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.