📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 3 dokumenSISTEM REKOMENDASI MATA KULIAH PILIHAN STRATA 1 INSTITUT TEKNOLOGI BANDUNG KURIKULUM 2024 MENGGUNAKAN CONTENT-BASED FILTERING
Fleksibilitas Kurikulum 2024 di Institut Teknologi Bandung (ITB) memberikan keleluasaan bagi mahasiswa dalam menentukan mata kuliah pilihan. Namun, mahasiswa sering mengalami kelebihan informasi saat menyusun Rencana Studi akibat tersebarnya data silabus akademik. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi mata kuliah cerdas menggunakan pendekatan Content-Based Filtering. Sistem ini memanfaatkan ekstraksi data (web scraping) dari laman akademik SIX ITB untuk mengumpulkan data kurikulum. Metode Term Frequency-Inverse Document Frequency (TF-IDF) diimplementasikan untuk mengekstraksi dan membobotkan fitur tekstual dari silabus, sedangkan Cosine Similarity digunakan untuk mengukur kedekatan spasial antara minat pencarian (query) pengguna dengan dokumen representasi mata kuliah. Purwarupa sistem telah berhasil dibangun dan diintegrasikan dalam antarmuka aplikasi berbasis web yang juga memuat fungsionalitas integrasi jadwal kelas. Hasil pengujian menunjukkan bahwa algoritma TF-IDF dan Cosine Similarity mampu memeringkat dan menyajikan rekomendasi mata kuliah (Top-N Recommendation) yang relevan secara semantik dengan kata kunci input, terlepas dari variasi panjang teks deskripsi. Pengujian User Acceptance Testing (UAT) menunjukkan tingkat penerimaan yang sangat baik, mengonfirmasi bahwa sistem ini efektif dan efisien dalam membantu mahasiswa merencanakan pengambilan mata kuliah pilihan yang sesuai dengan minat akademik serta ketersediaan jadwal mereka.
STUDI KOMPARASI ALGORITMA BERBASIS RECURRENT NEURAL NETWORK DAN MEKANISME ATENSI PADA SISTEM REKOMENDASI BERBASIS SESI
Sistem rekomendasi adalah salah satu teknologi yang kini sedang terus dikembangkan dalam pemanfaatannya untuk berbagai domain. Sistem rekomendasi berguna untuk meningkatkan kenyamanan pengguna dalam membuat keputusan. Sistem rekomendasi berbasis sesi adalah salah satu paradigma sistem rekomendasi yang sedang berkembang untuk mempelajari preferensi jangka pendek dan dinamis dari pengguna. Pemanfaatan recurrent neural network (RNN) menjadi pilihan algoritma yang populer karena kemampuannya mempelajari data sekuensial. Selain itu, mekanisme atensi menjadi kerangka kinerja yang mulai dimanfaatkan bersamaan dengan RNN untuk mengenali tujuan pengguna dalam sesi. Oleh karena itu, performa dari dua variasi RNN, yaitu LSTM dan GRU, ketika digabungkan dengan mekanisme atensi untuk melakukan tugas sistem rekomendasi berbasis sesi akan dianalisis. Kedua model yang dikembangkan akan dibandingkan berdasarkan metrik recall dan mean reciprocal rank (MRR). Selain itu, performa kedua model dalam mengatasi berbagai tipe data sesi berdasarkan panjang sesi juga dibandingkan.
PENGEMBANGAN SISTEM REKOMENDASI BERBASIS KNOWLEDGE GRAPH PADA APLIKASI WEB PERSONALIZED INTELLIGENT TUTORING SYSTEM UNTUK PEMBELAJARAN PEMROGRAMAN
Dalam menghadapi minimnya jumlah talenta digital di Indonesia, diperlukan terobosan untuk mempercepat pemenuhan kebutuhan yang meningkat. CodeBuddy.ai merupakan aplikasi web intelligent tutoring system (ITS) yang berfungsi menjadi wadah pembelajaran pemrograman dasar C++ bagi pemula. ITS ini dilengkapi oleh personalisasi berupa jalur pembelajaran yang disesuaikan dengan kemampuan siswa melalui pemanfaatan sistem rekomendasi berbasis KG. Sistem rekomendasi berbasis knowledge graph (KG) merupakan pendekatan yang digunakan oleh sistem ITS ini karena dapat merefleksikan representasi semantik dan beradaptasi dengan kebutuhan ITS. Studi ini berfokus pada perbandingan dua model dalam sistem rekomendasi berbasis KG, yaitu semantic similarity calculation yang menggunakan pembobotan semantik untuk perhitungan jalur kemiripan antarentitas dan juga random walk dengan KG embedding yang mengeksplorasi relasi secara lebih luas melalui hasil embedding-nya. Kedua model ini dievaluasi untuk kemampuan mereka dalam mengidentifikasi dan merekomendasikan jalur pembelajaran yang relevan terhadap domain pembelajaran pemrograman pada ITS. Hasil eksperimen menunjukkan bahwa random walk dengan KG embedding memiliki keunggulan dalam mendeteksi relasi antarentitas yang jauh secara lebih efektif, menjadikannya lebih superior dalam menyusun rekomendasi yang tepat dibandingkan dengan model semantic similarity calculation.