Rekomendasi Dosen Penguji Proposal Skripsi Berbasis Kemiripan Topik Menggunakan Latent Dirichlet Allocation
Penulis Utama
:
Shalsabila Aura Adiar
NIM / NIP
:
M0521073
×<p><span lang="EN" xss=removed>Penulisan skripsi merupakan tahap penting dalam
penyelesaian studi di perguruan tinggi. Seiring dengan meningkatnya jumlah
pengajuan proposal skripsi </span><span lang="EN" xss=removed>di Program Studi
Informatika Fakultas Teknologi Informasi dan Sains Data, Universitas Sebelas
Maret (UNS)</span><span lang="EN" xss=removed> sebesar 112% pada periode 2022–2024 berdasarkan
data Sistem Informasi Layanan Terintegrasi, penentuan dosen penguji menjadi
tantangan tersendiri. Oleh karena itu, penelitian ini mengembangkan sistem
rekomendasi dosen penguji proposal skripsi berbasis teks yang ditujukan untuk
mahasiswa Program Studi Informatika, Universitas Sebelas Maret. Sistem ini
memanfaatkan data proposal mahasiswa dan publikasi dosen serta menerapkan dua
pendekatan representasi teks, yaitu <i>Latent
Dirichlet Allocation</i> (LDA) sebagai representasi topik dan Term <i>Frequency–Inverse Document Frequency</i>
(TF-IDF) sebagai representasi kemiripan kata. Pengukuran kemiripan dilakukan
menggunakan dua metode, yaitu <i>directed
similarity</i> yang mempertimbangkan <i>order
of authorship</i> dan <i>time decay</i>,
serta <i>cosine similarity</i>. Hasil
evaluasi menunjukkan bahwa LDA dengan 30 topik dan<i> directed similarity</i> merupakan konfigurasi terbaik. Performa pasa <i>recall of existence</i> sebesar 12,5% pada
Top-5 dan 10,3% pada Top-10 dibandingkan TF-IDF dengan <i>directed</i>. Pada skenario Top-7, LDA 30 topik juga mencatat nilai <i>euclidean distance</i> terendah. Selain itu,
<i>recall</i> Top-3 pada posisi penguji 1
mencapai 38?ngan peningkatan relatif sebesar 46% dibandingkan TF-IDF dengan <i>directed</i>. </span></p>
×
Penulis Utama
:
Shalsabila Aura Adiar
Penulis Tambahan
:
-
NIM / NIP
:
M0521073
Tahun
:
2025
Judul
:
Rekomendasi Dosen Penguji Proposal Skripsi Berbasis Kemiripan Topik Menggunakan Latent Dirichlet Allocation
Edisi
:
Imprint
:
Solo - Fak. Teknologi Informasi dan Sains Data - 2025
Program Studi
:
S-1 Informatika
Kolasi
:
Sumber
:
Kata Kunci
:
LDA, directed similarity , cosine similarity, sistem rekomendasi
