<![CDATA[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.]]>
Copyrights © 2026
