%0 Thesis
%9 S1 - Sarjana
%A Abellino, Yan
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:32258
%I Universitas AMIKOM Yogyakarta
%K Sistem Rekomendasi, E-Commerce, Google Gemini, Embedding  Semantik, K-Means, Recommendation system, Semantic embedding.
%T ANALISIS KUANTITATIF SISTEM REKOMENDASI  PRODUK PADA PLATFORM  E-COMMERCE BERBASIS  MODEL EMBEDDING GEMINI
%U https://eprints.amikom.ac.id/id/eprint/32258/
%X Perkembangan e-commerce yang pesat menyebabkan meningkatnya jumlah  produk dan informasi yang harus diproses oleh pengguna. Kondisi ini menimbulkan  permasalahan information overload, di mana pengguna kesulitan menemukan  produk yang relevan dengan preferensinya. Dampak dari permasalahan tersebut  adalah menurunnya kualitas pengalaman pengguna, rendahnya tingkat kepuasan,  serta berpotensi menurunkan konversi dan retensi pelanggan pada platform ecommerce.    Oleh karena itu, diperlukan sistem rekomendasi yang mampu  memahami karakteristik dan preferensi pengguna secara lebih mendalam melalui  representasi data yang akurat dan kontekstual.   Penelitian ini mengusulkan pendekatan sistem rekomendasi produk berbasis  embedding semantik dengan memanfaatkan Large Language Model (LLM) Google  Gemini. Deskripsi produk diproses menggunakan model text-embedding-004 untuk  menghasilkan representasi vektor berdimensi tinggi. Selanjutnya, algoritma KMeans  digunakan  untuk  melakukan  pengelompokan  produk  berdasarkan  kemiripan    semantik.    Penentuan jumlah klaster optimal dilakukan menggunakan Elbow  Method, sementara kualitas klaster dievaluasi menggunakan Silhouette Score.  Untuk membantu interpretasi hasil, Principal Component Analysis (PCA)  diterapkan sebagai alat visualisasi tanpa memengaruhi proses clustering.   Hasil penelitian menunjukkan bahwa embedding Google Gemini mampu  membentuk struktur klaster produk yang koheren secara semantik, meskipun nilai  Silhouette Score menunjukkan tingkat pemisahan klaster yang moderat. Temuan ini  mengindikasikan bahwa pendekatan berbasis embedding efektif untuk  merepresentasikan preferensi pengguna yang bersifat kompleks dan tumpang  tindih. Kontribusi penelitian ini terletak pada penerapan LLM dalam sistem  rekomendasi berbasis clustering semantik pada konteks e-commerce. Hasil  penelitian ini dapat dimanfaatkan oleh pengembang sistem rekomendasi, pelaku  industri e-commerce, serta peneliti di bidang data mining dan sistem rekomendasi.  Penelitian selanjutnya disarankan untuk mengintegrasikan metrik evaluasi  rekomendasi seperti Precision@K dan NDCG guna meningkatkan validitas kinerja  sistem.