Abstrak


Pendekatan Directed Similarity dan Framework IndoBERTopic untuk Sistem Rekomendasi Dosen Penguji Proposal Tugas Akhir Berbasis Kemiripan Topik


Oleh :
Nabilla Nurulita Dewi - M0521058 - Fak. Teknologi Informasi dan Sains Data

Peningkatan jumlah proposal tugas akhir secara signifikan berdampak pada kompleksitas penugasan dosen penguji. Penelitian ini mengembangkan sistem rekomendasi dosen penguji proposal tugas akhir berbasis kemiripan topik dengan mengusulkan dua usulan utama: (1) pendekatan Directed Similarity, metrik pengukuran kemiripan asimetris dua arah antar dokumen, dan (2) framework IndoBERTopic, adaptasi BERTopic untuk pemodelan topik dokumen berbahasa Indonesia menggunakan embedding Indonesian Bidirectional Encoder Representations from Transformers (IndoBERT) yang telah melalui proses fine-tuning untuk tugas Semantic Text Similarity pada teks akademik. Sistem ini merekomendasikan dosen penguji melalui perbandingan teks dokumen akademik berukuran panjang, yaitu proposal tugas akhir mahasiswa dan publikasi penelitian dosen dari Program Studi Informatika, Fakultas Teknologi Informasi dan Sains Data, Universitas Sebelas Maret. Untuk meningkatkan relevansi rekomendasi, sistem turut mempertimbangkan tiga faktor tambahan: urutan kepenulisan dan waktu publikasi pada artikel penelitian dosen, serta beban kerja. Evaluasi dilakukan menggunakan tiga metrik utama: Mean Recall of Existence untuk Top-N (N = 5, 7, 10), Mean Recall of Top-3 per Position, dan Mean Euclidean Distance. Model terbaik, model berbasis kemiripan topik yang mengombinasikan IndoBERTopic (15 topik) dengan Directed Similarity dan fungsi peluruhan waktu eksponensial, menghasilkan skor terbaik untuk Mean Recall of Existence pada Top-5 sebesar 53,5% (peningkatan 9,63%) dan Top-7 sebesar 62% (peningkatan 1,14%), Mean Recall of Top-3 per Position pada posisi ke-2 dan ke-3 masing-masing sebesar 12,7%, dan 14,1%, serta Mean Euclidean Distance pada Top-5 (0,686), Top-7 (0,623), dan Top-10 (0,548), lebih unggul dibandingkan model berbasis kemiripan kata. Selain menunjukkan peningkatan akurasi, model ini juga konsisten dalam meminimalkan kegagalan rekomendasi (zero match) pada daftar Top-10 dengan nol kasus kegagalan.