Sistem Rekomendasi Dosen Pembimbing Berbasis SBERT dan Cosine Similarity

Rafif Fairuz Ramadani; Ika Nur Fajri

doi:10.30865/json.v8i1.9808

Authors

Rafif Fairuz Ramadani Universitas Amikom
Ika Nur Fajri Universitas Amikom Yogyakarta

DOI:

https://doi.org/10.30865/json.v8i1.9808

Keywords:

Sentence-BERT, Cosine Similarity, Rekomendasi Dosen Pembimbing, Tugas Akhir, Natural Language Processing

Abstract

Ketidaksesuaian antara topik tugas akhir mahasiswa dan keahlian dosen pembimbing menjadi salah satu penyebab utama keterlambatan kelulusan di perguruan tinggi. Penelitian ini mengimplementasikan Sentence-BERT (SBERT) model paraphrase-multilingual-MiniLM-L12-v2 dan cosine similarity untuk membangun sistem rekomendasi dosen pembimbing berbasis kemiripan semantik dari judul tugas akhir mahasiswa. Dataset penelitian mencakup 1.420 judul penelitian dari 43 dosen Program Studi Sistem Informasi, Universitas Amikom Yogyakarta, yang dikumpulkan melalui web scraping Google Scholar menggunakan SerpAPI. Sebagai pembaruan dari pendekatan BERT standar yang umum digunakan penelitian terdahulu, penelitian ini mengadopsi SBERT varian yang secara arsitektur dioptimalkan untuk tugas sentence similarity dan mendukung lebih dari 50 bahasa termasuk Indonesia dan Inggris, sehingga lebih sesuai untuk dataset bilingual. Tahap preprocessing hanya meliputi pembersihan karakter khusus berbasis regex dan normalisasi spasi, tanpa tahapan stemming maupun penghapusan stopword, karena SBERT mampu memahami konteks semantik secara langsung. Evaluasi dilakukan menggunakan 10 data uji berupa judul tugas akhir nyata dari repositori EPrints AMIKOM beserta dosen pembimbing aktual sebagai ground truth, dengan metrik Hit Rate dan Mean Reciprocal Rank (MRR) pada variasi Top-1, Top-2, dan Top-3. Hasil menunjukkan Hit Rate 40% pada Top-1, 70% pada Top-2, dan 90% pada Top-3, dengan MRR 0,400, 0,550, dan 0,617. Penggunaan data uji nyata berbasis repositori EPrints AMIKOM menghasilkan evaluasi yang lebih objektif dan dapat direplikasi. Temuan ini mengindikasikan bahwa SBERT multilingual berpotensi merekomendasikan dosen pembimbing yang relevan secara semantik pada dataset bilingual, meskipun evaluasi lebih lanjut dengan data yang lebih besar masih diperlukan.

References

[1] R. Megawati and M. Damayanti, “Peran Dosen Pembimbing Skripsi dalam Proses Penyelesaian Tugas Akhir Mahasiswa,” J-HEST, vol. 4, no. 1, pp. 33–39, 2021, doi: 10.36339/jhest.v4i1.63.

[2] R. T. Sugiharno, W. H. Ari Susanto, and F. Wospakrik, “Faktor-Faktor yang Mempengaruhi Kecemasan Mahasiswa dalam Menghadapi Tugas Akhir,” J. Keperawatan Silampari, vol. 5, no. 2, pp. 1189–1197, 2022, doi: 10.31539/jks.v5i2.3760.

[3] H. Hairani and M. Mujahid, “Recommendations of Thesis Supervisor using the Cosine Similarity Method,” Sistemasi, vol. 11, no. 3, pp. 646–654, 2022, doi: 10.32520/stmsi.v11i3.2003.

[4] A. Budiono and S. Eniyati, “Sistem Rekomendasi Dosen Pembimbing Tugas Akhir Menggunakan Content Based Filtering,” J. Elektron. dan Komput., vol. 16, no. 1, pp. 64–71, 2023.

[5] F. T. Sabilillah, S. Winarno, and R. B. Abiyyi, “Implementasi BERT dan Cosine Similarity untuk Rekomendasi Dosen Pembimbing berdasarkan Judul Tugas Akhir,” Edumatic J. Pendidik. Inform., vol. 8, no. 2, pp. 585–594, 2024, doi: 10.29408/edumatic.v8i2.27791.

[6] J. Hanif, A. N. Farid, M. Hasanah, and B. Barokatun, “Penerapan Natural Language Processing untuk Klasifikasi Bidang Minat berdasarkan Judul Tugas Akhir,” J. Sistim Inf. dan Teknol., vol. 5, no. 1, pp. 41–49, 2023, doi: 10.37034/jsisfotek.v5i1.196.

[7] A. Azhari and E. Buulolo, “Sistem Rekomendasi Dosen Pendamping Skripsi Berbasis Text Rank menggunakan Metode Cosine Similarity,” Pelita Inform., vol. 10, no. 3, pp. 119–122, 2022.

[8] J. Seo, S. Lee, L. Liu, and W. Choi, “TA-SBERT: Token Attention Sentence-BERT for Improving Sentence Representation,” IEEE Access, vol. 10, pp. 39119–39131, 2022, doi: 10.1109/ACCESS.2022.3164769.

[9] M. Anbiya, N. Islam, B. Warsito, and O. D. Nurhayati, “Semantic FAQ Chatbot Using SBERT (Sentence-BERT) and Cosine Similarity for Academic Services,” Brill. Res. Artif. Intell., 2024.

[10] K. V Sharma, “Enhancing Query Relevance: Leveraging SBERT and Cosine Similarity for Optimal Information Retrieval,” Int. J. Speech Technol., vol. 27, pp. 753–763, 2024, doi: 10.1007/s10772-024-10133-5.

[11] SerpApi, “Google Scholar API,” 2024. [Online]. Available: https://serpapi.com/google-scholar-api

[12] A. Widianto, E. Pebriyanto, F. Fitriyanti, and M. Marna, “Document Similarity using TF-IDF and Cosine Similarity,” Dinda J., vol. 4, no. 2, pp. 149–153, 2024, doi: 10.20895/dinda.v4i2.1589.

[13] Y. Januzaj and A. Luma, “Cosine Similarity for Matching Higher Education Programs and Job Market,” Int. J. Emerg. Technol. Learn., vol. 17, no. 12, pp. 258–268, 2022, doi: 10.3991/ijet.v17i12.30375.

[14] A. Apriani, H. Zakiyudin, and K. Marzuki, “Penerapan TF-IDF dan Cosine Similarity pada Sistem Penerimaan Mahasiswa Baru,” J. Bumigora Inf. Technol., vol. 3, no. 1, pp. 19–27, 2021, doi: 10.30812/bite.v3i1.1110.

[15] B. Kurniawan, A. A. Aldino, and A. R. Isnain, “Sentimen Analisis menggunakan BERT,” J. Teknol. dan Sist. Inf., vol. 3, no. 4, pp. 98–106, 2022.

[16] I. R. Hendrawan and E. Utami, Natural Language Processing. Yogyakarta: Penerbit Andi, 2023.

[17] B. Raharjo, Deep Learning dengan Python. Semarang: Penerbit Yayasan Prima Agus Teknik, 2022.

[18] D. Jurafsky and J. H. Martin, Speech and Language Processing. 2023. [Online]. Available: https://web.stanford.edu/~jurafsky/slp3/