Program Studi Bisnis Digital • FEB UNDIP

Analisis Perilaku Konsumen Digital

Pertemuan 10 — Personalisasi dan Sistem Rekomendasi dari Perspektif Perilaku

Mengapa Shopee tahu apa yang ingin Anda beli sebelum Anda menyadarinya? Kita bedah mesin di balik "Untuk Anda" — algoritma, bias psikologis, dan batas etisnya.

RPS MINGGU 11 • 2 × 50 MENIT

Tujuan Pembelajaran Hari Ini

Sub-CPMK pertemuan ke-10: menganalisis personalisasi dan sistem rekomendasi dari perspektif perilaku konsumen digital. Setelah pertemuan ini, Anda diharapkan mampu:

KONSEP

Memahami logika personalisasi

Menjelaskan apa itu personalisasi digital dan mengapa perusahaan berinvestasi besar untuk membangunnya.

MEKANISME

Membedakan jenis sistem rekomendasi

Membedakan collaborative filtering, content-based filtering, dan pendekatan hybrid beserta implikasi perilakunya.

PSIKOLOGI

Menganalisis bias & heuristik

Menganalisis bagaimana personalisasi memanfaatkan bias psikologis konsumen seperti anchoring dan mere-exposure.

KRITIS

Mengevaluasi filter bubble & etika

Mengevaluasi risiko filter bubble, manipulasi, dan privasi data dalam sistem rekomendasi.

Mari kita lihat empat sasaran belajar hari ini. Pertama, Anda akan memahami logika dasar mengapa personalisasi menjadi investasi besar bagi perusahaan digital seperti Tokopedia dan Netflix. Kedua, Anda akan bisa membedakan dua mesin utama di balik rekomendasi, yaitu collaborative filtering yang belajar dari perilaku pengguna lain yang mirip, dan content-based filtering yang belajar dari atribut produk itu sendiri. Ketiga, kita akan bedah sisi psikologisnya, mengapa rekomendasi yang dipersonalisasi begitu efektif memengaruhi keputusan Anda lewat bias seperti anchoring dan mere-exposure effect. Terakhir, kita akan bersikap kritis terhadap risiko filter bubble, yaitu ketika algoritma justru mempersempit pandangan Anda, serta isu privasi data yang menyertainya. Sepanjang dua jam ke depan kita akan bedah semua ini dengan contoh nyata Indonesia.

Bagian 1 dari 4

Mengapa Personalisasi? Dari Perspektif Perilaku

Apa yang membuat "Untuk Anda" terasa begitu relevan — dan mengapa itu penting secara bisnis?

Choice Overload: Ketika Terlalu Banyak Pilihan Melumpuhkan

Choice overload (kelebihan pilihan) adalah kondisi ketika terlalu banyak opsi justru menurunkan kepuasan dan kemampuan konsumen mengambil keputusan — bukan menambahnya.

Riset Klasik: Jam Selai (Iyengar & Lepper, 2000)

Stan pajang 24 varian selai menarik 60% pengunjung untuk melihat, tapi hanya 3% yang membeli
Stan pajang 6 varian menarik lebih sedikit pengunjung, tapi 30% membeli
Terlalu banyak pilihan → keputusan makin sulit, bahkan menghindar dari keputusan

Konteks E-commerce Indonesia

Tokopedia/Shopee: jutaan produk tersedia untuk satu kata kunci "sepatu"
Tanpa filter/rekomendasi, konsumen akan kewalahan & sering meninggalkan aplikasi (bounce)
Personalisasi = menyaring jutaan opsi jadi belasan yang relevan

Ada eksperimen klasik dalam perilaku konsumen yang sangat terkenal, dilakukan oleh Iyengar dan Lepper pada tahun 2000, sering disebut "studi jam selai". Mereka memasang stan pencicipan selai di sebuah toko: satu hari memajang dua puluh empat varian rasa, hari lain hanya enam varian. Hasilnya mengejutkan — stan dengan dua puluh empat varian memang menarik lebih banyak orang untuk mampir dan mencicipi, tapi hanya tiga persen dari mereka yang akhirnya membeli. Sebaliknya, stan dengan enam varian menarik pengunjung lebih sedikit, tapi tiga puluh persen dari mereka membeli. Kesimpulannya, terlalu banyak pilihan justru melumpuhkan keputusan, bukan memudahkannya. Bayangkan skala ini di Tokopedia atau Shopee, di mana mengetik kata kunci "sepatu" bisa memunculkan jutaan hasil. Tanpa sistem yang menyaring opsi menjadi belasan pilihan relevan, konsumen akan kewalahan dan lebih sering meninggalkan aplikasi tanpa membeli apa pun.

Personalisasi sebagai "Pemandu" Kognitif

Dari perspektif perilaku, personalisasi bekerja dengan menyediakan heuristik siap pakai — jalan pintas mental yang menggantikan proses evaluasi panjang dengan sinyal sederhana "orang seperti Anda menyukai ini".

MENGURANGI

↓

Beban kognitif (cognitive load) dalam mengevaluasi banyak opsi sekaligus.

MEMPERCEPAT

↑

Kecepatan keputusan — dari menjelajah jadi langsung mengklik "Untuk Anda".

MENAIKKAN

↑

Rasa relevansi & kepercayaan pada platform (perceived relevance).

Prinsip kunci: personalisasi yang baik tidak menambah pilihan, tetapi mengurangi pilihan yang harus dievaluasi konsumen secara sadar — sesuai teori bounded rationality Herbert Simon.

Herbert Simon, peraih Nobel Ekonomi, mengajukan teori bounded rationality, yaitu rasionalitas terbatas — manusia tidak punya waktu dan kapasitas mental untuk mengevaluasi semua opsi secara sempurna, sehingga kita memakai jalan pintas atau heuristik untuk memutuskan cukup baik, bukan sempurna. Personalisasi memanfaatkan prinsip ini dengan menyediakan heuristik siap pakai berupa sinyal sederhana seperti "orang yang membeli ini juga membeli itu" atau "direkomendasikan untuk Anda". Efeknya tiga hal: mengurangi beban kognitif karena Anda tidak perlu membandingkan ratusan opsi sendiri, mempercepat keputusan karena Anda cukup mengklik apa yang sudah disodorkan, dan menaikkan rasa relevansi sehingga Anda makin percaya pada platform tersebut. Ingat baik-baik prinsip ini: personalisasi yang efektif bukan menambah pilihan yang Anda lihat, justru menguranginya secara cerdas.

Bagian 2 dari 4

Mesin di Balik Layar: Sistem Rekomendasi

Collaborative filtering, content-based filtering, dan hybrid — bagaimana masing-masing "membaca" perilaku Anda.

Dua Mesin Utama Sistem Rekomendasi

Collaborative Filtering

Logika: "Orang yang mirip Anda juga suka X"
Belajar dari pola perilaku pengguna lain yang serupa (rating, klik, pembelian)
Contoh: "Pelanggan yang membeli barang ini juga membeli..." di Tokopedia
Kelemahan: masalah "cold start" — produk/pengguna baru belum punya data

Content-Based Filtering

Logika: "Anda suka X, maka Anda mungkin suka Y yang mirip"
Belajar dari atribut produk itu sendiri (genre, kategori, harga, bahan)
Contoh: menonton film aksi di Netflix → direkomendasikan film aksi lain
Kelemahan: rekomendasi cenderung monoton, kurang kejutan (over-specialization)

Ada dua mesin utama. Pertama, collaborative filtering, yang logikanya "orang yang mirip Anda juga menyukai ini" — sistem ini belajar dari pola perilaku pengguna lain yang serupa, misalnya rating, klik, atau riwayat pembelian, tanpa perlu memahami isi produknya sama sekali. Inilah yang muncul sebagai "pelanggan yang membeli barang ini juga membeli" di Tokopedia. Kelemahannya disebut masalah cold start, yaitu ketika ada produk atau pengguna baru yang belum punya cukup data riwayat, sistem kesulitan memberi rekomendasi akurat. Kedua, content-based filtering, dengan logika "Anda suka X, maka mungkin Anda suka Y yang mirip" — sistem ini belajar dari atribut produk itu sendiri, seperti genre film, kategori produk, atau bahan pakaian. Contohnya, kalau Anda menonton film aksi di Netflix, sistem akan merekomendasikan film aksi lain. Kelemahannya, rekomendasi bisa jadi monoton dan kurang memberi kejutan, karena Anda terus disodori hal yang mirip-mirip saja.

Coba Sendiri: Bandingkan Rekomendasi Collaborative vs Content-Based

Pilih profil preferensi pengguna simulasi dan amati bagaimana rekomendasi collaborative filtering dan content-based filtering menghasilkan daftar produk yang berbeda dari data yang sama.

Pendekatan Hybrid: Kombinasi Terbaik Kedua Dunia

Platform besar jarang memakai satu pendekatan murni. Mereka menggabungkan collaborative dan content-based menjadi hybrid recommender system agar saling menutup kelemahan.

NETFLIX

🎬

Menggabungkan riwayat tontonan (content) + pola penonton mirip (collaborative) + waktu nonton.

SPOTIFY

🎧

"Discover Weekly" memakai collaborative filtering + analisis audio (tempo, mood) sebagai content signal.

TOKOPEDIA/SHOPEE

🛒

Kombinasi riwayat belanja, kategori produk, lokasi, dan waktu akses untuk halaman "Untuk Anda".

Dalam praktiknya, platform besar jarang memakai satu pendekatan murni saja, mereka menggabungkan keduanya menjadi sistem hybrid agar kelemahan satu pendekatan ditutup oleh kelebihan pendekatan lain. Netflix menggabungkan riwayat tontonan Anda sebagai sinyal konten, dengan pola penonton lain yang mirip sebagai sinyal kolaboratif, ditambah faktor waktu menonton. Spotify, lewat fitur terkenalnya Discover Weekly, memakai collaborative filtering dari pengguna dengan selera musik mirip, dikombinasikan dengan analisis audio seperti tempo dan mood lagu sebagai sinyal konten. Tokopedia dan Shopee menggabungkan riwayat belanja, kategori produk yang sering dilihat, lokasi Anda, bahkan waktu Anda biasa mengakses aplikasi untuk menyusun halaman "Untuk Anda" yang begitu personal. Inilah mengapa halaman depan aplikasi Anda dan teman Anda bisa sangat berbeda meski membuka aplikasi yang sama.

Hitung dari Nol: Skor Kemiripan Collaborative Filtering

Simulasi sederhana: dua pengguna, Andi dan Budi, memberi rating 1-5 pada 4 produk yang sama. Kita hitung skor kemiripan mereka pakai rata-rata selisih absolut, lalu ubah jadi persentase kemiripan.

Langkah	Perhitungan	Nilai
1. Rating Andi (4 produk)	5, 4, 2, 5	Total 16
2. Rating Budi (4 produk)	4, 5, 1, 5	Total 15
3. Selisih absolut per produk	\|5-4\|=1, \|4-5\|=1, \|2-1\|=1, \|5-5\|=0	Jumlah selisih = 3
4. Rata-rata selisih	3 ÷ 4 produk	0,75
5. Skor kemiripan (skala 1-5 → %)	(1 − 0,75÷4) × 100	81,25% mirip

KESIMPULAN

81,25%

Andi & Budi dianggap "pengguna mirip"

Mari kita hitung sendiri, langkah demi langkah, bagaimana sistem collaborative filtering menentukan bahwa dua pengguna "mirip". Bayangkan Andi memberi rating pada empat produk yang sama dengan angka lima, empat, dua, lima, sehingga totalnya enam belas. Budi memberi rating empat, lima, satu, lima pada produk yang sama, totalnya lima belas. Langkah ketiga, kita hitung selisih absolut rating mereka di tiap produk: selisih produk pertama satu, produk kedua satu, produk ketiga satu, produk keempat nol, sehingga jumlah selisihnya tiga. Langkah keempat, kita rata-ratakan selisih itu dengan membaginya empat produk, hasilnya nol koma tujuh lima. Langkah kelima, kita ubah menjadi skor kemiripan dalam persen dengan rumus satu dikurangi rata-rata selisih dibagi rentang skala lima, dikali seratus persen, hasilnya delapan puluh satu koma dua puluh lima persen. Karena skornya tinggi, sistem akan menganggap Andi dan Budi sebagai "pengguna mirip", sehingga produk yang disukai Budi tapi belum dilihat Andi akan direkomendasikan ke Andi, begitu pula sebaliknya.

Bagian 3 dari 4

Psikologi di Balik Personalisasi yang Efektif

Bias dan heuristik yang membuat rekomendasi terasa "membaca pikiran" Anda.

Tiga Bias yang Dimanfaatkan Sistem Rekomendasi

Mere-Exposure Effect

Makin sering suatu produk muncul di layar, makin disukai konsumen — walau tanpa alasan rasional
Rekomendasi yang berulang menaikkan preferensi lewat familiaritas semata

Anchoring

Item pertama yang direkomendasikan jadi "jangkar" pembanding untuk item berikutnya
Urutan tampilan rekomendasi memengaruhi persepsi harga & kualitas

Social Proof

Label "dibeli 500x minggu ini" atau "orang seperti Anda" menaikkan kepercayaan
Konsumen meniru pilihan yang dianggap "sudah divalidasi" orang lain

Sistem rekomendasi yang canggih secara sengaja menggabungkan ketiga bias ini — bukan cuma menampilkan produk "relevan", tapi menampilkannya berulang, di posisi strategis, dengan bukti sosial.

Ada tiga bias psikologis utama yang dimanfaatkan sistem rekomendasi. Pertama, mere-exposure effect, yaitu semakin sering suatu produk muncul di layar Anda, semakin Anda menyukainya, bahkan tanpa alasan rasional yang jelas — sekadar karena sudah familiar. Inilah mengapa produk yang sama bisa muncul berulang kali di beranda Shopee Anda dalam beberapa hari. Kedua, anchoring, di mana item pertama yang Anda lihat dalam daftar rekomendasi menjadi jangkar pembanding untuk menilai item-item berikutnya, sehingga urutan tampilan memengaruhi persepsi Anda soal harga dan kualitas. Ketiga, social proof atau bukti sosial, seperti label "dibeli lima ratus kali minggu ini" atau "orang seperti Anda menyukai ini" yang menaikkan kepercayaan konsumen karena merasa pilihannya sudah tervalidasi orang lain. Sistem rekomendasi yang canggih menggabungkan ketiganya sekaligus, bukan sekadar menampilkan produk yang relevan secara data, tetapi menampilkannya berulang, di posisi strategis, lengkap dengan bukti sosial.

Hitung dari Nol: Mendiagnosis Bias dalam Satu Layar Rekomendasi

Walkthrough langkah demi langkah: mengidentifikasi bias psikologis mana yang bekerja pada satu tampilan halaman "Untuk Anda" di aplikasi belanja.

Langkah	Yang Diamati di Layar	Bias yang Bekerja
1. Amati posisi produk	Produk termahal ditaruh paling atas, diikuti versi "lebih hemat" di bawahnya	Anchoring
2. Amati label sosial	Badge "Terlaris" dan "1.200 terjual minggu ini" pada produk kedua	Social proof
3. Amati pengulangan	Produk yang sama muncul lagi di 3 kategori berbeda pada layar yang sama	Mere-exposure
4. Amati waktu tampil	Rekomendasi berubah saat dibuka lagi 1 jam kemudian, produk yang dilihat tadi diulang	Penguatan mere-exposure
5. Simpulkan	Ketiga bias bekerja bersamaan dalam satu tampilan tunggal	Personalisasi berlapis bias

Sekarang mari kita praktikkan langsung cara mendiagnosis bias pada satu layar rekomendasi nyata. Bayangkan Anda membuka halaman "Untuk Anda" di aplikasi belanja favorit Anda. Langkah pertama, amati posisinya: biasanya produk termahal atau premium ditaruh paling atas, diikuti versi yang "lebih hemat" di bawahnya, ini menunjukkan bekerjanya anchoring, karena harga pertama yang Anda lihat menjadi acuan menilai harga berikutnya. Langkah kedua, amati label sosialnya, seperti badge "terlaris" atau "seribu dua ratus terjual minggu ini", ini adalah social proof yang menaikkan kepercayaan Anda. Langkah ketiga, amati pengulangan, mungkin produk yang sama muncul lagi di tiga kategori berbeda pada layar yang sama, ini mere-exposure effect. Langkah keempat, coba buka lagi aplikasi itu satu jam kemudian, sering kali produk yang tadi Anda lihat sekilas akan diulang kembali, memperkuat familiaritas. Langkah kelima, kita simpulkan bahwa ketiga bias ini bekerja bersamaan dalam satu tampilan tunggal, bukan berdiri sendiri-sendiri, itulah kecanggihan sistem personalisasi modern.

Coba Sendiri: Simulator Skor Kemiripan Pengguna

Ubah rating dua pengguna pada beberapa produk, amati bagaimana skor kemiripan collaborative filtering berubah secara langsung.

Bagian 4 dari 4

Filter Bubble, Privasi, dan Batas Etika Personalisasi

Ketika algoritma yang membantu justru mempersempit dunia — dan tanggung jawab pemasar digital.

Filter Bubble: Ketika Algoritma Mempersempit Dunia

Filter bubble (gelembung penyaring) adalah kondisi ketika sistem personalisasi terus-menerus menyodorkan konten yang sesuai preferensi lama Anda, sehingga Anda makin jarang terpapar pilihan atau perspektif baru.

Mekanisme Terbentuknya

Anda klik produk kategori A → sistem perkuat rekomendasi kategori A
Semakin sering diklik, semakin sedikit kategori lain yang muncul
Siklus umpan balik (feedback loop) yang menyempit dari waktu ke waktu

Dampak bagi Konsumen & Bisnis

Konsumen: kehilangan kesempatan menemukan produk/opsi baru yang relevan (serendipity hilang)
Bisnis: risiko konsumen bosan & churn karena merasa platform "monoton"

Contoh nyata: pengguna Spotify yang hanya mendengar dangdut koplo akan makin jarang direkomendasikan genre lain, meski sebenarnya ia terbuka mencoba genre baru.

Filter bubble terbentuk lewat sebuah siklus sederhana namun kuat. Ketika Anda mengklik produk dari kategori tertentu, sistem menganggap itu sinyal preferensi dan memperkuat rekomendasi kategori yang sama di masa depan. Semakin sering Anda mengklik kategori itu, semakin sedikit kategori lain yang ditampilkan ke Anda, sehingga terbentuk siklus umpan balik yang terus menyempit dari waktu ke waktu, ibarat gelembung yang makin lama makin kecil membungkus Anda. Dampaknya bagi konsumen, Anda kehilangan kesempatan menemukan produk atau opsi baru yang sebenarnya bisa Anda sukai, fenomena yang disebut hilangnya serendipity atau keberuntungan menemukan sesuatu tanpa sengaja. Bagi bisnis sendiri, ini juga berisiko, karena konsumen yang merasa platformnya monoton dan itu-itu saja cenderung bosan dan berpindah ke platform lain, fenomena yang disebut churn. Contoh nyata, pengguna Spotify yang sering mendengarkan dangdut koplo akan makin jarang direkomendasikan genre musik lain, padahal mungkin saja ia sebenarnya terbuka untuk mencoba genre baru kalau diberi kesempatan.

Bahan Bakar Personalisasi: Data Perilaku & Privasi

Sistem rekomendasi "makan" data perilaku konsumen dalam jumlah besar. Ini menimbulkan ketegangan antara relevansi dan privasi yang harus dikelola secara bertanggung jawab.

DATA EKSPLISIT

✍️

Rating, ulasan, wishlist yang sengaja diberikan konsumen.

DATA IMPLISIT

👁️

Klik, waktu berhenti di suatu produk (dwell time), riwayat pencarian — sering tanpa disadari konsumen.

DATA KONTEKS

📍

Lokasi, waktu akses, jenis perangkat — memperkaya profil personalisasi.

Regulasi terkait di Indonesia: UU Pelindungan Data Pribadi (UU PDP No. 27/2022) mewajibkan persetujuan (consent) eksplisit atas pengumpulan & pemrosesan data perilaku konsumen untuk tujuan personalisasi.

Sistem rekomendasi membutuhkan bahan bakar berupa data, dan data itu terbagi tiga jenis. Data eksplisit adalah data yang sengaja diberikan konsumen, seperti rating bintang, ulasan tertulis, atau daftar wishlist. Data implisit jauh lebih besar volumenya dan sering tidak disadari konsumen, seperti setiap klik, berapa lama Anda berhenti melihat suatu produk yang disebut dwell time, hingga riwayat pencarian Anda. Data konteks mencakup lokasi Anda saat itu, jam berapa Anda mengakses aplikasi, dan jenis perangkat yang dipakai, semua ini memperkaya profil personalisasi Anda. Ketegangan muncul karena semakin banyak data yang dikumpulkan, semakin akurat personalisasinya, tapi juga semakin besar risiko pelanggaran privasi. Di Indonesia, hal ini diatur dalam Undang-Undang Pelindungan Data Pribadi Nomor 27 Tahun 2022, yang mewajibkan adanya persetujuan eksplisit dari konsumen sebelum data perilakunya dikumpulkan dan diproses untuk tujuan seperti personalisasi ini.

Alur Kerja Sistem Rekomendasi dari Perspektif Perilaku

Diagram berikut merangkum alur dari perilaku konsumen menjadi rekomendasi yang dipersonalisasi.

Batas Etis: Membantu versus Memanipulasi

Sebagai calon pemasar digital, Anda perlu bisa membedakan personalisasi yang etis dari yang manipulatif (disebut juga dark pattern).

Personalisasi Etis: transparan soal data yang dipakai, mudah dimatikan (opt-out), menyodorkan opsi beragam, benar-benar relevan dengan kebutuhan konsumen.

Personalisasi Manipulatif: sengaja memicu urgensi palsu ("stok tinggal 2!" padahal tidak), menyembunyikan opsi opt-out, menyasar kerentanan (misalnya anak di bawah umur, orang berutang).

Prinsip praktis: tanyakan pada diri sendiri sebagai pemasar — "apakah rekomendasi ini benar-benar menguntungkan konsumen, atau hanya menguntungkan target penjualan jangka pendek perusahaan?"

Sebagai penutup pembahasan konsep hari ini, penting bagi Anda memahami batas etis ini dengan jelas. Personalisasi yang etis punya ciri-ciri: transparan soal data apa yang dipakai dan bagaimana caranya, mudah dimatikan kalau konsumen tidak menghendaki lagi lewat fitur opt-out, tetap menyodorkan keberagaman opsi bukan hanya satu arah, dan benar-benar relevan dengan kebutuhan konsumen. Sebaliknya, personalisasi manipulatif, yang sering disebut dark pattern atau pola gelap, sengaja memicu urgensi palsu seperti label "stok tinggal dua" padahal stoknya masih banyak, menyembunyikan tombol opt-out agar sulit ditemukan, atau bahkan secara sengaja menyasar kerentanan konsumen tertentu, misalnya anak di bawah umur atau orang yang sedang berutang. Sebagai calon manajer pemasaran dari FEB UNDIP, prinsip praktis yang bisa Anda pegang adalah selalu bertanya pada diri sendiri: apakah rekomendasi yang saya rancang ini benar-benar menguntungkan konsumen, atau hanya mengejar target penjualan jangka pendek perusahaan dengan mengorbankan kepercayaan mereka.

Latihan Diskusi Kelompok (15 menit)

Bentuk kelompok kecil (3-4 orang). Buka salah satu aplikasi (Shopee, Tokopedia, Netflix, atau Spotify) di ponsel Anda, lalu jawab pertanyaan berikut secara tertulis:

Instruksi Kerja

Identifikasi: bias psikologis apa (anchoring/social proof/mere-exposure) yang terlihat di halaman rekomendasi Anda?
Analisis: apakah tampilan itu lebih condong collaborative filtering atau content-based filtering? Jelaskan buktinya
Evaluasi: apakah ada indikasi dark pattern (urgensi palsu, opt-out tersembunyi) pada tampilan tersebut?
Refleksi kritis: apakah Anda merasa berada dalam "filter bubble" di aplikasi ini? Mengapa?

Setiap kelompok mempresentasikan temuannya secara singkat (2 menit) di akhir sesi diskusi.

Sekarang saatnya Anda mempraktikkan langsung apa yang sudah kita pelajari hari ini. Silakan bentuk kelompok kecil berisi tiga sampai empat orang, lalu buka salah satu aplikasi yang sering Anda pakai, bisa Shopee, Tokopedia, Netflix, atau Spotify, di ponsel Anda masing-masing. Kerjakan empat pertanyaan di slide ini secara tertulis: identifikasi bias psikologis apa yang terlihat pada halaman rekomendasi Anda, analisis apakah tampilan itu lebih condong ke collaborative atau content-based filtering lengkap dengan buktinya, evaluasi apakah ada indikasi dark pattern seperti urgensi palsu atau opt-out yang disembunyikan, dan yang paling penting, lakukan refleksi kritis apakah Anda merasa berada dalam filter bubble di aplikasi tersebut dan mengapa. Saya beri waktu lima belas menit untuk diskusi, dan setiap kelompok akan mempresentasikan temuannya secara singkat selama dua menit di akhir sesi.

Rangkuman: Personalisasi & Sistem Rekomendasi

Konsep	Inti Gagasan	Contoh Kunci
Choice overload	Terlalu banyak pilihan menurunkan kepuasan & keputusan pembelian	Studi jam selai (Iyengar & Lepper)
Collaborative filtering	Rekomendasi dari kemiripan perilaku antar-pengguna	"Pelanggan lain juga membeli" Tokopedia
Content-based filtering	Rekomendasi dari kemiripan atribut produk	Film aksi → direkomendasikan film aksi lain
Bias psikologis	Mere-exposure, anchoring, social proof memperkuat efektivitas	Badge "Terlaris", posisi produk pertama
Filter bubble & etika	Risiko penyempitan pilihan & dark pattern manipulatif	Rekomendasi genre musik makin sempit

Mari kita rangkum seluruh perjalanan kita hari ini dalam satu tabel. Kita mulai dari choice overload, yaitu terlalu banyak pilihan justru menurunkan kepuasan dan keputusan pembelian, dengan contoh klasik studi jam selai dari Iyengar dan Lepper. Kemudian collaborative filtering, rekomendasi dari kemiripan perilaku antar-pengguna, dengan contoh fitur "pelanggan lain juga membeli" di Tokopedia. Lalu content-based filtering, rekomendasi dari kemiripan atribut produk itu sendiri, misalnya menonton film aksi lalu direkomendasikan film aksi lain. Selanjutnya bias psikologis seperti mere-exposure, anchoring, dan social proof yang memperkuat efektivitas rekomendasi, dengan contoh badge "terlaris" dan posisi produk pertama dalam daftar. Terakhir, filter bubble dan etika, tentang risiko penyempitan pilihan dan dark pattern yang manipulatif, dengan contoh rekomendasi genre musik yang makin lama makin sempit. Pahami tabel ini baik-baik karena akan menjadi dasar pertemuan berikutnya.

Penutup & Persiapan Pertemuan Berikutnya

Minggu Depan: Pertemuan 11

Perilaku konsumen di media sosial dan komunitas digital — kita akan lanjutkan tema algoritma dengan melihat bagaimana feed media sosial, komunitas daring, dan influencer membentuk perilaku konsumen secara kolektif.

TUGAS SEBELUM PERTEMUAN 11

📝

Kumpulkan hasil diskusi kelompok hari ini (1 halaman) via portal e-learning paling lambat H-1 sebelum kuliah berikutnya.

Renungkan: coba amati satu rekomendasi produk yang muncul di aplikasi Anda minggu ini — bias psikologis apa yang bekerja di baliknya, dan apakah rekomendasi itu benar-benar bermanfaat bagi Anda?

Sebagai penutup, mari kita lihat sekilas apa yang akan kita pelajari minggu depan di pertemuan kesebelas, yaitu perilaku konsumen di media sosial dan komunitas digital. Kita akan melanjutkan tema algoritma hari ini dengan melihat bagaimana feed media sosial, komunitas daring, dan influencer membentuk perilaku konsumen secara kolektif, jadi apa yang kita pelajari hari ini tentang personalisasi adalah fondasi penting untuk memahami feed media sosial minggu depan. Jangan lupa kumpulkan hasil diskusi kelompok hari ini dalam bentuk tulisan singkat satu halaman lewat portal e-learning, paling lambat sehari sebelum kuliah berikutnya. Sebagai renungan pribadi, saya minta Anda mengamati satu rekomendasi produk yang muncul di aplikasi Anda minggu ini, lalu coba identifikasi bias psikologis apa yang bekerja di baliknya, dan tanyakan pada diri sendiri dengan jujur, apakah rekomendasi itu benar-benar bermanfaat bagi Anda atau sekadar mendorong Anda membeli lebih banyak. Sampai jumpa minggu depan, dan Terima Kasih atas partisipasi Anda hari ini.