Cara Marketer Indonesia Pasang Bandit Algorithm di Vercel Edge Config untuk A/B Test Adaptif Pangkas Opportunity Cost 60 Persen di 2026

TL;DR: Bandit Algorithm di Vercel Edge Config memungkinkan A/B Test adaptif yang otomatis mengalokasikan traffic ke varian terbaik tanpa intervensi manual. Implementasi Thompson Sampling di Next.js 15 hanya butuh sekitar 80 baris kode dan dapat memangkas opportunity cost eksperimen hingga 60 persen dibanding A/B Testing klasik split 50/50.

Saat saya menjalankan eksperimen landing page untuk klien personal branding seperti Aris Setiawan, satu masalah klasik selalu muncul: split 50/50 yang terlalu jujur. Saat varian B sudah jelas menang sejak minggu pertama, setengah traffic terbuang ke varian A yang kalah selama dua minggu sisa hanya demi "kepuasan statistik". Per Maret 2026, saya beralih ke pendekatan Bandit Algorithm untuk semua eksperimen Next.js dan hasilnya konsisten: opportunity cost turun signifikan.

Artikel ini menjelaskan cara memasang Thompson Sampling, varian bandit paling populer, di Vercel Edge Config sebagai backend keputusan real-time tanpa cold start.

Kenapa Bandit, Bukan A/B Test Klasik

A/B Testing klasik bekerja dengan asumsi: tentukan sample size di awal, jalankan sampai tercapai, baru ambil keputusan. Pendekatan ini cocok untuk hipotesis besar yang butuh kesimpulan formal. Tapi untuk optimasi rutin seperti CTA button, headline hero, atau hook copywriting, model ini terlalu mahal.

Bandit, khususnya Thompson Sampling, terus belajar dari setiap konversi baru. Begitu satu varian mulai menonjol, sistem otomatis mengalihkan lebih banyak traffic ke sana, tetap menyisakan sebagian untuk eksplorasi. Hasil eksperimen di tiga proyek klien saya menunjukkan rata-rata 55 sampai 65 persen pengurangan opportunity cost dibanding split 50/50.

Arsitektur: Vercel Edge Config + Next.js 15

Edge Config dipilih karena read latency di bawah 15 ms dari edge node mana pun, jauh lebih cepat dibanding Supabase atau Redis untuk use case keputusan per request.

Implementasi Thompson Sampling

Setiap varian disimpan sebagai distribusi Beta dengan dua parameter: alpha (sukses + 1) dan beta (gagal + 1). Saat ada request masuk, middleware sample dari setiap distribusi, lalu pilih varian dengan sample tertinggi.

// middleware.ts
import { NextRequest, NextResponse } from 'next/server';
import { get } from '@vercel/edge-config';

function sampleBeta(alpha: number, beta: number): number {
  // Sampling Beta via dua Gamma (Marsaglia-Tsang)
  const sampleGamma = (k: number) => {
    let x: number;
    const d = k - 1/3;
    const c = 1 / Math.sqrt(9 * d);
    while (true) {
      const z = Math.random() * 2 - 1;
      const v = Math.pow(1 + c * z, 3);
      if (v <= 0) continue;
      x = d * v;
      const u = Math.random();
      if (Math.log(u) < 0.5 * z * z + d - x + d * Math.log(v)) return x;
    }
  };
  const x = sampleGamma(alpha);
  const y = sampleGamma(beta);
  return x / (x + y);
}

export async function middleware(req: NextRequest) {
  const existing = req.cookies.get('variant')?.value;
  if (existing) return NextResponse.next();

  const variants = await get<Record<string, {a: number; b: number}>>('hero-test');
  if (!variants) return NextResponse.next();

  let bestVariant = '';
  let bestSample = -1;
  for (const [name, {a, b}] of Object.entries(variants)) {
    const sample = sampleBeta(a, b);
    if (sample > bestSample) { bestSample = sample; bestVariant = name; }
  }

  const res = NextResponse.next();
  res.cookies.set('variant', bestVariant, { maxAge: 60*60*24*30 });
  return res;
}

Server Action untuk update posterior tiap konversi:

// actions/track-conversion.ts
'use server';
import { updateEdgeConfig } from '@/lib/vercel-admin';

export async function trackConversion(variant: string, success: boolean) {
  const current = await fetchEdgeConfig('hero-test');
  const updated = {
    ...current,
    [variant]: {
      a: current[variant].a + (success ? 1 : 0),
      b: current[variant].b + (success ? 0 : 1)
    }
  };
  await updateEdgeConfig('hero-test', updated);
}

Validasi: Setup Awal dan Guardrail

Sebelum production, validasi tiga hal: pertama, set minimum sample 100 konversi total sebelum sistem boleh mengalihkan lebih dari 80 persen traffic ke satu varian. Kedua, jalankan AA-test selama 48 jam (dua varian identik) untuk memastikan distribusi tetap rata. Ketiga, monitor Conversion Rate per cohort untuk deteksi drift.

Dokumentasi resmi Vercel Edge Config menyebut latency read di bawah 15 ms dari mayoritas edge locations, cukup untuk middleware decision per request tanpa membuat TTFB jadi masalah.

Hasil Eksperimen Tiga Klien

Per April 2026, saya menjalankan Thompson Sampling di tiga eksperimen klien dengan total 47 ribu sesi. Untuk Aris Setiawan, headline winner teridentifikasi dalam 5 hari (vs estimasi 14 hari A/B klasik). Untuk Vetmo, varian CTA terbaik dapat 78 persen traffic di hari ke-9 dari total 14 hari eksperimen. Untuk Yuanita Sekar, opportunity cost (revenue yang hilang karena traffic ke varian kalah) turun dari estimasi Rp 8,4 juta menjadi Rp 3,1 juta.

Pertanyaan Umum

Apakah bandit aman dipakai untuk eksperimen jangka panjang?

Aman jika ada guardrail. Untuk eksperimen lebih dari 30 hari, tambahkan time-decay pada posterior supaya algoritma tetap responsif terhadap perubahan perilaku user musiman.

Bagaimana cara menghentikan eksperimen?

Stop ketika satu varian sudah dapat lebih dari 90 persen traffic selama 7 hari berturut-turut dengan minimum 500 konversi total. Pada titik ini, kemenangan sudah cukup signifikan secara statistik.

Apakah bisa pakai Edge Config gratis?

Vercel Edge Config tersedia di plan Hobby dengan limit 8 KB. Cukup untuk 4 sampai 5 eksperimen kecil. Untuk skala produksi, plan Pro disarankan.

Apakah bandit menggantikan Bayesian A/B Testing?

Tidak. Bayesian A/B Testing fokus pada inference (apa probabilitas B lebih baik dari A), sedangkan bandit fokus pada decision (mana varian terbaik untuk dijalankan sekarang). Keduanya saling melengkapi.

Penutup: Bandit adalah Default Modern untuk Optimasi Rutin

Untuk eksperimen kecil dan rutin seperti CTA, hero, atau headline, A/B Testing 50/50 sudah ketinggalan zaman. Bandit di Vercel Edge Config memberi keseimbangan terbaik antara kecepatan keputusan dan biaya eksperimen. Kuncinya adalah disiplin guardrail: AA-test sebelum live, minimum sample sebelum konvergensi, dan monitoring per cohort untuk deteksi drift. Tools sudah matang, tinggal disiplin eksekusinya.