Implementasi Deep Factorization Machine Berbasis Profil Minat RIASEC untuk Rekomendasi Program Kepemudaan

Sihabuddin Rifqi; Erna Dwi Astuti; Hidayatus Sibyan

doi:10.30865/json.v7i4.9873

Authors

Sihabuddin Rifqi Universitas Sains Al Qur'an
Erna Dwi Astuti Universitas Sains Al Qur'an
Hidayatus Sibyan Universitas Sains Al Qur'an

DOI:

https://doi.org/10.30865/json.v7i4.9873

Keywords:

Sistem Rekomendasi, DeepFM, RIASEC, Program Kepemudaan, Deep Learnig

Abstract

Pemilihan program kepemudaan yang kurang tepat akibat keterbatasan informasi dan pemetaan minat yang belum terstruktur menjadi kendala dalam pengembangan potensi pemuda. Penelitian ini bertujuan mengimplementasikan dan mengevaluasi efektivitas model Deep Factorization Machine (DeepFM) berbasis data profil minat instrumen RIASEC untuk menghasilkan rekomendasi program kepemudaan dari Kementerian Pemuda dan Olahraga (Kemenpora) yang terpersonalisasi. Penelitian kuantitatif eksperimental ini menggunakan dataset dari 485 responden yang dipetakan ke dalam lima program pemberdayaan. Fitur pengguna dibangun menggunakan vektor skor numerik enam dimensi RIASEC tanpa rekayasa fitur manual, yang diproses bersama fitur kategorikal program melalui integrasi komponen Factorization Machine dan Deep Neural Network. Hasil pengujian empiris menunjukkan arsitektur yang diusulkan memiliki performa prediktif yang sangat representatif. Sistem berhasil mencapai nilai Normalized Discounted Cumulative Gain (NDCG@3) sebesar 0,7064, Area Under the Curve (AUC) 0,7217, Recall@3 0,8018, dan Precision@3 0,4144. Capaian ini menunjukkan bahwa model DeepFM memberikan performa yang baik dalam menghasilkan serta menyusun peringkat 3 rekomendasi program teratas secara presisi sesuai dengan karakteristik psikometrik pengguna.

References

[1] E. Wihardjo dkk., “Peluang Dan Tantangan Indonesia Emas 2045,” 2025, hlm. 1–226. Diakses: 23 Mei 2026. [Daring]. Tersedia pada: https://penerbitlitnus.co.id/portfolio/peluang-dan-tantangan-indonesia-emas-2045/

[2] Kemenpora, “Draf Rencana Strategis Kementerian Pemuda dan Olahraga Tahun 2025 - 2029,” 2025.

[3] A. P. Sudarso, F. K. Qaulibi, M. Maira, dan M. R. F, “Pengabdian Masyarakat Pemberdayaan Melalui Program ‘Teman’ (Tempa Mental Dan Minat): Strategi Peningkatan Karakter Minat dan Kepercayaan Diri Siswa SMK Buana Mulia Parung Kabupaten Bogor,” J. Abdi Raya Nusant., vol. 1, no. 2, hlm. 177–189, Okt 2025, doi: 10.70285/ffw56w57.

[4] B. Triatmanto, G. Apriyanto, dan S. H. dkk, Model Pemberdayaan Masyarakat Holistik : Berorientasi Potensi Lokal. Uwais Inspirasi Indonesia, 2024.

[5] J. L. Holland, Making Vocational Choices: A Theory of Vocational Personalities and Work Environments. Prentice-Hall, 1985.

[6] H. Guo, R. Tang, Y. Ye, Z. Li, dan X. He, “DeepFM: A Factorization-Machine based Neural Network for CTR Prediction,” hlm. 1725–1731, 2017.

[7] Z. R. R. R. Faqih, F. Metandi, dan Hadiwijaya, “Implementasi Sistem Rekomendasi Game Menggunakan Hybrid Filtering Pada Platfrom Digital Steam,” no. Vol. 3 No. 6 (2025): JURNAL MEDIA AKADEMIK Edisi Juni, Jun 2025, doi: https://doi.org/10.62281/v3i6.2363.

[8] L. Wen dan J. Geng, “Research on Personalized Early Childhood Education Recommendation Model Based on Improved DeepFM,” dalam Proceedings of the 2023 4th International Conference on Computer Science and Management Technology, dalam ICCSMT ’23. New York, NY, USA: Association for Computing Machinery, Apr 2024, hlm. 993–996. doi: 10.1145/3644523.3644702.

[9] S. Z. Hidayat, Y. V. Via, dan H. Maualana, “Sistem Rekomendasi Program Studi Jenjang Sarjana Untuk Siswa Smk Berbasis Self-Assessment Riasec Dengan Metode Hybrid Neural Network Dan Collaborative Filtering,” JATI J. Mhs. Tek. Inform., vol. 9, no. 3, hlm. 4318–4326, Mei 2025, doi: 10.36040/jati.v9i3.13642.

[10] A. L. P. Sulistyo dkk., “Analisis Teori Karier Holland dalam Mendukung Bimbingan dan Konseling Karier,” Pros. Konseling Kearifan Nusant. KKN, vol. 4, hlm. 901–909, Jan 2025, doi: 10.29407/14x7b281.

[11] Y. Zhang, “An Introduction to Matrix factorization and Factorization Machines in Recommendation System, and Beyond,” 12 Maret 2022, arXiv: arXiv:2203.11026. doi: 10.48550/arXiv.2203.11026.

[12] J. Lu, Y. Long, X. Li, Y. Shen, dan X. Wang, “Hybrid Model Integration of LightGBM, DeepFM, and DIN for Enhanced Purchase Prediction on the Elo Dataset,” dalam 2024 IEEE 7th International Conference on Information Systems and Computer Aided Education (ICISCAE), Sep 2024, hlm. 16–20. doi: 10.1109/ICISCAE62304.2024.10761856.

[13] Ardiansyah, Risnita, dan M. S. Jailani, “Teknik Pengumpulan Data Dan Instrumen Penelitian Ilmiah Pendidikan Pada Pendekatan Kualitatif dan Kuantitatif,” IHSAN J. Pendidik. Islam, vol. 1, no. 2, hlm. 1–9, Jul 2023, doi: 10.61104/ihsan.v1i2.57.

[14] Kemenpora, “Pemberitahuan Tertulis Program Kegiatan Kepemudaan.” 1 Desember 2025.

[15] N. W. A. Ulandari, I. P. W. Putra, N. M. Astiti, N. L. Hermawan, dan P. G. G. Putra, “Implementasi Holland Riasec Model Untuk Rekomendasi Program Studi Calon Mahasiswa Baru Itb Stikom Bali: indonesia,” J. Pendidik. Teknol. Dan Kejuru., vol. 23, no. 1, hlm. 93–104, Jan 2026, doi: 10.23887/jptk-undiksha.v23i1.104327.

[16] M. Ma, G. Wang, dan T. Fan, “Improved DeepFM Recommendation Algorithm Incorporating Deep Feature Extraction,” Appl. Sci., vol. 12, no. 23, hlm. 11992, Jan 2022, doi: 10.3390/app122311992.

[17] F. Arasadina, S. Briandoko, dan M. A. Setiawan, “Prediksi Pembatalan Pemesanan Hotel: Random Forest dan XGBoost dengan Pipeline Leak-Free dan Ablation Study: Hotel Booking Cancellation Prediction: Random Forest and XGBoost with Leak-Free Pipeline and Ablation Study,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 6, no. 3, hlm. 1018–1030, Jun 2026, doi: 10.57152/malcom.v6i3.2674.

[18] R. A. Pratama, Y. Safi’i, M. A. Nugraha, A. S. Sobihah, dan N. Ifada, “Perbandingan User-Based dan Item-Based pada Sistem Rekomendasi Film Kombinasi Teknik Reduksi Dimensi dan Clustering,” J. Tekno Insentif, vol. 19, no. 1, hlm. 1–14, Jul 2025, doi: 10.36787/jti.v19i1.1662.

[19] Ermanto dan N. Surojudin, “Perbandingan Metode Klasifikasi dalam Memprediksi Penyakit Ginjal Kronis,” J. Inform. Ekon. Bisnis, hlm. 715–723, Sep 2025, doi: 10.37034/infeb.v7i3.1263.

[20] A. Hermawan, A. Kanugraha, I. F. Afgani, K. N. Safaati, dan M. A. A. Ramadhani, “Sistem Rekomendasi Musik Spotify Berbasis Pendekatan Hybrid Alternating Least Square Dan Content-Based Filtering,” Modem J. Inform. Dan Sains Teknol., vol. 4, no. 2, hlm. 43–60, Apr 2026, doi: 10.62951/modem.v4i2.869.

[21] S. Hendrawan, “Optimasi Sistem Rekomendasi Film Menggunakan Metode Hybrid Filtering,” skripsi, KODEUNIVERSITAS041060#UniversitasBuddhiDharma, 2025. Diakses: 4 Juni 2026. [Daring]. Tersedia pada: http://repositori.buddhidharma.ac.id

[22] D. A. Nugroho, C. Lubis, dan N. J. Perdana, “Sistem Rekomendasi Film Menggunakan Metode Neural Collaborative Filtering,” J. Inf. Technol. Comput. Sci., Jun 2024, doi: https://doi.org/10.31539/intecoms.v7i3.8033.

[23] A. A. Saputra, B. N. Sari, dan C. Rozikin, “Penerapan Algoritma Extreme Gradient Boosting (Xgboost) Untuk Analisis Risiko Kredit,” J. Ilm. Wahana Pendidik., vol. 10, no. 7, hlm. 27–36, Apr 2024, doi: 10.5281/zenodo.10960080.

[24] A. K. E. Pily, Susanti, U. Rio, dan Tashid, “Komparasi K-Means Clustering dengan Euclidean dan Cosine Similarity untuk Segmentasi dan Rekomendasi Produk pada Data E-Commerce,” Indones. J. Comput. Sci., vol. 14, no. 2, Apr 2025, doi: 10.33022/ijcs.v14i2.4713.

[25] J. Rounds, C. M. Walker, S. X. Day, L. Hubert, P. Lewis, dan D. Rivkin, “O*NET Interest Profiler: Reliability, Validity, and Self-Scoring,” National Center for O*NET Development, Raleigh, North Carolina 27611, 1999. Diakses: 25 Mei 2026. [Daring]. Tersedia pada: https://www.onetcenter.org/dl_files/IP_RVS.pdf

[26] R. M. Putri, Y. Yosef, F. Rozzaqyah, M. Vyanti, A. Nadya, dan M. Nisa, “Validitas Dan Reliabilitas I.Riasec (Inventori Karir Berbasis Teori Holland Dalam Konteks Pendidikan Indonesia,” Al-Isyraq J. Bimbing. Penyul. Dan Konseling Islam, vol. 7, no. 3, hlm. 847–864, Des 2024, doi: 10.59027/alisyraq.v7i3.808.

[27] Resti Kurnia Triastanti dan Arini Hardianti, “Uji Validitas dan Reliabilitas Kuesioner Tipe Chronotype pada Remaja,” INSOLOGI J. Sains Dan Teknol., vol. 3, no. 1, hlm. 118–124, Feb 2024, doi: 10.55123/insologi.v3i1.3172.