Sistem rekomendasi komunitas akademik menggunakan metode Hybrid Filtering

INDONESIA:

Ketidaksesuaian antara jumlah dan kualitas talenta TIK dengan kebutuhan industri di Indonesia menimbulkan tantangan besar, khususnya bagi mahasiswa Teknik Informatika yang sering kesulitan menentukan bidang profesi yang tepat. Oleh karena itu, penelitian ini bertujuan untuk merancang dan membangun sebuah sistem rekomendasi menggunakan metode hybrid filtering untuk memberikan rekomendasi komunitas akademik yang lebih personal dan akurat kepada mahasiswa. Penelitian ini menerapkan metode hybrid filtering yang menggabungkan Content-Based Filtering (CBF) dan Collaborative Filtering (CF). Pendekatan CBF menganalisis profil deskriptif mahasiswa menggunakan TF-IDF dan Cosine Similarity, sementara CF memanfaatkan data rating untuk menemukan pola preferensi kolektif. Hasil dari kedua metode, yang diuji pada data dari 200 mahasiswa dan 10 komunitas, kemudian diintegrasikan menggunakan pendekatan simple average. Hasil evaluasi menggunakan metrik Mean Average Precision (MAP) menunjukkan bahwa metode hybrid filtering mencapai performa paling unggul dengan skor 0,866, secara signifikan melampaui metode tunggal Collaborative Filtering (0,816) dan Content-Based Filtering (0,733). Temuan ini menyimpulkan bahwa penggabungan kedua metode secara efektif menyeimbangkan relevansi konten personal dengan preferensi kolektif, sehingga terbukti menjadi solusi yang valid dan lebih adaptif untuk meningkatkan akurasi sistem rekomendasi di lingkungan akademik.

ENGLISH:

The mismatch between the number and quality of ICT talent and the needs of the industry in Indonesia poses a big challenge, especially for Informatics Engineering students who often have difficulty determining the right professional field. Therefore, this study aims to design and build a recommendation system using the hybrid filtering method to provide more personalized and accurate recommendations to the academic community to students. This study applies a hybrid filtering method that combines Content-Based Filtering (CBF) and Collaborative Filtering (CF). The CBF approach analyzes the descriptive profiles of students using TF-IDF and Cosine Similarity, while CF leverages rating data to find patterns of collective preferences. The results of the two methods, which were tested on data from 200 students and 10 communities, were then integrated using a simple average approach. The results of the evaluation using the Mean Average Precision (MAP) metric showed that the hybrid filtering method achieved the highest performance with a score of 0.866, significantly surpassing the single methods of Collaborative Filtering (0.816) and Content-Based Filtering (0.733). These findings conclude that the combination of the two methods effectively balances the relevance of personal content with collective preferences, thus proving to be a valid and more adaptive solution to improve the accuracy of recommendation systems in the academic environment.

ARABIC:

يشكل عدم التوافق بين عدد وجودة مواهب تكنولوجيا المعلومات والاتصالات واحتياجات الصناعة في إندونيسيا تحديا كبيرا ، خاصة بالنسبة لطلاب هندسة المعلوماتية الذين غالبا ما يجدون صعوبة في تحديد المجال المهني المناسب. لذلك ، تهدف هذه الدراسة إلى تصميم وبناء نظام توصية باستخدام طريقة التصفية الهجينة لتقديم توصيات أكثر تخصيصا ودقة للمجتمع الأكاديمي للطلاب. تطبق هذه الدراسة طريقة تصفية هجينة تجمع بين التصفية المستندة إلى المحتوى ( )CBFوالتصفية التعاونية ( .)CFيحلل نهج CBFالملامح الوصفية للطلاب الذين يستخدمون TF-IDFو Cosine ، Similarityبينما يستفيد CFمن بيانات التصنيف للعثور على أنماط التفضيلات الجماعية. ثم تم دمج نتائج الطريقتين ، اللتين تم اختبارهما على بيانات من 200طالب و 10مجتمعات ، باستخدام نهج متوسط بسيط. أظهرت نتائج التقييم باستخدام مقياس متوسط الدقة ( )MAPأن طريقة التصفية الهجينة حققت أعلى أداء بدرجة ، 0.866متجاوزة بشكل كبير الطرق الفردية للتصفية التعاونية ( )0.816والتصفية القائمة على المحتوى ( .)0.733وخلصت هذه النتائج إلى أن الجمع بين الطريقتين يوازن بشكل فعال بين أهمية المحتوى الشخصي والتفضيلات الجماعية، مما يثبت أنه حل صالح وأكثر تكيفا لتحسين دقة أنظمة التوصية في البيئات الأكاديمية.