Bagaimana Algoritma Rekomendasi Mengubah Cara Kita Menemukan Hiburan di Internet

Dari Mencari Hiburan Menjadi Direkomendasikan Hiburan

Internet pernah bekerja dengan pola yang relatif sederhana: pengguna mengetahui apa yang ingin dicari, memasukkan kata kunci, kemudian memilih salah satu hasil yang tersedia. Saat ini, pengalaman tersebut berubah secara signifikan.

Ketika membuka platform video, musik, film, atau media sosial, pengguna sering langsung mendapatkan halaman yang sudah dipenuhi konten pilihan.

Sistem dapat menampilkan film yang mungkin menarik, lagu berikutnya dalam playlist, video yang berhubungan dengan tontonan sebelumnya, hingga kreator yang belum pernah dikenal pengguna.

Di balik pengalaman tersebut terdapat algoritma rekomendasi.

Secara sederhana, sistem rekomendasi mencoba memilih dan mengurutkan konten yang dianggap relevan bagi pengguna berdasarkan berbagai informasi yang tersedia.

Google melalui YouTube Help mengenai sistem rekomendasi menjelaskan bahwa rekomendasi YouTube dapat dipengaruhi berbagai sinyal, termasuk riwayat tontonan, riwayat pencarian, subscription, likes, dislikes, dan feedback seperti Not interested.

Algoritma rekomendasi bukan sekadar mesin yang mengetahui apa yang kita sukai. Sistem membuat prediksi berdasarkan pola interaksi dan informasi yang tersedia.

Pembaca dapat langsung menuju [cara algoritma rekomendasi bekerja](#bagaimana-algoritma-rekomendasi-bekerja) atau [dampaknya terhadap kebiasaan menikmati hiburan](#bagaimana-rekomendasi-mengubah-kebiasaan-menikmati-hiburan).

Bagaimana Algoritma Rekomendasi Bekerja?

Bayangkan sebuah layanan streaming memiliki jutaan konten.

Menampilkan semuanya sekaligus tentu tidak praktis.

Sistem perlu menentukan konten mana yang sebaiknya ditempatkan pada posisi paling mudah ditemukan oleh pengguna.

Proses tersebut dapat melibatkan beberapa tahapan.

Secara sederhana:

Aktivitas pengguna → Pengumpulan sinyal → Pemilihan kandidat → Pemeringkatan → Rekomendasi

Sistem pertama-tama memiliki sekumpulan konten yang berpotensi direkomendasikan. Kemudian berbagai model dan aturan dapat digunakan untuk memilih serta mengurutkan kandidat tersebut.

Sinyal yang Membantu Sistem Membuat Prediksi

Sinyal yang digunakan berbeda pada setiap platform.

Beberapa contoh umum dapat meliputi:

• Riwayat tontonan.
• Riwayat pencarian.
• Konten yang disukai.
• Konten yang dilewati.
• Durasi interaksi.
• Subscription atau akun yang diikuti.
• Feedback pengguna.
• Informasi mengenai konten.
• Konteks penggunaan tertentu.

Tidak berarti setiap platform menggunakan semua sinyal tersebut dengan bobot yang sama.

YouTube, misalnya, menjelaskan bahwa berbagai fitur di platformnya dapat menggunakan sinyal rekomendasi secara berbeda.

Netflix juga menjelaskan melalui How Netflix's Recommendations System Works bahwa sistem rekomendasinya mempertimbangkan sejumlah faktor, termasuk interaksi pengguna dengan layanan serta informasi mengenai judul.

Sumber: Netflix Help Center — How Netflix's Recommendations System Works | https://help.netflix.com/en/node/100639

Mengapa Dua Pengguna Bisa Mendapatkan Beranda Berbeda?

Personalisasi merupakan salah satu karakter utama sistem rekomendasi modern.

Dua orang dapat membuka platform yang sama pada waktu hampir bersamaan tetapi mendapatkan halaman yang berbeda.

Misalnya:

Pengguna A sering menonton dokumenter teknologi.

Pengguna B lebih sering menonton video memasak.

Sistem dapat memprioritaskan kandidat berbeda untuk masing-masing pengguna.

Namun, personalisasi tidak selalu hanya berdasarkan riwayat individu. Sistem juga dapat memanfaatkan pola yang ditemukan dari interaksi banyak pengguna.

Collaborative Filtering dan Content-Based Recommendation

Dua konsep yang sering muncul dalam sistem rekomendasi adalah collaborative filtering dan content-based filtering.

Collaborative filtering menggunakan pola interaksi pengguna untuk menemukan hubungan antara pengguna atau item.

Ilustrasi sederhananya:

Pengguna A menyukai film X, Y, dan Z.

Pengguna B menyukai film X dan Y.

Sistem dapat mempertimbangkan Z sebagai salah satu kandidat untuk pengguna B.

Sementara content-based recommendation berfokus pada karakteristik konten.

Jika pengguna sering menikmati film dengan genre, tema, aktor, atau karakteristik tertentu, sistem dapat mencari konten dengan atribut yang berhubungan.

Sistem produksi modern dapat jauh lebih kompleks dan menggabungkan berbagai metode sekaligus.

Google Developers menyediakan materi Recommendation Systems yang membahas konsep dasar sistem rekomendasi, termasuk candidate generation, scoring, dan re-ranking.

Ranking: Mengapa Urutan Konten Sangat Penting?

Memilih kandidat hanyalah satu bagian dari proses.

Jika sistem menemukan 1.000 konten yang berpotensi menarik, platform masih harus menentukan urutannya.

Konten pada posisi pertama memiliki peluang jauh lebih besar untuk terlihat dibandingkan konten pada posisi ke-500.

Karena itu, sistem melakukan ranking.

Model dapat memberikan skor kepada kandidat berdasarkan prediksi tertentu, kemudian mengurutkannya.

Candidate Generation, Scoring, dan Re-Ranking

Salah satu cara memahami sistem rekomendasi adalah membaginya menjadi tiga tahap.

1. Candidate generation

Sistem memilih sejumlah kandidat dari katalog yang sangat besar.

1. Scoring

Kandidat diberikan skor berdasarkan model atau tujuan tertentu.

1. Re-ranking

Daftar dapat disusun kembali berdasarkan aturan tambahan, keberagaman, kebijakan, atau kebutuhan sistem.

Sebagai ilustrasi:

1 juta video → 1.000 kandidat → 100 kandidat terbaik → daftar rekomendasi

Angka tersebut hanya contoh untuk menjelaskan konsep, bukan gambaran sistem platform tertentu.

Google menjelaskan tahapan tersebut dalam materi recommendation systems.

Rekomendasi yang muncul di layar merupakan hasil seleksi dari kumpulan konten yang jauh lebih besar.

Sumber: Google for Developers — Recommendation Systems | https://developers.google.com/machine-learning/recommendation

Bagaimana Rekomendasi Mengubah Kebiasaan Menikmati Hiburan?

Sebelum platform digital berkembang, penemuan hiburan sering dipengaruhi jadwal televisi, radio, toko musik, bioskop, majalah, atau rekomendasi teman.

Sistem rekomendasi membuat proses tersebut menjadi jauh lebih personal dan otomatis.

Pengguna tidak selalu perlu mencari judul tertentu.

Sebaliknya, platform dapat menawarkan:

• For You.
• Recommended.
• Up Next.
• Discover.
• Because You Watched.
• Playlist personal.

Perubahan tersebut membuat proses menemukan hiburan menjadi lebih cepat.

Namun, kenyamanan tersebut juga mengubah posisi pengguna dari pencari aktif menjadi kombinasi antara pencari dan penerima rekomendasi.

Dari Katalog Menuju Feed Personal

Bayangkan layanan memiliki 100.000 film atau video.

Secara teori, pengguna mempunyai pilihan sangat besar.

Dalam praktiknya, perhatian pengguna hanya dapat diberikan kepada sebagian kecil konten.

Algoritma kemudian bertindak seperti lapisan navigasi.

Sistem menentukan beberapa pilihan yang dianggap paling relevan untuk ditampilkan lebih dahulu.

Akibatnya, pengalaman pengguna tidak hanya ditentukan oleh konten yang tersedia, tetapi juga oleh konten yang dibuat terlihat oleh sistem.

Inilah alasan sistem rekomendasi memiliki pengaruh besar terhadap cara orang menemukan hiburan baru.

Apakah Algoritma Bisa Membuat Selera Menjadi Terlalu Sempit?

Personalisasi memiliki manfaat jelas.

Jika seseorang menyukai musik jazz, menampilkan lebih banyak jazz dapat membuat layanan terasa relevan.

Namun, jika sistem terus memberikan konten yang sangat mirip, pengguna berpotensi lebih jarang menemukan sesuatu di luar pola sebelumnya.

Misalnya:

menonton video sepak bola → mendapat rekomendasi sepak bola → menonton lagi → mendapat lebih banyak sepak bola.

Pola interaksi tersebut dapat memperkuat jenis rekomendasi tertentu.

Namun, tidak tepat menganggap setiap sistem rekomendasi otomatis menciptakan filter bubble yang sama.

Desain setiap platform berbeda, dan sistem dapat memasukkan faktor keberagaman, eksplorasi, popularitas, konteks, atau tujuan lainnya.

Eksploitasi dan Eksplorasi

Sistem rekomendasi menghadapi dilema menarik.

Eksploitasi berarti menampilkan sesuatu yang sudah diperkirakan disukai pengguna.

Eksplorasi berarti mencoba menampilkan sesuatu yang sedikit berbeda untuk mengetahui apakah pengguna memiliki minat lain.

Jika sistem hanya mengeksploitasi pola lama, rekomendasi dapat terasa monoton.

Jika terlalu banyak melakukan eksplorasi, rekomendasi dapat terasa tidak relevan.

Karena itu, sistem perlu mencari keseimbangan.

Bagi pengguna, melakukan pencarian aktif dan mencoba kategori baru dapat menjadi cara sederhana memperluas pengalaman hiburan.

Peran Feedback dalam Membentuk Rekomendasi

Pengguna bukan hanya penerima pasif.

Banyak platform menyediakan mekanisme untuk memberikan sinyal langsung.

Contohnya:

• Like.
• Dislike.
• Not interested.
• Don't recommend channel.
• Mengikuti akun.
• Berhenti mengikuti akun.
• Menghapus riwayat tertentu.

Sinyal tersebut dapat membantu platform memahami preferensi pengguna.

YouTube menjelaskan bahwa feedback seperti Not interested dan Don't recommend channel dapat digunakan untuk membantu menyesuaikan rekomendasi.

Interaksi Tidak Langsung Juga Dapat Menjadi Sinyal

Selain feedback eksplisit, aktivitas penggunaan dapat memberikan informasi kepada sistem.

Contohnya, pengguna membuka sebuah video tetapi segera meninggalkannya.

Hal tersebut memberikan pola interaksi yang berbeda dibandingkan ketika pengguna menonton konten lebih lama.

Namun, satu interaksi tidak selalu menentukan rekomendasi secara permanen.

Sistem biasanya bekerja dengan banyak sinyal dan pola.

Karena itu, jika beranda mulai dipenuhi konten yang tidak relevan, pengguna dapat menggunakan fitur pengelolaan riwayat dan feedback yang disediakan platform.

Sumber: YouTube Help — Manage Your Recommendations and Search Results | https://support.google.com/youtube/answer/6342839

Privasi dan Data di Balik Personalisasi

Personalisasi membutuhkan informasi.

Semakin banyak sistem mengetahui pola penggunaan, semakin banyak sinyal yang berpotensi digunakan untuk menyesuaikan pengalaman.

Karena itu, algoritma rekomendasi juga berkaitan dengan privasi dan kontrol data.

Pengguna sebaiknya memahami bahwa aktivitas digital tertentu dapat digunakan untuk personalisasi sesuai kebijakan layanan.

Hal yang dapat diperiksa antara lain:

• Riwayat tontonan.
• Riwayat pencarian.
• Pengaturan personalisasi.
• Aktivitas akun.
• Kontrol privasi.
• Penghapusan histori.

Gunakan Kontrol yang Disediakan Platform

Jika tidak ingin aktivitas tertentu memengaruhi rekomendasi, beberapa platform menyediakan kontrol untuk menghapus atau menghentikan penyimpanan jenis riwayat tertentu.

YouTube, misalnya, menyediakan pengaturan untuk mengelola watch history dan search history.

Netflix juga menyediakan fitur untuk mengelola aktivitas tontonan dan profil sehingga pengalaman anggota rumah tangga dapat dipisahkan.

Pengguna sebaiknya membaca kebijakan masing-masing layanan karena metode pengumpulan dan penggunaan data dapat berbeda.

Sumber: Google Safety Center — Privacy & Security | https://safety.google/privacy/

Cara Menggunakan Sistem Rekomendasi Secara Lebih Sadar

Algoritma rekomendasi dapat membantu menghemat waktu, tetapi pengguna tidak harus menyerahkan seluruh proses penemuan hiburan kepada algoritma.

Ada beberapa kebiasaan sederhana yang dapat diterapkan:

1. Gunakan fitur pencarian untuk menemukan topik baru.
2. Berikan feedback pada rekomendasi yang tidak relevan.
3. Periksa dan kelola riwayat penggunaan.
4. Gunakan profil terpisah untuk anggota keluarga jika tersedia.
5. Cari rekomendasi dari sumber di luar platform.
6. Jelajahi genre atau kategori yang jarang dikonsumsi.
7. Periksa pengaturan personalisasi dan privasi secara berkala.

Pendekatan tersebut membantu mempertahankan unsur eksplorasi.

Jangan Menganggap Rekomendasi sebagai Daftar Objektif Konten Terbaik

Ketika sebuah film muncul di posisi pertama, hal tersebut tidak otomatis berarti film tersebut adalah film terbaik di platform.

Begitu juga ketika sebuah video sering muncul.

Rekomendasi merupakan hasil sistem pemeringkatan berdasarkan berbagai sinyal dan tujuan platform.

Karena itu, bedakan antara:

"konten yang direkomendasikan kepada saya"

dan

"konten terbaik secara objektif."

Keduanya bukan hal yang sama.

Mencari ulasan, mengikuti kurator, bertanya kepada teman, atau menjelajahi katalog secara manual tetap dapat memberikan perspektif berbeda.

Masa Depan Penemuan Hiburan di Internet

Sistem rekomendasi telah mengubah internet dari katalog besar menjadi pengalaman yang semakin personal.

Pengguna yang membuka layanan yang sama dapat melihat dunia hiburan yang berbeda berdasarkan aktivitas dan konteks masing-masing.

Teknologi di baliknya juga terus berkembang.

Machine learning memungkinkan sistem memproses pola interaksi dalam skala besar, sementara model yang semakin kompleks dapat membantu memahami hubungan antara pengguna, konten, dan konteks.

Namun, pertanyaan mendasarnya tetap sama:

Dari jutaan pilihan yang tersedia, konten apa yang sebaiknya ditampilkan kepada pengguna sekarang?

Jawaban terhadap pertanyaan tersebut memiliki konsekuensi besar.

Algoritma dapat membantu seseorang menemukan musisi kecil yang sebelumnya tidak dikenal, film dari negara lain, kreator baru, atau topik yang tidak pernah terpikir untuk dicari.

Pada saat yang sama, rekomendasi yang terlalu nyaman dapat membuat pengguna terus berada dalam pola konsumsi yang serupa.

Karena itu, pengalaman hiburan digital yang sehat tidak hanya bergantung pada kualitas algoritma.

Pengguna juga memiliki peran.

Kita dapat memberikan feedback, mengelola riwayat, melakukan pencarian aktif, menjelajahi kategori baru, dan sesekali keluar dari halaman rekomendasi.

Pada akhirnya, algoritma rekomendasi paling tepat dipahami sebagai alat navigasi di tengah jumlah konten yang sangat besar, bukan sebagai penentu mutlak mengenai apa yang harus kita tonton atau dengarkan.

Ketika pengguna memahami prinsip tersebut, rekomendasi dapat digunakan untuk mempercepat penemuan konten tanpa menghilangkan rasa ingin tahu dan kebebasan untuk menjelajahi hiburan secara mandiri.