Menurut perhitungan Startup Ranking, Indonesia menempati peringkat lima dunia untuk jumlah startup terbanyak yang berdiri di tahun 2019 dengan 2193 startup setelah AS, India, Inggris dan Kanada [1]. Sebagian besar startup terpaksa harus tutup usia sebelum bisa menghasilkan keuntungan. Beberapa tantangan yang kerap memupuskan langkah startup Indonesia antara lain rendahnya kualitas sumber daya manusia, susahnya mencari pendanaan dan investor serta ketidaksesuaian dengan kebutuhan pasar [2]. Salah satu upaya EdTech (Educational Technology) startup dapat menemukan product market fit adalah dengan menggunakan sistem rekomendasi. Conforti et al, menggunakan sistem rekomendasi yang mendukung proses pengambilan keputusan berdasarkan informasi risiko dengan tujuan mengurangi risiko yang mungkin muncul selama melakukan eksekusi proses [3]. Dengan sistem rekomendasi, maka EdTech startup mampu menemukan informasi [4] dan tidak akan kesulitan untuk memilih informasi yang sesuai dengan kebutuhannya [5].
Walaupun memiliki beberapa kelebihan, sistem rekomendasi dengan content-based filtering seperti TF-IDF dan cosine similarity memiliki celah besar seperti masalah cold start [5] dan tidak mampu memberikan rekomendasi yang dipersonalisasi [6]. Padahal EdTech startup memiliki variasi pelatihan yang berbeda-beda dan tren pelatihan yang selalu berubah-ubah dalam rentang periode tertentu. Sehingga, jika sistem rekomendasi belum mampu menyesuaikan dua hal tersebut, maka product market fit akan sulit ditemukan.
Berdasarkan uraian diatas, terdapat masalah pada sistem rekomendasi dengan algoritme TF-IDF dan Cosine Similarity, yaitu cold start. Cold start terjadi di saat sedikit atau tidak adanya basic knowledge (katalog dan pelatihan terlaksana). Di samping itu, tren pelatihan yang selalu berubah-ubah dalam rentang waktu tertentu dan pengambilan keputusan yang berbeda-beda bagi masing-masing startup menjadi tantangan bagi EdTech startup untuk menemukan product market fit. Oleh karena itu dibutuhkan sistem rekomendasi yang mampu mengatasi permasalahan cold start dan rekomendasi yang tidak dapat dipersonalisasi.
Penggunaan pengetahuan yang dimiliki oleh EdTech sangat berpengaruh terhadap rekomendasi yang akan didapatkan. Dengan memanfaatkan dua pengetahuan yang dimiliki oleh setiap EdTech, yaitu katalog pelatihan dan data pelatihan yang terlaksana, maka EdTech dapat menggunakannya sebagai inputan untuk sistem rekomendasi dengan algoritme TF-IDF dan Cosine Similarity. Namun, algoritme TF-IDF dan Cosine Similarity yang digunakan pada sistem rekomendasi tersebut memiliki keterbatasan:
- Pengetahuan yang tidak berkembang karena hanya mempertahankan dua sumber pengetahuan saja.
- Rekomendasi yang tidak dapat dipersonalisasi karena TF-IDF dan cosine similarity tidak dipersonalisasi secara inheren. Mereka memperlakukan setiap pengguna dan item sebagai satu kesatuan dan tidak mempertimbangkan preferensi atau perilaku pengguna individu.
- Rekomendasi tidak bisa mengikuti tren pelatihan. Hal ini disebabkan keterbatasan yang pertama, yaitu pengetahuan yang tidak berkembang.
Oleh karena itu, penulis mengusulkan suatu sistem rekomendasi rencana penelitian dengan penggunaan layanan online Evenbrite dan Google Trends untuk menghasilkan rekomendasi yang dapat mengikuti tren, penyimpanan pengetahuan yang dapat ditambahkan sehingga memperbesar pengetahuan sistem rekomendasi, serta penggunaan analytical hierarchy process (AHP) untuk memberikan personalisasi rekomendasi kepada startup pendidikan seperti pada Gambar 1.
Dari 90 hasil pengujian menggunakan algoritme TF-IDF dan Cosine Similarity dengan beberapa kombinasi threshold dan N-Gram yang dilakukan oleh satu satu EdTech, terdapat 11 pengujian yang tidak terdapat skor dan tidak dapat memberikan rekomendasi atau yang biasa dikenal dengan cold start. Hal ini disebabkan karena pengetahuan yang dimiliki oleh EdTech diluar topik pelatihan yang dimilikinya.
Sedangkan ketika sistem rekomendasi yang diusulkan dengan menambahkan layanan Google Trends untuk mencari topik pelatihan berdasarkan waktu dan Eventbrite untuk mencari topik pelatihan yang sedang tren, serta personalisasi rekomendasi dengan AHP berhasil mengatasi permasalahan cold start dan rekomendasi yang tidak dapat dipersonalisasi dengan TF-IDF dan Cosine Similarity. Hasilnya, satu topik pelatihan yang sebelumnya cold start menjadi “Sangat direkomendasikan”. Sedangkan 10 topik pelatihan yang lainnya mendapatkan rekomendasi “Tidak direkomendasikan”. Walaupun 10 topik yang lainnya “Tidak direkomendasikan”, hal tersebut sudah berhasil memberikan rekomendasi jika dibandingkan dengan pengujian sebelumnya yang tidak dapat memberikan rekomendasi.
[1] Meit001, “Di WEF 2020, Menkominfo Pamerkan Pesatnya Perkembangan Startup Indonesia,” Kominfo, 2020. https://kominfo.go.id/content/detail/23975/di-wef-2020-menkominfo-pamerkan-pesatnya-perkembangan-startup-indonesia/0/sorotan_media (accessed Oct. 08, 2022).
[2] Startup Studio Indonesia, “Tantangan Perkembangan Startup di Indonesia,” 2021. https://startupstudio.id/tantangan-perkembangan-startup-di-indonesia (accessed Oct. 08, 2022).
[3] Conforti, M. De Leoni, M. La Rosa, W. M. P. Van Der Aalst, and A. H. M. Ter Hofstede, “A recommendation system for predicting risks across multiple business process instances,” Decis. Support Syst., vol. 69, pp. 1–19, 2015, doi: 10.1016/j.dss.2014.10.006.
[4] Noorhidayah, F. Indriani, and M. R. Faisal, “Sistem Rekomendasi Berita Online Dengan Menggunakan Pembobotan TF-IDF Dan Cosine Similarity,” Semin. Nas. Ilmu Komput., vol. 2, no. January, pp. 85–93, 2019.
[5] Rinaldi, R. Ferdiana and N. A. Setiawan, “A Review Text-based Recommendation System in Text Mining,” 2022 IEEE International Conference of Computer Science and Information Technology (ICOSNIKOM), Laguboti, North Sumatra, Indonesia, 2022, pp. 1-6, doi: 10.1109/ICOSNIKOM56551.2022.10034884.
[6] Volkovs, G. W. Yu, and T. Poutanen, “Content-Based Neighbor Models for Cold Start in Recommender Systems,” 2017, doi: 10.1145/3124791.3124792.
[7] H. Singh, S. Maurya, T. Tripathi, T. Narula, and G. Srivastav, “Movie Recommendation System using cosine similarity and KNN,” Int. J. Eng. Adv. Technol., vol. 9, no. 5, pp. 556–559, 2020, doi: 10.35940/ijeat.e9666.069520.
Penulis : Rinaldi
