Behind the Build: Bagaimana Tokopedia Membangun Mesin Rekomendasi untuk 100 Juta Pengguna

Tokopedia beralih dari keyword matching (Elasticsearch) ke semantic search berbasis vektor (Milvus), menghasilkan sistem 10x lebih cerdas yang kini melayani 100 juta pengguna. Integrasi dengan TikTok Shop meningkatkan conversion rate 15% dan retention 5%.

Tokopedia membangun sistem rekomendasi berbasis AI yang melayani 100 juta pengguna aktif dari Elasticsearch ke semantic search, hingga integrasi TikTok Shop. Case study mendalam untuk para profesional teknologi Indonesia.

Ditulis oleh Tim JayJay · Mei 2026

Setiap Klik Itu Bukan Kebetulan

Kamu membuka Tokopedia. Scrolling sebentar. Tiba-tiba muncul produk yang rasanya pas banget padahal kamu tidak mengetikkan apapun di kolom pencarian.

Itu bukan keberuntungan. Itu adalah hasil kerja keras sebuah sistem yang memproses jutaan sinyal perilaku pengguna secara real-time, setiap detik, tanpa henti.

Tokopedia saat ini melayani lebih dari 100 juta pengguna aktif bulanan, dengan lebih dari 350 juta listing produk di platformnya. Di skala seperti ini, menemukan produk yang “tepat” bagi setiap pengguna bukan sekadar fitur ini adalah tulang punggung bisnis. Wikipedia

Pertanyaannya: bagaimana mereka membangunnya?

Apa Masalah Utama yang Dihadapi Tokopedia Sebelum Mengadopsi AI?

Sebelum sistem modern mereka berjalan, Tokopedia menghadapi masalah klasik yang dialami hampir semua platform e-commerce besar.

Tokopedia awalnya menggunakan Elasticsearch sebagai mesin utama pencarian dan ranking produk. Elasticsearch menyimpan setiap kata sebagai urutan angka yang merepresentasikan kode ASCII, membangun inverted-index untuk menemukan dokumen yang mengandung kata dari query pengguna lalu mencari kecocokan terbaik menggunakan berbagai algoritma scoring. Sayangnya, algoritma-algoritma ini lebih memperhatikan seberapa sering kata muncul, bukan apa yang sebenarnya dimaksud pengguna. Milvus

Artinya? Kalau kamu mengetik “sepatu lari yang nyaman untuk kaki lebar”, sistem lama hanya mencocokkan kata per kata bukan memahami niatmu sebagai pembeli.

Bagaimana Tokopedia Beralih dari Keyword Matching ke Semantic Search?

Sadar bahwa pendekatan lama sudah tidak cukup, tim engineering Tokopedia melakukan perombakan fundamental.

Tokopedia beralih ke Milvus sebagai search engine berbasis vektor, dan berhasil membangun sistem pencarian yang 10x lebih cerdas meningkatkan pengalaman pengguna secara dramatis. Sistem semantic search mereka mencakup satu writable node, dua read-only nodes, dan satu instance Mishards middleware, semua di-deploy di GCP menggunakan Milvus Ansible. Perpindahan ini bukan sekadar upgrade teknis. Ini adalah perubahan paradigma: dari komputer yang mencocokkan teks menjadi komputer yang memahami makna.

Tokopedia juga mempublikasikan studi teknis mereka berjudul “How We Used Semantic Search to Make Our Search 10x Smarter” pada 2019 sebuah karya yang kemudian menjadi referensi di komunitas machine learning global. GitHub

Bagaimana Tokopedia Bertransformasi Menjadi AI-First Company?

Pencarian yang lebih cerdas hanyalah langkah pertama. Tokopedia punya ambisi yang lebih besar.

Selama beberapa tahun terakhir, Tokopedia bertransformasi menjadi perusahaan yang mengedepankan pendekatan Data & Artificial Intelligence (AI) first. Salah satu inovasi utamanya adalah sistem rekomendasi cepat yang mampu memproses lebih dari 350 juta produk dan menyesuaikannya dengan minat setiap pengguna secara individual. Medium

Dari sisi pengguna, pengalaman yang dipersonalisasi meningkatkan kepuasan dan loyalitas, serta mendorong lebih banyak konsumsi. Dari sisi penjual, sistem rekomendasi membantu memasarkan produk ke target pasar yang tepat dalam waktu singkat meningkatkan eksposur produk dan penjualan secara signifikan. Medium

Bagaimana Integrasi TikTok Shop Mengubah Sistem Rekomendasi Tokopedia?

Evolusi sistem rekomendasi Tokopedia mencapai babak yang paling menarik ketika TikTok masuk ke dalam ekosistemnya.

Pasca integrasi dengan TikTok Shop yang melahirkan brand baru “Shop Tokopedia”, platform ini kini menghadirkan fitur personalisasi yang mencocokkan kebiasaan media sosial pengguna dengan rekomendasi belanja. Pengguna bahkan diberikan opsi privasi untuk menonaktifkan fitur ini jika tidak ingin aktivitas media sosial mereka mempengaruhi tampilan produk. The Jakarta Post

Ini adalah implementasi social commerce yang belum pernah ada sebelumnya di Indonesia: algoritma TikTok yang memahami konten video yang kamu tonton, digabungkan dengan data transaksi Tokopedia yang memahami apa yang kamu beli.

Hasilnya sudah terlihat: investasi dalam AI, recommendation engine, dan behavioral analytics telah meningkatkan conversion rate sebesar 15% dan customer retention sebesar 5%. Growthhq

Baca juga: Dari “Numpang Jualan” ke Bangun Customer Sendiri

Seberapa Besar Dampak Bisnis dari Sistem Rekomendasi yang Dipersonalisasi?

Mengapa investasi besar-besaran dalam sistem rekomendasi ini masuk akal secara bisnis? Data global berbicara cukup keras:

Website dengan rekomendasi yang dipersonalisasi memiliki conversion rate hingga 4,5 kali lebih tinggi dibanding yang tidak. Pengguna yang mengklik rekomendasi personal memiliki average order value 31% lebih tinggi. Bahkan pengguna yang terekspos rekomendasi personal menghabiskan waktu hingga 70% lebih lama di platform e-commerce. Number Analytics

Pasar global untuk recommendation engine diproyeksikan mencapai USD 15,13 miliar pada 2026, naik dari USD 2,12 miliar pada 2020 mencerminkan adopsi yang semakin masif di seluruh industri e-commerce. Clerk

Menurut riset McKinsey, perusahaan yang tumbuh lebih cepat menghasilkan 40% lebih banyak pendapatan dari personalisasi dibandingkan perusahaan yang tumbuh lebih lambat bukan karena total pendapatan mereka lebih tinggi, tetapi karena personalisasi berkontribusi secara proporsional lebih besar dalam bauran pendapatan mereka. Envive

Apa Saja Pelajaran dari Tokopedia yang Bisa Diterapkan Tim Lain?

Kamu tidak perlu skala Tokopedia atau budget miliaran untuk menerapkan pelajaran dari perjalanan mereka. Berikut tiga prinsip yang universal:

1. Mulai dari masalah nyata pengguna, bukan dari teknologi Tokopedia tidak beralih ke semantic search karena sedang tren. Mereka pindah karena pengguna tidak bisa menemukan produk yang mereka cari. Problem first, technology second.
2. Iterasi kecil, dampak besar Perubahan dari keyword matching ke vector-based search tidak terjadi dalam semalam. Setiap eksperimen diukur dengan metrik nyata CTR, CVR, waktu di halaman sebelum di-roll out ke seluruh platform.
3. Data privasi bukan hambatan, tapi fitur Pilihan bagi pengguna untuk menonaktifkan personalisasi berbasis media sosial bukan hanya soal kepatuhan regulasi. Ini adalah pernyataan kepercayaan dan kepercayaan adalah fondasi dari loyalitas jangka panjang.

Penutup: “Behind the Build” adalah Cermin

Tokopedia bukan hanya membangun mesin rekomendasi. Mereka membangun infrastruktur kepercayaan digital sistem yang memahami jutaan manusia, satu rekomendasi dalam satu waktu.

Dan yang menarik? Perjalanan mereka dari Elasticsearch sederhana ke AI-first platform yang terintegrasi dengan TikTok adalah bukti bahwa transformasi teknologi di Indonesia bukan lagi aspirasi, tapi kenyataan yang sedang berjalan.

Bagaimana tim engineering di perusahaan kamu mendekati tantangan personalisasi? 

Ubah insight jadi skill nyata.

Di JayJay, topik seperti ini dibahas lebih dalam lewat kursus yang dirancang untuk profesional yang ingin terus berkembang. Mulai dari design, marketing, management, hingga programming — semua bisa kamu pilih sesuai minat. Lihat semua kursus JayJay.