<![CDATA[Pertumbuhan pesat platform pembelajaran daring mendorong meningkatnya kebutuhan akan sistem rekomendasi yang mampu menyajikan kursus secara relevan dan personal. Udemy sebagai salah satu platform e-learning terbesar menyediakan ribuan kursus dengan variasi topik yang luas, sehingga pengguna sering mengalami kesulitan dalam menemukan kursus yang sesuai dengan minat dan kebutuhannya. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Cosine Similarity dan K-Nearest Neighbor (KNN) dalam sistem rekomendasi kursus berbasis konten pada platform Udemy. Dataset yang digunakan terdiri dari 3.678 data kursus yang diperoleh dari Kaggle, dengan atribut judul kursus sebagai fitur utama. Data teks dipraproses dan direpresentasikan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Cosine Similarity digunakan untuk mengukur tingkat kemiripan antar kursus, sedangkan KNN berfungsi sebagai mekanisme pencarian tetangga terdekat berdasarkan skor kemiripan. Evaluasi kinerja sistem rekomendasi dilakukan menggunakan metrik Precision@N dengan acuan kesesuaian kategori kursus. Hasil penelitian menunjukkan bahwa algoritma KNN menghasilkan tingkat relevansi rekomendasi yang lebih tinggi dibandingkan Cosine Similarity, namun membutuhkan waktu komputasi yang lebih besar. Sebaliknya, Cosine Similarity unggul dari sisi efisiensi dan stabilitas hasil rekomendasi. Temuan ini menunjukkan adanya trade-off antara relevansi dan efisiensi komputasi, sehingga pemilihan metode sistem rekomendasi perlu disesuaikan dengan kebutuhan dan skala implementasi. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem rekomendasi kursus daring berbasis konten.]]>
Copyrights © 2026
