Saat belanja online atau menonton streaming, kita sering bergantung pada sistem rekomendasi (Recommender System) untuk menemukan produk atau konten yang cocok. Namun, sistem biasa sering kali kebingungan saat menghadapi pengguna baru yang belum punya riwayat aktivitas (cold-start) atau produk yang jarang dilirik (long-tail). Untuk mengatasi masalah ini, para peneliti mengembangkan kerangka kerja baru bernama TriFuse-LightGCN. Metode ini menggabungkan dua kekuatan sekaligus: analisis hubungan antar-pengguna berbasis grafis (graph-based collaborative filtering) dan pemahaman bahasa alami dari beberapa Large Language Models (LLM) secara lokal.
Rahasianya ada pada kemampuan sistem dalam memperhitungkan faktor kecenderungan ragu-ragu atau uncertainty (tingkat ketidakpastian data). Melalui mekanisme adaptive gating, sistem bisa menilai seberapa yakin ia terhadap suatu informasi saat memproses data. Jika informasi teksnya kurang jelas atau data interaksinya acak (noise), sistem secara otomatis akan mengatur porsi mana yang lebih terpercaya antara data bahasa (LLM) atau data pola hubungan (grafis). Hasil pengujian membuktikan bahwa cara ini membuat rekomendasi jadi jauh lebih akurat, bervariasi, tidak monoton, dan mencakup lebih banyak pilihan produk di katalog.
Hebatnya lagi, kemampuan canggih ini tidak membuat sistem jadi lambat atau berat. TriFuse-LightGCN dirancang agar hemat memori dan tetap cepat dalam memproses data, sehingga kecepatannya setara dengan arsitektur grafis standar yang lebih ringan. Penelitian ini menunjukkan bahwa penggabungan AI bahasa (LLM) dengan jaringan grafis berbasis pemrosesan uncertainty bisa menjadi solusi yang tangguh, cepat, dan sangat personal untuk berbagai aplikasi digital masa kini.
Penulis: Tofan Agung Eka Prasetya, S.Kep., M.KKK., Ph.D.
Sumber:
Hosseinzadeh, M., Eka Prasetya, T. A., Rahmani, A. M., Zare, G., Alamdari, P. M., Khoshvaght, P., Darwesh, A., Porntaveetus, T., & Khan, M. A. (2026). Multi-LLM semantic fusion with uncertainty-aware GCNs for personalized recommendation. Information Sciences, 755. https://doi.org/10.1016/j.ins.2026.123778
