori outlier, pengelompokan data usia, dan one-hot encoding. Data kemudian dibagi menjadi 80% data latih dan 20% data uji.
• Hyperparameter tuning: pencarian parameter optimal untuk setiap algoritma.
• Model training: pelatihan model menggunakan 194 tipe pengguna.
• Model testing: pengujian pada 49 tipe pengguna dengan target 100 kategori produk yang paling banyak dibeli.
• Evaluasi: pengukuran waktu proses, akurasi data latih dan data uji, Hamming loss, dan label ranking average precision score.

Hasil Penelitian

Setelah hyperparameter tuning, perbandingan performa keempat algoritma adalah sebagai berikut:

XGBoost menunjukkan performa terbaik dengan label ranking average precision score sebesar 95% dan Hamming loss sebesar 0,04. Selisih akurasi data latih dan data uji pada XGBoost relatif kecil, sehingga model ini tidak mengalami overfitting. Sebaliknya, Decision Tree menunjukkan indikasi overfitting karena akurasi data latihnya jauh lebih tinggi daripada akurasi data ujinya. Sebelum tuning, Random Forest juga menunjukkan kecenderungan yang sama.

Kesimpulan dan Implikasi

Penelitian ini menyimpulkan bahwa XGBoost merupakan algoritma paling sesuai untuk sistem rekomendasi hadiah. Algoritma ini mampu mengolah data yang kompleks dan menghasilkan rekomendasi kategori produk yang sesuai dengan karakteristik penerima hadiah.

Bagi industri e-commerce, penerapan sistem ini berpotensi meningkatkan kepuasan pelanggan, mendorong pembelian berulang, menurunkan tingkat keranjang belanja yang ditinggalkan, serta meningkatkan nilai transaksi dan pendapatan platform.

Referensi:
Yesmaya, V., & Wongso, R. (2026). Gift recommendation with multilabel clustering. Bulletin of Electrical Engineering and Informatics, 15(1), 493–502. https://doi.org/10.11591/eei.v15i1.10161