Penerapan Explainable Boosting Machine Pada Hasil Pencarian Best Matching 25 Sebagai Rekomendasi Kualitas Buku Dengan Penjelasan Fitur

Abstract

Pertumbuhan koleksi buku digital menyebabkan tantangan dalam menemukan buku bagi pembaca. Sistem pencarian dengan BM25 hanya menghasilkan buku yang relevan dengan keywords, mengabaikan kualitas buku. Model re-ranking umumnya masih bersifat black-box sehingga tidak dapat dipahami alasan model menghasilkan prediksi. Pendekatan post-hoc menghasilkan penjelasan yang bersifat aproksimasi yang tidak merepresentasikan logika model seutuhnya. Penelitian ini mengusulkan arsitektur Two-stage ranking dengan penerapan Explainable Boosting Machine (EBM) sebagai model prediksi dan re-ranker glass-box pada hasil pencarian buku BM25. EBM dilatih menggunakan 13,4 juta data interaksi rating Goodreads untuk mengestimasi kualitas berdasarkan metadata buku. Pada evaluasi ranking dengan 50 kueri uji menunjukkan model EBM dengan interaksi fitur mencapai skor NDCG@10=0.9373, melampaui BM25=0.9284 pada kueri genre yang merepresentasikan pencarian eksploratif. EBM terbukti menciptakan pergeseran peringkat dengan memprioritaskan buku berkualitas yang popular. Penjelasan global menunjukkan fitur popularitas memiliki rata-rata kontribusi terbesar pada skor prediksi, serta pada penjelasan lokal menampilkan kontribusi setiap fitur buku pada skor akhir prediksi. Uji ablasi mengkonfirmasi kejujuran pada penjelasan EBM, dimana penghapusan fitur kontribusi terbesar, menurunkan skor prediksi secara konsisten dengan nilai shape function fiturnya. Penerapan EBM terbukti meningkatkan kualitas ranking hasil pencarian BM25 berdasarkan tambahan sinyal kualitas buku secara umum, sekaligus menghasilkan penjelasan fitur yang dapat diaudit langsung.