ANALISIS KUANTITATIF SISTEM REKOMENDASI PRODUK PADA PLATFORM E-COMMERCE BERBASIS MODEL EMBEDDING GEMINIYanAbellinoauthorPerkembangan 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.000 Ilmu komputer, informasi dan pekerjaan umum006 Metode komputer khusus2026-02-27Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis