Pendahuluan
Pernahkah Anda berpikir, bagaimana bisa media sosial memuat beberapa video yang Anda sukai tanpa diminta? Suatu hari, Anda menonton video kucing, keesokan harinya beranda media sosial Anda dipenuhi oleh video kucing. Itu ulah dari Algoritma yang bekerja di balik layar.
Artikel ini membahas cara kerja algoritma dalam membentuk beranda media sosial. Sebuah sistem yang bekerja berdasarkan data dan pola interaksi pengguna. Ada beberapa mekanisme yang saling membentuk pengalaman rekomendasi beranda, seperti jejak histori yang membentuk kemiripan konten yang akan ditonton, interaksi antarkelompok pengguna, dan interaksi yang Anda berikan kepada beranda. Ironisnya, mekanisme-mekanisme tersebut menciptakan gelembung yang bisa mempersempit wawasan Anda dan sering kali kita abaikan.
Apa yang dimaksud dengan Algoritma?
Pada dasarnya, Algoritma adalah urutan langkah-langkah logis yang disusun secara sistematis untuk menyelesaikan suatu masalah. Kata algoritma sendiri berasal dari nama seorang ilmuwan Persia, Abu Ja'far Muhammad Ibnu Musa Al-Khawarizmi, yang juga menulis buku berjudul Al-Jabar wal Muqabala. Oleh orang Barat, nama Al-Khawarizmi diucapkan menjadi Algorism, lalu perlahan berubah menjadi Algorithm, dan akhirnya diserap ke dalam bahasa Indonesia menjadi algoritma.
Dalam praktiknya, algoritma beranda rekomendasi bekerja dari interaksi Anda. Setiap klik, lamanya Anda menonton konten, hingga interaksi like, share, atau komentar akan diproses untuk memahami apa yang Anda sukai, lalu secara otomatis menentukan konten mana yang akan ditampilkan berikutnya. Algoritma tak lebih dari mengonversi data masukan menjadi keluaran tertentu secara cepat dan efisien.
Algoritma dengan penyaringan konten (Content-Based Filtering)
Content-based filtering adalah penyaringan berbasis konten. Prinsipnya sederhana, jika Anda menyukai suatu konten, algoritma akan mencari konten lain yang mirip. Kemiripan ini dinilai dari konten, seperti topik, judul, deskripsi, kategori, dan durasi.
Pada saat Anda menonton video resep masakan sampai habis, algoritma langsung memindai jutaan video lain yang memiliki kemiripan, mungkin video resep masakan yang lain, atau video tips memasak. Maka, tak heran beranda Anda tiba-tiba dipenuhi banyak video seperti itu. Inilah mengapa satu tontonan bisa mengubah total beranda Anda.
Algoritma dengan Interaksi Kolaboratif (Collaborative Filtering)
Jika Content-based filtering bekerja dengan mencari kemiripan konten, maka collaborative filtering bekerja dengan cara mengamati kemiripan antar-pengguna. Logikanya begini, orang yang mirip denganmu menyukai ini, maka kamu mungkin juga akan menyukainya.
Secara teknis, collaborative filtering adalah pendekatan yang menganalisis data interaksi pengguna di masa lalu untuk memprediksi preferensi di masa depan. Pendekatan ini tidak peduli dengan isi dari konten itu sendiri. Collaborative filtering hanya mengandalkan pola perilaku kolektif pengguna.
Ada dua teknik utama dalam collaborative filtering. Pertama, user-based collaborative filtering yaitu dengan algoritma mencari pengguna lain yang memiliki selera serupa dengan Anda, lalu merekomendasikan item yang disukai oleh kelompok tersebut. Kedua, item-based collaborative filtering dengan algoritma menghitung kemiripan beberapa item berdasarkan bagaimana seluruh pengguna berinteraksi dengan item itu.
Contoh dalam platform musik. Jika Anda sering mendengarkan lagu-lagu dari playlist bergenre pop, algoritma akan mencari pengguna lain yang memiliki playlist serupa. Dari situ, algoritma merekomendasikan lagu-lagu yang disukai oleh pengguna yang mirip dengan Anda, namun belum pernah Anda dengar. Algoritma yang diberi masukan playlist berisi lagu-lagu pop akan merekomendasikan lagu-lagu bernuansa serupa dari artis berbeda, seperti subgenre pop rock dan electro pop.
Dengan cara ini, sistem dapat memberikan rekomendasi yang lebih bervariasi dan membantu Anda menemukan konten baru yang mungkin tidak akan pernah Anda cari sendiri. Inilah yang menjelaskan mengapa suatu tren bisa viral, sekelompok kecil pengguna yang terlibat secara intens bisa menginfeksi seluruh kelompok yang lebih besar melalui collaborative filtering. Anda dapat menjadi bagian dari gelombang viral, hanya karena kemiripan selera dengan orang-orang yang bahkan tidak Anda kenal.
Algoritma dan Durasi Menonton (Watch Time)
Selain dua mekanisme sebelumnya, algoritma sangat menghargai watch time (durasi menonton) seorang pengguna. Watch time mencerminkan preferensi secara berkelanjutan. Namun, rentan terhadap bias durasi video yang lebih panjang yang cenderung mendapat watch time lebih lama karena durasinya. Video 60 detik mungkin rata-rata ditonton selama 40 detik, sementara video 10 detik hanya 6 detik. Sekilas video panjang lebih diminati, padahal video pendek bisa ditonton hingga 80 persen durasinya, menunjukkan keterlibatan yang lebih tinggi secara proporsional.
Komentar 0