Peningkatan Visibilitas Produk pada Rekomendasi Long-Tail dengan Pendekatan Frequent Maximal Itemset

Produk long-tail sering kali terabaikan dalam sistem rekomendasi berbasis Collaborative Filtering, terutama karena rendahnya frekuensi pembelian dan ketergantungan pada riwayat interaksi pengguna. Penelitian ini mengusulkan penggunaan Frequent Maximal Itemset (FMI) untuk meningkatkan visibilitas produk long-tail di toko online rokok elektronik (vape). Tidak seperti Collaborative Filtering, FMI tidak memerlukan data pengguna dan mengidentifikasi pola transaksi historis untuk merekomendasikan produk long-tail yang relevan bersama produk populer. Hasil eksperimen menunjukkan bahwa FMI efektif dalam menemukan itemset maksimal yang menggabungkan produk populer dan long-tail. Validasi terhadap 10 pengguna menunjukkan bahwa 90% merasa rekomendasi relevan dengan produk yang mereka cari, dan 90% menyatakan kemungkinan besar akan mencoba produk long-tail yang direkomendasikan. Produk-produk long-tail yang muncul dalam rekomendasi memiliki keterkaitan logis dengan produk populer, seperti cairan nikotin dengan perangkat vaping. Dengan demikian, pendekatan FMI terbukti lebih fleksibel dan efektif dalam mengatasi bias popularitas, serta memberikan peluang bagi produk long-tail untuk lebih terlihat dan meningkatkan potensi penjualan.